在接下來的幾年里，芯片制造商巨頭和資金雄厚的創業公司將瓜分專業AI芯片的市場份額。

在計算密集型的人工智能領域，硬件供應商正在以摩爾定律高峰期的性能提升速度不斷推陳出新。這種提升來自于針對深度學習等人工智能應用的新一代專用芯片。但是，人工智能芯片市場正在出現的支離破碎化將讓開發商面臨一些艱難抉擇。

將芯片專門針對人工智能應用而定制的新時代始于最初為游戲應用開發的圖形處理單元被部署用于深度學習等應用。讓GPU渲染逼真圖像的同一個架構可以比中央處理單元（CPU）更為有效地處理矢量數據。2007年，英偉達發布了CUDA，這是一個支持GPU以通用方式編程的工具包，這是GPU發展過程中的重要一步。

在處理深度學習這種前所未有的高性能計算要求時，人工智能研究人員需要利用力所能及的所有優勢。在人工智能的推動下，GPU的處理能力迅速發展，最初設計用來渲染圖像的GPU反過來又成為了推動可以改變世界的人工智能研究和開發的主要力量。為了讓Fortnite這種圖像渲染工具可以以每秒120幀的速度運行，需要實現諸多線性代數運算，現在，同樣這些運算被部署在了計算機視覺、自動語言識別和自然語言處理等前沿應用核心的神經網絡中。

現在，人工智能芯片專業化的趨勢正在演變成一場軍備競賽。據Gartner預計，人工智能專用芯片的銷售額將在2019年翻一番，達到80億美元，到2023年時這一數字將增長到340億美元。在英偉達的內部預測中，到2023年時數據中心GPU市場（幾乎全部用于深度學習）規模將達到500億美元。在接下來的五年中，亞馬遜、ARM、蘋果、IBM、英特爾、微軟、英偉達和高通將在人工智能專用芯片上展開大量投資。參加軍備競賽的除了這些芯片巨頭外，還包括一些創業型公司。據CrunchBase估計，包括Cerebras，Graphcore，Groq，Mythic AI，SambaNova Systems和Wave Computing在內的AI芯片公司已經籌集了超過10億美元的投資。

需要說明的是，專用AI芯片是將前沿AI研究迅速轉化成實際應用的催化劑，所以它很重要，也頗受歡迎。但是，大量新出現的AI芯片，一個比一個快，一個比一個專業，似乎會限制企業軟件的崛起。我們可以預計，這些AI芯片公司會進行低價促銷，并進行軟件的專業化，以將開發人員鎖定在只跟一家供應商合作。

試想一下，如果說15年前，云服務AWS，Azure，Box，Dropbox和GCP都會在一年到一年半之內上市，它們各自的任務就是鎖定盡可能多的企業客戶，所謂鎖定是指你一旦選定了一個平臺，就很難將自己的技術投資切換到另一個平臺上。這種情況將發生在AI專用芯片領域，從而使得大量投入了巨資的研究都受到威脅，因為客戶很難從別的平臺轉移到你的平臺上來。

芯片制造商們肯定會向開發人員做出一些美好的承諾，而且基本上可以兌現。但是，對于AI開發人員來說，重要的是，即使其它供應商搭載了新架構的新芯片的性能更快，也很有可能會拖慢自己將產品推向市場的速度。在大多數情況下，AI模型無法在不同的芯片制造商的器件之間進行移植。所以，開發人員必須將供應商通過專用AI芯片和專業軟件將自己鎖牢的風險牢記在心，在過去，實際的計算引擎都已經標準化而且同質化，所以移植很方便，可以自由地在不同供應商之間切換。但是現在，在人工智能開發領域，這種情況將發生巨大變化。

將來的芯片產業很可能有超過一半營收都來自于人工智能和深度學習等應用，就像軟件能夠產生更多的軟件一樣，AI也會催生更多的AI。我們已經多次看到了這種衍生效應：公司一開始專注在一個問題上，但是最終卻解決了很多問題。比如，大型汽車制造商們正在努力實現自主駕駛，他們在深度學習和計算機視覺方面開展的前沿性工作產生了連鎖效應，其研究成果可以應用在福特的送貨機器人等分支性項目中。

隨著專用AI芯片陸續上市，目前的芯片制造商巨頭和大型云服務公司可能會鎖定一些客戶，和他們達成獨家協議，或者由于很難爭取客戶而只能收購那些表現出色的創業公司。AI芯片專用化的趨勢將會讓AI市場變得支離破碎，而不是使之趨于大一統。對于人工智能開發人員來說，現在可以做的就是，了解這個行業的發展趨勢，并做些規劃，權衡更快的芯片帶來哪些好處，同時又帶來多大的開發難度，以及在新架構上設計自己的產品的成本如何。