从去年下半年到今年，AI芯片遍地开花，国内不少AI初创企业纷纷推出了自己的AI专用芯片，但全球最大FPGA厂商赛灵思总裁兼CEO Victor Peng则浇了一盆冷水，认为初创企业不应从头开始自己做AI专用芯片。
10月16日，在赛灵思开发者大会上，Victor 对记者表示，很多初创企业没有资金去开发和量产AI芯片，因为研发成本巨大。AI初创企业应当专注于创新算法和架构，而不是设计芯片， 有几家初创企业是因为做ASIC（专用定制芯片）取得成功的？
把握AI机遇
技术的进步让CPU、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路）这些不同处理器厂商之间的竞争也越来越激烈。作为FPGA的领头羊，Victor表示，赛灵思的竞争对手不再是FPGA的第二大厂商Altera(已被英特尔收购)，而是英伟达和英特尔的处理器业务。
由于灵活性高，在AI算法并未成熟固定的当下，FPGA被认为是一种中间方案，其最大的优势在于能够使系统的硬件功能可以像软件一样通过编程修改。与GPU、CPU通用芯片相比，性能更高、能耗更低。
赛灵思认为FPGA芯片将是重头戏。为了更好地应对AI时代的挑战，该公司于16日进一步推出了首款新类别平台 Versal ACAP（Adaptive Compute Acceleration Platform，自适应计算加速平台）。
据悉，Versal 产品组合基于台积电（TSMC）的 7 nm FinFET 工艺技术，是一个将软件可编程性与特定领域硬件加速和灵活应变能力相结合的平台。Victor 指出： 随着 AI 和大数据的爆炸性发展以及摩尔定律的放缓，行业已经走到了一个关键的转折点。芯片设计的周期已经无法跟上创新的脚步。Versal支持所有类型的开发者通过优化的软硬件来为他们的整体应用提速，同时具备即时的灵活应变能力。
正因为站上了AI风口，英伟达的股价在近两年大涨。而就在今年二月，谷歌宣布对外开放TPU（张量处理器）服务，加入AI芯片之战。TPU是谷歌为机器学习定制的芯片，是一种ASIC。
在接受第一财经等记者采访时，Victor表示，AI芯片市场不会只有一种芯片架构一统天下，但不看好专用芯片。
与CPU、GPU相比，FPGA最大的优势是具有高度自适应的应变能力。 GPU确实做某些应用和工作负载的加速有自己的优势。在机器学习领域，GPU确实在集成一些新的模块模板加快机器学习，但是在一段固定的时间里，它的性能是固定的。FPGA可以针对不同的工作负载进行加速，在这方面的表现会比GPU优越很多，而且也可以在机器学习过程当中应用于不同的网络。
而对于中国初创企业扎堆做AI专用芯片，Victor直言，并不是技术的原因。有业内人士告诉记者，一些初创企业主要还是为了融资。
如果真正让这些企业在高科技领域创造价值，必须要做别人没做过的事情，而不是做几家大企业在做的事情，这样对资源和资本是一种浪费。 Victor告诉记者，并不是认为初创企业不能做ASIC， 如果能做的比英特尔、英伟达、赛灵思都出众也好，但更多的初创企业应该关注特定的领域和应用，而不是从头去开发芯片，因为有大的多的企业在做。
7月18日，赛灵思宣布完成对国内AI初创企业深鉴科技的收购。作为国内具有一定影响力的AI芯片初创公司，深鉴科技被收购让不少人觉得十分突然和意外。也有业内人士表示，深鉴科技有可能业务发展遇到了瓶颈，同时，这一事件 让大家看清一个事实，芯片这个东西不是那么简单。
赛灵思负责软件及IP产品部的副总裁Salil Raje在接受第一财经记者专访时指出，大部分AI芯片企业都将被淘汰。AI在接下来几年会有显著的变化，因此需要灵活可变的硬件， AI专用芯片在某一特定的垂直领域会有应用，例如智慧城市的摄像头芯片，但无法成为通用芯片。
加速与深鉴科技团队整合
同时，针对刚收购的中国AI初创企业深鉴科技，Victor也做出了一些回应。他告诉第一财经记者，深鉴科技目前尚未带来实质性收入，但希望团队和赛灵思能够尽快完成整合，促进该公司在中国市场的业务增长。
深鉴科技于2016年成立，专注于神经网络剪枝、深度压缩技术及系统级优化，近年也致力于开发 AI 芯片。
Victor称，由于深鉴科技主要是工程部门，收购后该公司会汇报给Salil，而深鉴的市场和其他商业部门会由赛灵思接手，并进一步扩张。他表示，赛灵思会帮助深鉴科技服务全球的客户，同时也会使用其技术，商业方面也会做联合营销。
Victor告诉记者，之所以看重深鉴，主要在于他们网络优化、DNN还有一些架构和实用性技术。不过，由于深鉴科技主要关注研发，没有太多收入，因此短期内不会给赛灵思带来实质性收入。但是，Victor也表示，通过并购之后的合作，赛灵思会将深鉴科技的产品推荐给更多客户，提高后者的收入，而这反过来也会提升赛灵思的整体竞争力。
在被赛灵思收购后，深鉴科技将专注于FPGA领域，不再自己研制AI专用芯片。Salil告诉记者， 他们意识到，芯片(ASIC)流片后，在一些新的神经网络层上表现并不好，效率非常低，这也是为什么我们不打算让他们研发ASIC芯片。
