未來(lái)十年AI市場(chǎng)：驚人的增長(cháng)

到 2033 年，全球 AI 芯片市場(chǎng)將增長(cháng)到 2576 億美元，屆時(shí)最大的三個(gè)垂直行業(yè)是 IT 和電信、銀行、金融服務(wù)和保險 (BFSI) 以及消費電子。人工智能正在改變我們所知的世界；從 2016 年 DeepMind over Go 世界冠軍李世石的成功，到 OpenAI 的 ChatGPT 強大的預測能力，人工智能訓練算法的復雜性正在以驚人的速度增長(cháng)，其中運行新開(kāi)發(fā)的訓練算法所需的計算量似乎大約每四個(gè)月翻一番。為了跟上這種增長(cháng)的步伐，人工智能應用程序需要的硬件不僅是可擴展的——允許隨著(zhù)新算法的引入而延長(cháng)壽命，同時(shí)保持較低的運營(yíng)開(kāi)銷(xiāo)——而且能夠在接近最終用戶(hù)的地方處理越來(lái)越復雜的模型。全面實(shí)現有效的物聯(lián)網(wǎng)需要雙管齊下的方法，即在云端和邊緣處理人工智能。

經(jīng)過(guò)專(zhuān)家分析師一段時(shí)間的專(zhuān)注研究，IDTechEx 發(fā)布了一份報告，對全球 AI 芯片技術(shù)格局和相應市場(chǎng)提供了獨特的見(jiàn)解。包含與用于 AI 目的的 90 nm 至 3 nm 節點(diǎn)芯片的制造、設計、組裝、測試和封裝以及操作成本相關(guān)的嚴格計算。隨著(zhù)半導體制造商轉向 3 nm 以上的更先進(jìn)節點(diǎn)，IDTechEx 對設計成本和制造成本（每片晶圓的投資）進(jìn)行了預測。

智能硬件的興起

設計硬件來(lái)實(shí)現某種功能的概念，特別是如果該功能是通過(guò)將對它們的控制從主（主機）處理器上移開(kāi)來(lái)加速某些類(lèi)型的計算，這并不是一個(gè)新概念；計算的早期看到 CPU（中央處理單元）與數學(xué)協(xié)處理器配對，稱(chēng)為浮點(diǎn)單元 (FPU)，其目的是將復雜的浮點(diǎn)數學(xué)運算從 CPU 卸載到這個(gè)專(zhuān)用芯片，因為后者可以以更有效的方式處理計算，從而釋放 CPU 以專(zhuān)注于其他事情。隨著(zhù)市場(chǎng)和技術(shù)的發(fā)展，工作負載也在發(fā)展，因此需要新的硬件來(lái)處理這些工作負載。這些專(zhuān)門(mén)工作負載之一的一個(gè)特別值得注意的例子是 GPU 的制作。

正如計算機圖形需要不同類(lèi)型的芯片架構一樣，機器學(xué)習的出現也帶來(lái)了對另一種加速器的需求，一種能夠有效處理機器學(xué)習工作負載的加速器。

人工智能已列入全球議程

人工智能硬件和軟件的發(fā)展推動(dòng)了全球的國家和地區資助計劃。由于具有 AI 功能的處理器和加速器依賴(lài)于半導體制造商，這些制造商能夠生產(chǎn)亞太地區數據中心內使用的芯片所需的更先進(jìn)節點(diǎn)，因此制造 AI 芯片的能力取決于少數幾家公司。

到 2020 年，許多因素（例如新冠疫情大流行、干旱、制造設施火災爆發(fā)和稀有氣體采購困難）導致全球芯片短缺，半導體芯片供不應求。從那時(shí)起，半導體價(jià)值鏈中最大的利益相關(guān)者（美國、歐盟、韓國、日本和中國）一直在尋求減少制造赤字的風(fēng)險，以防萬(wàn)一出現導致平衡的另一組情況更加加劇了芯片短缺。國家和地區政府的舉措已經(jīng)到位，以激勵半導體制造公司擴大業(yè)務(wù)或建設新設施。

進(jìn)步的成本

機器學(xué)習是計算機程序利用數據根據模型進(jìn)行預測，然后通過(guò)調整所用權重來(lái)優(yōu)化模型以更好地適應所提供數據的過(guò)程。因此，計算涉及兩個(gè)步驟：訓練和推理。實(shí)施 AI 算法的第一個(gè)階段是訓練階段，在此階段，數據被輸入模型，模型調整其權重，直到它與提供的數據適當匹配。第二階段是推理階段，執行經(jīng)過(guò)訓練的 AI 算法，并將新數據（在訓練階段未提供）以與獲取的數據一致的方式進(jìn)行分類(lèi)。在這兩個(gè)階段中，訓練階段的計算量更大，鑒于此階段涉及執行相同的計算數百萬(wàn)次（一些領(lǐng)先的 AI 算法的訓練可能需要數天才能完成）。這就提出了一個(gè)問(wèn)題：訓練人工智能算法需要多少錢(qián)？

為了量化這一點(diǎn)，IDTechEx 嚴格計算了 AI 芯片從 90 nm 到 3 nm 的設計、制造、組裝、測試和封裝以及運營(yíng)成本。通過(guò)考慮具有給定晶體管密度的 3 nm 芯片將比具有相同晶體管密度的更成熟的節點(diǎn)芯片具有更小的面積，可以將為給定 AI 算法部署前沿芯片的成本與落后，邊緣芯片能夠為相同的算法提供相似的性能。例如，基于我們使用的 3 nm 芯片模型，如果具有給定面積和晶體管密度的 3 nm 芯片連續使用 5 年，所產(chǎn)生的成本將比具有相同晶體管密度的 90 nm 芯片連續運行 5 年的成本低 45.4 倍。