本來是要給傳統行業賦能，結果要靠傳統行業續命，這個就是很多AI晶片公司要面對的現實。
江湖上有一位赫赫有名的大師，曾經傳授過一句口訣“站在風口上，豬都會飛”；當很多後起之秀憑藉口訣能夠御劍飛行時，其中最想請教大師的問題就是“在風口上飛起來了，但是要怎樣落地”。
當下的AI晶片創業公司都遇到這個問題，融資一輪又一輪，頂會論文一篇又一篇，PR一場接一場，流片一款又一款，現在最糾結問題還是怎麼落地？
對於AI產業來說，萬物AI可能早晚都能實現，但是對於一個AI晶片公司，最重要的活著看到那一天，而晶片產品落地是活著的前提條件。
01 緣起
世界上本沒有AI晶片，AI演算法多了，便有了AI晶片。
AI演算法出現後，業界發現原來CPU這種計算體系結構，效率太低，可用性極差，特別是在IOT端，都沒有什麼有效的解決辦法；如果一個東西滿足不了應用，那麼就需要有更有效的計算架構來替代，DSA（領域專用架構）應運而生，這個就是AI晶片的緣起。
一位AI大師苦思冥想，悟道新演算法；或者一個電路或者體系結構大師，苦思冥想，悟道新結構，他們不約而同做了一款AI晶片，可以在ISSCC/Hotchips等頂會上一鳴驚人；有效提升效能，降低儲存代價，於是想做一個AI晶片公司。
大體上，AI晶片分為雲側AI晶片和端側AI晶片；雲側，用在資料中心；端側，用在IOT，也被稱為AIOT；做AI晶片也面臨兩條路，端側AI晶片和雲側AI晶片；AI大師覺得，如果芯片面積小，功耗低一點，就走端側；面積大，效能高一點，那就走雲側；
但這兩條路的落地都充滿挑戰。
如果在雲端：就是主CPU和AI晶片分離，AI晶片是專用的加速晶片，以加速卡的形式用於伺服器上；而在端側，需求截然不同，必須是一個完整的SOC；所有端側AI晶片都是SOC，不存在獨立AI晶片的空間。
AI晶片好比一個人的右腦，負責音樂，繪畫，空間幾何想象；
但是使用者對終端AI晶片的需求，是一個完整的人，不但需要右腦，還需要左腦（CPU）,
五臟（其他功能模組），四肢（IO模組）等等，這些都齊備，這才能滿足使用者的需求。
以安防領域（智慧視覺）舉例，IPC SOC 攝像頭晶片，目前有好多AI公司計劃在此方面發力，IPC SOC 晶片在AI晶片不存在時，就已經是業界相對標準的做法了。
一個IPC SOC，由CPU，影片編解碼模組（H。264/H。265）， 影象處理模組（ISP）， 音訊編解碼模組， 影片和圖形處理模組，安全引擎，外圍介面（mipi，ddr，I2S，USB，SDIO等等）組成，最後才是AI處理模組。
有AI模組的加入，支援神經網路加速，可以完成目標（人臉）檢測與跟蹤、場景識別，這個只是這個IPC SOC中其中一個較小的功能。
AI是IPC SOC是一個特性（feature）；沒有AI也是一個具備廣泛應用IPC的SOC晶片，況且如果內嵌GPU的話，也能做不少AI的特性的工作；從中可以看出，在終端AI晶片側，AI是輔助，上單、打野、中單、射手都是必須的，否則5V5根本贏不了比賽。
道生一，一生二，二生三，三生萬物。
從AI大師悟道AI演算法，到AI IP，現在到AI SOC晶片；一個比一個難；但還不是最難的，
完成了整個軟體解決方案SDK；這才達到了這個及格線。
道是AI演算法，一是AI的IP，二是SOC晶片，三是軟體方案SDK。
走到這一步才具備推廣的基礎，是萬物皆可AI的前提。
02 雷神之錘
既然萬物可AI，那麼AI就可以賦能傳統行業，這個邏輯沒有問題，那麼有哪些傳統行業可以被“賦能”，這個是AI落地的核心問題。
目前在終端側AI，看的比較清楚的，一個是影片監控（安防），已經有很多玩家了；另一個是自動駕駛，也有很多玩家了；其他的領域還有哪些？
AI晶片公司就像《復仇者聯盟》裡的雷神托爾，拿著一把錘子（AI晶片），在所有行業，都砸一遍，看看有什麼油水；俗話說，手裡有一把錘子，看什麼都是釘子。
智慧眼鏡，智慧家電，自動駕駛，安防，智慧零售，能源勘探，智慧硬體，所有的地方都要拿錘子敲一下；用AI晶片賦能傳統行業，AI晶片這把錘子，不論看到什麼有公司打算去砸兩下；現在被AI這把錘子沒有被敲過的傳統行業已經不多了。
本來是要給傳統行業賦能，結果要靠傳統行業續命，
這個就是很多AI晶片公司要面對的現實；“拿著錘子找釘子”是無奈之舉。
但是這個是一個有效的手段，AI晶片公司實際上花了很大力氣來教育市場；但是能夠產生價值的地方不多，更多的時候是被市場教育了。
但是找到目標客戶，儘快產生價值，一方面可以實現晶片及方案落地，另一方面可以實現AI晶片的快速迭代。
找到最擅長的落地場景，給客戶提供一整套的解決方案，便於拿下商業合同，就需要變成所謂的行業解決方案專家；傳統的晶片公司，都是提供晶片給方案廠家，方案廠家做成整機或者方案給使用者。
現在AI這一波潮流催生很多公司，
