日前，圖形芯片廠商英偉達發(fā)布了季度營收創(chuàng)6年最大增幅的財報，并拉動其股價盤后飆升14%而引發(fā)業(yè)內的關注。加之此前，其CEO黃仁勛宣稱英偉達已經是一家AI（人工智能）芯片公司，頗有趕AI風口的意味。業(yè)內紛紛看好其在芯片，尤其是AI芯片的市場表現。但事實真的如此嗎？

　　我們先看看這個季度英偉達的財報表現?？偁I收20億美元，同比增長53.6%。其中圖形芯片部門的營收在其總營收中占比85%，同比增長52.9%，為17億美元;數據中心業(yè)務同比增長兩倍，為2.4億美元;汽車業(yè)務同比增長60.8%，為1.27億美元。

　　從營收的構成上不難看出，支撐英偉達的核心業(yè)務依舊是傳統PC市場的圖形芯片（獨立顯卡），而涉及到AI相關領域或者是與AI密切相關（例如數據中心）業(yè)務的營收僅占到其總營收的1/10左右。所以僅從營收看，英偉達遠稱不上是一家AI芯片公司。而事實是，目前AI是產業(yè)競相追逐的熱點，曾經包括現在依然是傳統PC產業(yè)獨立顯卡（顯示芯片）的英偉達搖身一變成為AI公司自然會吸引不少的眼球。從這個意義看，我們不排除英偉達有借助AI風口炒作和夸大自己芯片作用的成分。

　　當然，我們在此并非否認AI芯片（支持AI應用和功能）將是未來芯片產業(yè)的發(fā)展趨勢。尤其是谷歌人工智能軟件AlphaGo利用深度學習技術擊敗全球頂尖圍棋選手李世石，預示著人工智能將是科技行業(yè)和大佬們競爭的下一個熱點。而大數據和物聯網的發(fā)展促使IBM、谷歌、Facebook、微軟等在內的科技巨頭和許多大型的提供云服務的云計算公司競相開發(fā)人工智能技術，以期利用未來物聯網設備收集的海量數據（分析）為市場和用戶提供更好的服務。

　　需要說明的是，盡管各家廠商叫法不同，例如IBM稱之為認知計算，Facebook和谷歌稱之為機器學習或人工智能，但作為支撐這些技術和應用的數據中心基礎硬件之一的芯片依然扮演者重要的角色。

　　基于此種趨勢，據相關統計，目前運行在包括IBM、谷歌、Facebook、亞馬遜、微軟等大佬們和云計算公司的數據中心（服務器）至少有10%左右的工作負載與AI應用有關（或自己開發(fā)相關的AI應用或支持和運行客戶的AI開發(fā)及應用等），且隨著市場和用戶對于AI的需求，這種趨勢未來還會擴大。

　　而這種趨勢對于數據中心的基礎芯片計算能力和功耗提出了新的挑戰(zhàn)，英偉達此前一直專攻的GPU（圖形芯片）具備有天然的優(yōu)勢。例如AI所需的大規(guī)模并行運算能力;同等面積下，GPU上擁有更多的運算單元（整數、浮點的乘加單元，特殊運算單元等）;GPU擁有更大帶寬的 Memory，因此在大吞吐量的應用中也會有很好的性能;GPU對能源的需求遠遠低于CPU等。

　　盡管如此，這并不代表上述大佬們的數據中心（服務器）對CPU沒有需求。相反，CPU依然是計算任務不可或缺的一部分，在深度學習算法處理任務中還需要高性能的CPU來執(zhí)行指令并且和GPU進行數據傳輸，同時發(fā)揮CPU的通用性和GPU的復雜任務處理能力，才能達到最好的效果，這也是為何目前大多數企業(yè)采用的依然是“CPU+GPU”的組合，或者稱為異構計算。

