自從中興事件以後，芯片投資就成了熱門項目，據說現在的投資人主要是兩大類項目，一個是芯片，一個是區塊鏈。
目前手機廠商、互聯網巨頭、創業者、家電廠商等一窩蜂的湧入AI芯片的研發，但各家底子到底有多厚，積累有多深呢，很難說。
除了中興表示要加大核心芯片研發投入之外，阿里巴巴也宣佈收購中天微系統佈局AI芯片行業，連格力電器董事長董明珠也表示“做芯片堅定不移”、“哪怕投資500億元，格力也要做自己的芯片”並在日前宣佈格力空調明年用自己的芯片。
還有許多追風的創業者也紛紛投身到芯片的創業中來，數據顯示目前有超過1700家創業公司對AI芯片感興趣。
說白了，許多創業者跟風就是為了追風口融資拿錢。業內流傳，在AI領域，一個好一點的項目還沒有做出產品，A輪估值就已經達到幾億美元了。
因為對於目前的資本市場來說，好項目難找，芯片產業則裹挾了許多國民愛國情感在裡面，這個方向更容易找到融資並引發關注，背後透露出來的是急功近利的產業氛圍。
當然不排除這其中也有部分有技術積累的大廠，早在多年前就已經投入到AI芯片的研發之中了，有一定的技術沉澱。研發AI芯片是為了基於人機交互與人工智能的大方向不受制於人，在軟硬件優化創新層面做出突破。
任正非前段時間就一針見血的說話，芯片急是急不來的，不光是工藝、裝備、耗材問題。同時稱還是要踏踏實實，自知在雲、人工智能上落後了許多，不能泡沫式地追趕。
AI 芯片的創新涉及到人工智能算法、編程語言、計算機體系結構、集成電路技術、半導體工藝等方面。芯片產業的產業鏈很長，包括設計、製造、封裝、測試、組裝等多個環節。從設計、製造到封裝測試，每個環節都要求極高。
我國的芯片產業在製造和材料等核心環節與國外差距還非常大。數據顯示，我國集成電路產業90%以上的需求依賴進口，每年進口金額達到2000多億美元。
做芯片關鍵在於人才，集體去做不代表就能做成，畢竟芯片尤其是完全自主的AI芯片高度依賴尖端人才、投入大、技術研發週期長，也並非砸錢就能做出來。
雖然芯片自主可控是確定性的中長期趨勢，從高端芯片自主可控層面來看，目前在國內還難覓能擔此大任的上市公司與高質量的產業鏈集群。
資本的瘋狂的湧入，對AI芯片產業不是好事，過去國內在芯片領域很長一段時間缺乏相應的基礎性研究的積累，缺乏行業標準與統一的產業鏈與應用市場環境。
突然一夜之間，許多廠商都一擁而上大鍊鋼式上馬AI芯片項目，談論芯片的必要性，這也往往導致行業產生急功近利的產業氛圍。
互聯網巨頭都是奉行“買買買”的投資策略，但與國內砸錢買項目不一樣，國外英特爾、高通等巨頭每年都是拿出幾百億美元自行研發沉澱自有尖端技術與專利。
從IC Insight 統計的2017年半導體領域研發投入前十的企業來看，研發投入常年位居第一的英特爾，去年技術研發費用130億美元，折算成人民幣是800多億；博通、高通、三星半導體的研發投入是30多億美元，折算成人民幣也有200多億。
全國每年用於集成電路研發總投入約45億美元，佔全行業銷售額的6.7%，而這一數據甚至不足英特爾一家公司年研發投入一半。而且這樣的投入不是一勞永逸，而是年復一年的持續性投入。因此從這個角度來看，中國在芯片產業上與國外巨頭的差距到底有多大。
有業內人士透露，設計製造一顆10nm芯片的成本要幾千萬美元，就算目前寒武紀、深鑑科技等專門做AI芯片的企業，即使採用28nm的芯片工藝，前期從投入到流片的成本都要超過400萬美元。單一品類的芯片出貨量沒有百萬級很難收回成本。
對於賺快錢的資本而言，這樣的投入與回報週期原本是唯恐避之不及的。因為在國內，過去資本市場願意砸幾十億上百億的項目都是偏向於能夠形成流量入口或者能夠賺快錢的項目，比如共享單車、網約車等。顯然誰浮躁誰務實清醒一目瞭然。
