自从中兴事件以后，芯片投资就成了热门项目，据说现在的投资人主要是两大类项目，一个是芯片，一个是区块链。
目前手机厂商、互联网巨头、创业者、家电厂商等一窝蜂的涌入AI芯片的研发，但各家底子到底有多厚，积累有多深呢，很难说。
除了中兴表示要加大核心芯片研发投入之外，阿里巴巴也宣布收购中天微系统布局AI芯片行业，连格力电器董事长董明珠也表示“做芯片坚定不移”、“哪怕投资500亿元，格力也要做自己的芯片”并在日前宣布格力空调明年用自己的芯片。
还有许多追风的创业者也纷纷投身到芯片的创业中来，数据显示目前有超过1700家创业公司对AI芯片感兴趣。
说白了，许多创业者跟风就是为了追风口融资拿钱。业内流传，在AI领域，一个好一点的项目还没有做出产品，A轮估值就已经达到几亿美元了。
因为对于目前的资本市场来说，好项目难找，芯片产业则裹挟了许多国民爱国情感在里面，这个方向更容易找到融资并引发关注，背后透露出来的是急功近利的产业氛围。
当然不排除这其中也有部分有技术积累的大厂，早在多年前就已经投入到AI芯片的研发之中了，有一定的技术沉淀。研发AI芯片是为了基于人机交互与人工智能的大方向不受制于人，在软硬件优化创新层面做出突破。
任正非前段时间就一针见血的说话，芯片急是急不来的，不光是工艺、装备、耗材问题。同时称还是要踏踏实实，自知在云、人工智能上落后了许多，不能泡沫式地追赶。
AI 芯片的创新涉及到人工智能算法、编程语言、计算机体系结构、集成电路技术、半导体工艺等方面。芯片产业的产业链很长，包括设计、制造、封装、测试、组装等多个环节。从设计、制造到封装测试，每个环节都要求极高。
我国的芯片产业在制造和材料等核心环节与国外差距还非常大。数据显示，我国集成电路产业90%以上的需求依赖进口，每年进口金额达到2000多亿美元。
做芯片关键在于人才，集体去做不代表就能做成，毕竟芯片尤其是完全自主的AI芯片高度依赖尖端人才、投入大、技术研发周期长，也并非砸钱就能做出来。
虽然芯片自主可控是确定性的中长期趋势，从高端芯片自主可控层面来看，目前在国内还难觅能担此大任的上市公司与高质量的产业链集群。
资本的疯狂的涌入，对AI芯片产业不是好事，过去国内在芯片领域很长一段时间缺乏相应的基础性研究的积累，缺乏行业标准与统一的产业链与应用市场环境。
突然一夜之间，许多厂商都一拥而上大炼钢式上马AI芯片项目，谈论芯片的必要性，这也往往导致行业产生急功近利的产业氛围。
互联网巨头都是奉行“买买买”的投资策略，但与国内砸钱买项目不一样，国外英特尔、高通等巨头每年都是拿出几百亿美元自行研发沉淀自有尖端技术与专利。
从IC Insight 统计的2017年半导体领域研发投入前十的企业来看，研发投入常年位居第一的英特尔，去年技术研发费用130亿美元，折算成人民币是800多亿；博通、高通、三星半导体的研发投入是30多亿美元，折算成人民币也有200多亿。
全国每年用于集成电路研发总投入约45亿美元，占全行业销售额的6.7%，而这一数据甚至不足英特尔一家公司年研发投入一半。而且这样的投入不是一劳永逸，而是年复一年的持续性投入。因此从这个角度来看，中国在芯片产业上与国外巨头的差距到底有多大。
有业内人士透露，设计制造一颗10nm芯片的成本要几千万美元，就算目前寒武纪、深鉴科技等专门做AI芯片的企业，即使采用28nm的芯片工艺，前期从投入到流片的成本都要超过400万美元。单一品类的芯片出货量没有百万级很难收回成本。
对于赚快钱的资本而言，这样的投入与回报周期原本是唯恐避之不及的。因为在国内，过去资本市场愿意砸几十亿上百亿的项目都是偏向于能够形成流量入口或者能够赚快钱的项目，比如共享单车、网约车等。显然谁浮躁谁务实清醒一目了然。
