为什么人工智能ASIC要赔钱？

twel2e

人工智能算法不大可能用ASIC，因为ASIC的开发周期太长，最少也需要3年才能量产，而人工智能算法迭代速度很快，几乎是每半年就迭代一次，所谓人工智能ASIC，没出厂就已经过时。另一个原因是人工智能芯片需要7纳米工艺。

7纳米时代，不是90纳米时代，除非你像谷歌的TPU那样自产自销，否则，铁定长期亏损。根据Gartner推算，10纳米芯片的总设计成本约为1.2亿美元，7纳米芯片则为2.71亿美元，较10纳米高出两倍之多！为什么人工智能芯片一定要用7纳米？

所谓制程纳米，是CMOS FET晶体管闸极的宽度，也就是闸长。闸长可以分为光刻闸长和实际闸长，光刻闸长则是由光刻技术所决定的。由于在光刻中光存在衍射现象以及芯片制造中还要经历离子注入、蚀刻、等离子冲洗、热处理等步骤，因此会导致光刻闸长和实际闸长不一致的情况。另外，同样的制程技术下，实际闸长也会不一样，比如虽然三星也推出了 14nm 制程芯片，但其芯片的实际闸长和 Intel 的 14nm 制程芯片的实际闸长依然有一定差距。

闸长越短，有两大好处，一是可以提高晶体管密度，在同样大小的硅晶圆制造更多的晶体管，需要的运算资源越强，对应的晶体管数量就越多。英伟达的Xavier Tegra处理器号称是“全球第一个AI汽车超级芯片”，将采用台积电16nm FinFET+工艺制造，集成多达70亿个晶体管，性能方面，Xavier预计可以达到30 DL TOPS，比现在的Drive PX 2平台提高50％，同时功耗只有30W。拥有多达八个NVIDIA自主设计的ARMv8-A 64位CPU核心，GPU则会基于下一代“Volta”(伏特)架构，最多512个流处理器，还有基于硬件的视频流编码解码器，最高支持7680×4320 8K分辨率，以及各种IO输入输出能力。

英伟达还有一片GTX 1080 TI，同样采用台积电16nm FinFET+工艺制造，集成多达120亿个晶体管，硅片面积是471平方毫米。英特尔至强E5 2600 V4，引入了14nm工艺，456平方毫米的核心面积里集成了72亿个晶体管，相比之下上代22nm Haswell-EP Xeon E5-2600 v3只有56.9亿个晶体管，而核心面积达662平方毫米。英伟达专为深度学习订做的芯片Tesla P100，则在600平方毫米内集成了150个晶体管，仍然是台积电的16nm FinFET+工艺制造，单精度浮点运算能力达9.3TFLOPS。高通的骁龙835则是集成了30亿个晶体管。

. O* m# |! s5 ]2 [

另一个好处是降低功耗。

) f, u) O+ j" v9 H% r( b4 m9 y. X

电流从 Source（源极）流入 Drain（漏级），Gate（闸极）相当于闸门，主要负责控制两端源极和漏级的通断。电流会损耗，而栅极的宽度则决定了电流通过时的损耗，表现出来就是手机常见的发热和功耗，宽度越窄，功耗越低。

业内公认，10纳米不是关键，关键是7纳米，10纳米只是低功耗过渡工艺，性能上与14纳米相差无几，意义不大，7纳米才是关键之战。

ASIC性能与功耗比最好，但开发周期长，开发成本最高，灵活性最差，如果出货量低的话（如果采用7纳米工艺，最低也要每年1亿的出货量，才能将芯片单价降低到100美元以下），要么单价高到几千美元，要么厂家毛利率就是负的。最终结果都一样，长期亏损。

无人车领域将是ASIC的噩梦，汽车领域对价格非常敏感，有些汽车厂家为了省成本，几元钱的摇窗电机都要节约。能用商规元件就不用工规，成本也就差几元。再有就是汽车出货量低，全球汽车市场每年不过1亿辆，远不能和手机与笔记本电脑比。高端车出货量更低，每年大约1000万辆，无人车比高端车还要低。即便你市场占有率再高，出货量也是很低。再有就是生命周期在缩短，以前一个车型可以有7-8年生命周期，现在竞争激烈，尤其中国市场，三四年不大改款的车就无人问津。虽然相对手机市场生命周期还算长，但趋势已经很明显，一款车型的生命周期正在迅速缩短。

) E6 R6 {  ?$ {' K1 r7 q: d* r* b1 e2 L

Jame33

ASIC性能与功耗比最好，但开发周期长，开发成本最高，灵活性最差

Memory00

人工智能算法不大可能用ASIC，因为ASIC的开发周期太长，最少也需要3年才能量产，而人工智能算法迭代速度很快，几乎是每半年就迭代一次，所谓人工智能ASIC，没出厂就已经过时。另一个原因是人工智能芯片需要7纳米工艺。
. m) a  Z- }& A' K  \' O8 u

理论的

电流会损耗，而栅极的宽度则决定了电流通过时的损耗，表现出来就是手机常见的发热和功耗，宽度越窄，功耗越低
9 f! m7 E  a3 j+ g. ]