另一方面來看，AI芯片產業光靠砸錢行不通，這是一個相對漫長的積累與沉澱的過程，“冷板凳要坐十年”。有業內人士曾一針見血指出，為什麼CPU在Cambridge，GPU在Kings Langley，CPU和GPU這兩項基礎技術都是在英國產生的？因為那些人可以靜下心認真地做研發，英國工程師做GPU可以做20多年。
但是國內明顯是欠缺這種務實研發的環境與氛圍。
而從AI芯片相對偏長的投資回報週期來看，芯片與資本的短期逐利本性來看是相沖突的，但是它可以包裝成為一個好故事，為什麼可以包裝成一個好故事呢，因為這種芯片是不是通用芯片，而是AI芯片。
早前就有業內人士提出質疑：人工智能芯片概念比較怪，定義也非常寬泛。你做機器學習也是人工智能芯片，做深度學習也是人工智能芯片，做某幾種特定算法也是人工智能芯片。
而要知道AI市場的第一顆芯片也是包括現成的CPU，GPU，FPGA和DSP的各種組合。儘管新設計正在由諸如英特爾、谷歌、英偉達、高通，以及IBM等公司開發。因此在國外巨頭眼中的AI芯片更多是基於傳統的通用芯片架構中去升級或者拼裝組合。
甚至OneSpin Solutions總裁兼首席執行官Raik Brinkmann也在質疑並提出了以下問題：“在人工智能芯片中，你有三個問題需要解決。首先，你需要處理大量的數據。其次，構建用於並行處理的互連。第三是功率，這是你移動數據量的直接結果。所以你亟須從馮諾依曼架構轉變到數據流架構。但它究竟是什麼樣子？”
因此，AI芯片究竟是什麼樣子，以及該如何定義還沒有統一的標準。但在國內市場來看，更多是一個缺乏嚴格定義的偽概念。這種令外界心跳業內竊喜的概念，更多是為了商機而製造出來的“新技術”。而正是因為缺乏定義與標準，所以它有了將概念包裝講故事的空間。
當然對於很多人來說，有一個好的故事來圈錢已經足夠，從這個定義層面來看，AI芯片的門檻比通用芯片門檻低，儘管在國外的AI芯片，它要圍繞深度學習或者人工智能算法，對這顆芯片內部的架構和計算、存儲單元進行專門設計。
但在國內，更多是拼組裝能力與代工能力，從前端的芯片體系結構設計到接口布線都可以交給代工方完成。很多投機者也看到了其中蘊藏的商機往往注重短時間的成效與數據包裝，不注重基礎技術的研究，這背後帶來的隱患也值得關注。
比如它是否會干擾正常的產業迭代，快速投產下的芯片成品質量究竟如何，性能與功耗指標能否達成市場最基本的需求標準。
前面提到AI芯片可能包括現成的CPU，GPU，FPGA和DSP的各種組合，但至少需要一個CPU來控制整個運算系統，但是當流數據並行化時，就會需要各種類型的協處理器。而在CPU與協處理器這種高精尖技術層面上的難題，最終如何解決？
如果良品率過低就投入市場是否會導致AI硬件終端產品故障與隱患？芯片是高技術門檻行業，缺乏量產能力出現風險能否及時剎車，人才原本斷層的環境下如何快速形成完善的人才培養機制？
另外，行業產業化正常路徑是否會被資本主導帶偏，反而使得整個行業的發展被負面輿論包裹？一旦賺不到錢，未來資本紛紛退出，原有的芯片佈局與正常的產業投資規律與路徑遭遇破壞，是否會對行業的迭代與進化過程造成打擊？從目前來看，這些問題都值得思考。
從目前來看，盲目一窩蜂的扎堆做芯片，這種浮躁的行業現象很可能導致泥沙俱下以及大片的創業炮灰，喧囂過後，一地雞毛。
作者：王新喜 TMT資深評論人 本文未經許可謝絕轉載 我的微信公眾號：熱點微評（redianweiping）
閱讀更多 王新喜 的文章
