4月16日，美国商务部宣布立即重启对中兴通讯的制裁禁令，中兴通讯将被禁止以任何形式从美国进口商品，并对中兴征收高达 10 亿美元的罚款。被美全面封杀后，对于严重依赖从美国进口芯片等元器件的中兴通讯来说，无疑是一场灾难。

 

本文引用地址：http://www.eepw.com.cn/article/201809/392433.htm

　　近年来，随着人工智能的快速发展，AI芯片迅速爆发，给中国芯片产业带来了巨大的市场和商机，同时对传统芯片产生较大的冲击。中兴此次事件，揭开中国产业核心技术缺乏的伤疤，那么此事件给我们带来哪些新思考、新机遇?中国AI芯片又能否实现弯道超车呢?

 

　　国内芯片新思考、新机遇

 

　　中国芯片市场是全球最大、增长最快的市场，2017年中国集成电路进口量高达3770亿块，同比增长10.1%;进口额为2601亿美元(约合17561亿元)，同比增长14.6%。业内人士预计，随着芯片的快速发展以及市场需求量的增加，2018年将会有大幅度提升。

 

　　从数据上来看，一方面体现出我国芯片需求量极大，令一方面则反映出我国极大依赖进口芯片。我国作为全球最大的芯片消费国，由于中国芯片起步较晚，制造水平与国际巨头还有很大差距，只能长期依赖进口，这对我国芯片未来的发展极其不利。

 

　　目前，国内的一些生产工艺水平与国外水平相比差距悬殊，制约因素可以从设计、生产、封装和测试各个环节进行思考。我国芯片发展的制约因素不只是设备和装备的问题，还要从芯片设计方面进行考虑，在芯片的研发过程中，随着芯片复杂性的提升，对设计技术的要求也在提高，不仅需要先进的设计方法与电子自动化工具，对于复杂芯片还需要一些计算平台资源，难度系数在不断加强。这是“中兴事件”给我们带来的新思考。

 

　　“中兴事件”给我们带来新思考的同时，也带来了机遇。现在有更多人开始关注芯片，这对想要入局的创业者来说是个机遇。同时，人工智能的发展给芯片产业带来了巨大机会，以前创业公司做芯片极其少，而现在越来越多，这就是人工智能带来的热潮。在人工智能热潮里加上中国本来的技术储备、人才投入、以及续存量的增加基础，这些都是芯片产业升级的明显征兆。

 

　　国家政策扶持和企业自身发展

 

　　近年来，国家对人工智能和人工智能芯片产业给予了战略层面的关注，从2014年发布《国家集成电路产业发展推进纲要》将IC产业视为国家战略性、基础性、先导性行业发展，包括《中国制造2025》、《“互联网+”指导意见》、《“十三五”规划》等多份国家级战略文件中都特别提出了人工智能芯片、类脑计算的发展方向。其中，《中国制造2025》提出2020年中国芯片自给率要达到20%，2025年要达到50%;2017年7月发布的《新一代人工智能发展规划》更要求人工智能核心产业到2030年达到一万亿，带动相关产业规模超过10万亿。政策对IC产业提出高要求的同时也表明了国家的重视度，AI芯片产业有望引领中国“芯”大步向前。

 

　　从企业自身上来讲，科研技术投入、资金投入、人才培养三者相结合，是发展AI芯片的必要条件，势必铸就AI芯片走上新台阶。如今，企业不断提高自身的科技力量，在发展中谋突破、求创新，为产品注入更先进的技术，让产品变得越来越智能，使其更具时代性、市场性、以及实用性，这对人们、社会、乃至国家都起到了极其重要的作用。同时，这也是全民共同的意愿。

 

　　国家对人工智能的重视度，确实加速了AI芯片的快速发展。但是目前，中国AI芯片研究人员需要解决如怎么样才能将其芯片设计商业化、如何扩大生产规模、以及如何在被人工智能所改变的计算领域中寻得正轨等诸多问题。随之引发的也是人们所关心的一个问题就是：中国AI芯片真的能够实现弯道超车么?

 

　　中国AI芯片有可能实现弯道超车

 

　　人工智能的兴起，正在引发各行各业的变革。旧型芯片不能完全满足机器学习的需求，而是与国内创业公司站在同一个起跑线上，为机器学习研发专门的新型芯片。

 

　　随着新兴产业、技术和产品不断涌现，大数据、云计算、5G通信、人工智能等技术也为芯片提供了巨大的市场。前瞻产业研究院曾公布这样一组预测数据，2021年全球人工智能芯片市场规模将达到111亿美元，与2016年的36亿美元相比，年复合增长率达25%。

 

　　从目前来看，国内能真正研发AI芯片的就只有几家公司，比如寒武纪、深鉴科技、地平线等。就拿寒武纪来说，寒武纪侧重于通用芯片，既做训练又做应用，布局是在智能终端上。而深鉴科技主要是DPU，一个深度学习处理器。

 

　　一般来说，一款芯片的生命周期大约为三年，而真正产生利润的时间仅为12个-18个月。芯片企业要在这短短的时间内完成利润积累，进行下一代产品的成功开发与研制，进入新一轮的迭代周期。在以应用为主体的开发概念下，每一个应用都需有各自对应的数据集来训练神经网络，有效数据的采集速度会是影响开发周期长短的最关键的因素之一。海量高质量的训练数据集可以帮助工程人员快速有效地训练神经网络，加速模型的定型，缩短人工智能芯片的设计周期。