一個是專門的AI方案廠家本身就不成熟，能夠賺到錢的AI方案公司也不多，能出真金白銀來採購晶片就更少。
另一個方案廠家本身就直接開發AI晶片；搞得很多AI晶片公司只能去推方案；所以為了這瓶醋，不得已就得去包一盤餃子。
03 華山論劍
與終端AI晶片形態各異完全不同，雲端AI晶片的形態非常類似，就是伺服器插AI加速卡，介面目前是PCIE；同時都需要外接DRAM儲存，原來直接DDR，現在都是直接HBM。
總之，這個形態已經固定好了，就是在雲資料中心領域，提供AI算力，看誰的晶片效能更高，適用性好，評價軟體和標準都一套成熟的模式和框架。
目前NVIDIA的A100晶片，目前有826mm2， 採用TSMC 7nm工藝，透過這兩個指標都來看，雲端芯片面積大，製程工藝先進，因此可見，雲端晶片的資金投入規模高，對晶片設計公司的技術挑戰也非常之大；
但是技術挑戰雖大隻是小問題，落地才是大問題。
這個領域已經被NVIDIA佔據了，
這個就是華山論劍，做出來就需要和NVIDIA正面碰撞；不論做出任何一款雲端的AI晶片，客戶就會靈魂三問：與NVIDIA的同款相比效能指標如何？功耗對比如何？適配AI演算法如何？
如果晶片廠商說，孩子剛生出來，就要和業界大佬去比，這個太苛求了吧。但是雲端客戶為什麼苛刻，非要和NVIDIA去比，因為這個領域的客戶也是非常集中，並且很強勢。
世界範圍內是亞馬遜，谷歌，微軟，阿里；國內是阿里雲，騰訊雲，華為雲，天翼雲，百度雲，金山雲，京東雲等等。
NVIDIA目前在雲端的AI加速卡佔據了95%以上的市場，如果他們要換解決方案，必然必須要比NVIDIA有優勢，功耗，效能，價格，適配性等等，這個是繞不過去的。“利不百，不變法；功不十，不易器”，就是這個道理。
另一個取巧的方法，根據對雲端業務的深入理解，避開NVIDIA的九陽神功，做雲端AI的定製化，不採用類似NVIDIA可程式設計的SM（流處理器）的路線。
走谷歌TPU的道路，不用支援所有的AI演算法，不用可程式設計，只支援某些AI演算法，走專用晶片路線，好處比較高效，比GPU更專用；功耗面積成本肯定對NVIDIA都有優勢。
這種做法的風險就是，AI領域每年都會有很多新的演算法及特性出來，是一個不斷髮展進度的領域；如果不是高度靈活的可程式設計架構，今天的AI晶片船票，還能不能趕上明天客戶應用的客船，就要打一個大大的問號。
還有一點不利的因素，不論是國外還是國內，很多雲廠，一方面都用NVIDIA的解決方案，另一方面都在自己做晶片。
谷歌的TPU，阿里的含光，華為的昇騰，百度的崑崙等等；最近的位元組跳動也擠入了這個行業；不禁令人感嘆，大廠做芯，有需求，有動力，已經蔚然成風，既是裁判又是運動員，雲端AI晶片創業公司如何與之競爭？
04 落地
雖然萬物可AI，對於客戶來講，可能需要的AI場景值不值得投入很多錢，是一個大問題。
例如客戶需求就是一個MCU，原本就是一片幾塊錢的預算，帶上AI功能後也不會偏差太多；對於AI公司來講，如果在這個細分賽道上再提供詳細解決方案，這點錢是否值得這麼大的軟體及方案投入是一個大大的問號。
以前有的公司做AI專案的時候，經常會收到各種定製需求，比如在廢物回收領域，使用者要用AI實現物品的分揀，就需要定製一套AI解決方案，這種例子不勝列舉。
演算法要實現，應該沒有問題，但是使用者不是需要一個AI演算法或者晶片，而是一整套AI解決方案，開動這套方案軟體的投入就更大。
到底為了這瓶醋，包盤餃子值不值？
AI晶片廠商高投入研發過後，卻不知道自己的產品要賣給哪些客戶或者說應用到哪些產品上，
無法找到可持續性的落地場景。
如果透過系統方案或者示範性專案，把晶片用上，讓客戶看到真正的價值，形成行業示範性應用案例，甚至推廣規範，那就是非常值得的。
在這個過程中，可以發現晶片的一些問題，同時為下一步晶片的迭代提供了方向，而AI應用則要透過資料來進行功能迭代，形成資料閉環迭代，一舉數得，非常有效。
AI晶片細分賽道越來越多，天下大勢，分久必合，合久必分；不可能每個賽道都有一顆AI晶片；量上不去，成本也cover不住；那麼就是要聚類。
對於AI晶片公司，不可能每個行業場景都要一套方案，需要認清自己的能力邊界，成為細分行業的老大，才能真正站穩腳跟。
推廣過程中，使用者會發現AI晶片公司對行業的理解遠遠不及使用者，但是隻有成為這個行業的專家，對行業背景的深入理解，才能夠帶給使用者物超所值的解決方案，這個要求比傳統的晶片公司對晶片的理解又更深了一層，也更難了一層。
AI的技術之風催熟了很多AI晶片公司，而AI的應用落地則是滯後的；當AI晶片脫離單純討論“技術能力”的範疇，如何能夠教育市場，減少技術到應用的時間，把研發投入快速轉換成銷售和利潤，是一個很有挑戰的問題。
因此瞄準萬物AI的目標，催化整個AI的應用落地；“為了這瓶醋，而包一頓餃子”的方法在目前階段也不失一個解決之道。