另一方面来看，AI芯片产业光靠砸钱行不通，这是一个相对漫长的积累与沉淀的过程，“冷板凳要坐十年”。有业内人士曾一针见血指出，为什么CPU在Cambridge，GPU在Kings Langley，CPU和GPU这两项基础技术都是在英国产生的？因为那些人可以静下心认真地做研发，英国工程师做GPU可以做20多年。
但是国内明显是欠缺这种务实研发的环境与氛围。
而从AI芯片相对偏长的投资回报周期来看，芯片与资本的短期逐利本性来看是相冲突的，但是它可以包装成为一个好故事，为什么可以包装成一个好故事呢，因为这种芯片是不是通用芯片，而是AI芯片。
早前就有业内人士提出质疑：人工智能芯片概念比较怪，定义也非常宽泛。你做机器学习也是人工智能芯片，做深度学习也是人工智能芯片，做某几种特定算法也是人工智能芯片。
而要知道AI市场的第一颗芯片也是包括现成的CPU，GPU，FPGA和DSP的各种组合。尽管新设计正在由诸如英特尔、谷歌、英伟达、高通，以及IBM等公司开发。因此在国外巨头眼中的AI芯片更多是基于传统的通用芯片架构中去升级或者拼装组合。
甚至OneSpin Solutions总裁兼首席执行官Raik Brinkmann也在质疑并提出了以下问题：“在人工智能芯片中，你有三个问题需要解决。首先，你需要处理大量的数据。其次，构建用于并行处理的互连。第三是功率，这是你移动数据量的直接结果。所以你亟须从冯诺依曼架构转变到数据流架构。但它究竟是什么样子？”
因此，AI芯片究竟是什么样子，以及该如何定义还没有统一的标准。但在国内市场来看，更多是一个缺乏严格定义的伪概念。这种令外界心跳业内窃喜的概念，更多是为了商机而制造出来的“新技术”。而正是因为缺乏定义与标准，所以它有了将概念包装讲故事的空间。
当然对于很多人来说，有一个好的故事来圈钱已经足够，从这个定义层面来看，AI芯片的门槛比通用芯片门槛低，尽管在国外的AI芯片，它要围绕深度学习或者人工智能算法，对这颗芯片内部的架构和计算、存储单元进行专门设计。
但在国内，更多是拼组装能力与代工能力，从前端的芯片体系结构设计到接口布线都可以交给代工方完成。很多投机者也看到了其中蕴藏的商机往往注重短时间的成效与数据包装，不注重基础技术的研究，这背后带来的隐患也值得关注。
比如它是否会干扰正常的产业迭代，快速投产下的芯片成品质量究竟如何，性能与功耗指标能否达成市场最基本的需求标准。
前面提到AI芯片可能包括现成的CPU，GPU，FPGA和DSP的各种组合，但至少需要一个CPU来控制整个运算系统，但是当流数据并行化时，就会需要各种类型的协处理器。而在CPU与协处理器这种高精尖技术层面上的难题，最终如何解决？
如果良品率过低就投入市场是否会导致AI硬件终端产品故障与隐患？芯片是高技术门槛行业，缺乏量产能力出现风险能否及时刹车，人才原本断层的环境下如何快速形成完善的人才培养机制？
另外，行业产业化正常路径是否会被资本主导带偏，反而使得整个行业的发展被负面舆论包裹？一旦赚不到钱，未来资本纷纷退出，原有的芯片布局与正常的产业投资规律与路径遭遇破坏，是否会对行业的迭代与进化过程造成打击？从目前来看，这些问题都值得思考。
从目前来看，盲目一窝蜂的扎堆做芯片，这种浮躁的行业现象很可能导致泥沙俱下以及大片的创业炮灰，喧嚣过后，一地鸡毛。
作者：王新喜 TMT资深评论人 本文未经许可谢绝转载 我的微信公众号：热点微评（redianweiping）
閱讀更多 王新喜 的文章