　　在這種異構模式下，應用程序的串行部分在CPU上運行，而GPU作為協處理器，主要負責需要大量計算的部分。從這個角度看，缺乏CPU應該是英偉達在現在和未來自詡為AI公司始終存在的短板。

　　既然提到CPU，自然就會聯想到此領域的老大英特爾，它既是英偉達成為AI芯片公司在CPU上無法跨域的屏障，即便是在其擅長的能夠滿足上述大佬AI需求的GPU上也是最大的挑戰(zhàn)者。

　　這種挑戰(zhàn)首先體現在英特爾對于CPU計算能力的創(chuàng)新挖潛上。例如其日前發(fā)布的用于數據中心服務器的Xeon Phi芯片。據英特爾的相關報告顯示，Xeon Phi處理器的訓練速度比英偉達的GPU快了2.3倍、Xeon Phi芯片在多個節(jié)點的擴展路為38%，且最多可達128個節(jié)點，這是目前市面上的GPU無法辦到的。同時，由128Xeon Phi處理器組成的系統要比單個Xeon Phi處理器快50倍，意旨Xeon Phi處理器的擴展性優(yōu)勢明顯，而這對于滿足AI的應用至關重要。

　　不過，針對英特爾的說法，英偉達提出了強烈的反駁，并指出英特爾使用的是18個月前的數據，比較的是四個Maxwell GPU和四個Xeon Phi處理器。如果使用更新的Caffe AlexNet數據，就會發(fā)現四個Maxwell GPU比四個Xeon Phi處理器的速度快30%。我們這里姑且不論誰的說法更接近客觀，但從雙方對于報告的口水戰(zhàn)看，至少說明天然不占優(yōu)勢的CPU還是大有潛力可挖，至少從CPU本身，英特爾就可以縮小與英偉達的差距，或者說給英偉達帶來壓力。

　　另外，從單純滿足AI應用本身的計算能力和實現方法上看，GPU是否是最好或者說是惟一在業(yè)內依然存在爭議。有研究人員測試，相比GPU，FPGA的架構更靈活，單位能耗下性能更強。深度學習算法在FPGA上能夠更快、更有效地運行，而且功耗也能做到更低。

　　這似乎很好地解釋了為何英特爾此前以167億美元收購FPGA制造商Altera的原因。而提及并購，還有一樁被業(yè)內認為英特爾可以借此提升自身在AI芯片競爭力，甚至有可能超越英偉達的就是對于專攻AI芯片的Nervana Systems公司的并購。據稱，Nervana Systems研究的深度學習芯片具有性價比高于GPU，處理速度是 GPU 的10倍等特點。

　　為了說明Nervana Systems公司的實力或者說對于英偉達的威脅，我們不妨介紹一段Nervana Systems被并購的插曲。據稱，英特爾在接觸Nervana談論出售事宜時，Nervana認為英偉達是合理的選擇之一，因為Nervana的深度學習軟件Neon也可以運行在英偉達芯片上，可以幫助英偉達補齊短板。然而，英偉達對Nervana并不感冒，認為自己基于GPU的深度學習技術要好于Nervana，但當Nervana與英特爾達成交易之后，英偉達似乎改變了想法，并試圖重啟收購談判，無奈的是機會已經錯過。

　　對此，有分析認為，讓英特爾得到Nervana是英偉達最大的失誤，因為通過這次收購，英特爾將得到一個用于深度學習的具體產品和IP，它們可被單獨使用外，也能與英特爾未來的技術融合，生產出更具競爭力、創(chuàng)造性的芯片產品。

　　而提到整合，則是英特爾最為擅長的，針對并購來的Nervana Systems，其可以把相關產品整合到芯片或者多芯片封裝中。例如把 Nervana Engine IP 加到一個至強CPU 中，可以提供一個低成本的方法來實現AI所需要的性能的加速，將 Nervana IP 產品化，進而提升自己CPU的計算能力，滿足AI開發(fā)和應用對于數據中心芯片的更高需求。