今年5月底曾在曼哈顿中部的宾夕法尼亚州立大学举行了一次意义重大的人工智能会议。参加这次会议的大多是科技领域的新起之秀，世界顶级半导体设备制造企业AMAT也参加了此次会议。会议由Pierre Ferragu主持，此前他刚刚辞去了伯恩斯坦的技术分析师职务，在New Street Research做技术研发，New Street Research是一家纯粹的研究机构，并没有别的业务。
从左边开始，分别是Netronome首席执行官Niel Viljoen，Mipsology首席执行官Ludovic Larzul， Applied Materials市场信息负责人Sundeep Bajikar，Syntiant首席执行官Kurt Busch和Applied MaterialsCIO Jay Kerley。
此次会议的重点是讨论将哪种芯片用于目前已有的智能算法，如“深度学习”。同时这也是一次很好的调查机会，如何选择决定了英特尔（INTC）、Nvidia（NVDA）和Xilinx（XLNX）未来在计算机领域能否占据主导地位。
会议发言人普遍认为，在未来五年内，‘硅’这种元素最保守估计每年在人工智能市场的需求将达到150亿美元。问题是哪些芯片会应用于人工智能领域？
Netronome Systems是高度可编程半导体领域的领先供应商，成立于2003年8月，总部位于美国宾夕法尼亚州的匹兹堡，目前其分支机构遍布北美、欧洲、亚洲和非洲，为全球客户提供技术和销售支持。Netronome目前正在制造网络加速芯片。
Niel Viljoen是Netronome公司的创始人和首席执行官，他认为随着新一代芯片的出现，将会减少对英特尔微处理器的使用。Viljoen说：“每次改变都会减少CPU的负担。”
他表示，芯片的“体系结构”涉及材料和加速器，以及一些我们没有接触过的东西的，例如像DRAM这样的存储芯片，其内存是如何组织的以及如何分布的。
虽然Nvidia的突出之处在于它的GPU在人工智能领域得到了认可，但是有人指出未来将会出现更多类型的芯片，它们将更加关注存储电路而不仅仅是计算电路。另一家公司Mipsology正在开发可以更好地使用“现场可编程门阵列（FPGA）”的软件，Intel、Xilinx和Lattice Semiconductor（LSCC）销售的就是这种可编程芯片，这更加说明了未来芯片的多样性。
Mipsology CEO Ludovic Larzul解释说，深层学习中的一些任务需要传统的“分支”指令，即遵循更窄的“if/then/else”结构的计算机命令，但是这并不适合GPU。
几周前刚刚走出“隐形模式”的Syntiant提出了一种完全不同的AI芯片方案。Syntiant公司的高管大都来自Broadcom（AVGO），他们正在研制一款专注于内存的芯片，它更多地利用了模拟芯片的专业知识，更适合做公司的模拟设备。
正如Syntiant CEO Kurt Busch所说“我们可以在内存中进行计算，100%消除了传统内存芯片中的内存带宽瓶颈”。
Syntiant专注于将这些内存芯片用于“边缘”设备，例如汽车和智能手表，以及其他具有严格功率限制但是经常连接不到云数据中心进行机器学习的设备。
Busch的边缘AI例子是交通摄像头。他说：“每个角落都有交通摄像头，他们把看到的所有车牌照都拍照，然后把这些图像发送到云端。那么为什么不让云直接告诉相机我们正在寻找某个车牌，而让看到车牌的照相机将图像发送到云呢？”
换句话说，这样的人工智能已经脱离了“训练阶段”进入了所谓的“推理阶段”，即使用已经对数据进行过训练的计算机来解决该领域的特定问题。
Busch认为在可预见的将来，系统“训练”仍将在需要大量计算的云中进行。
Applied Materials公司是全球最大的半导体生产设备和高科技技术服务企业，为财富500强全球化发展增长型企业之一。Applied Materials公司自1967年成立至今三十多年来一直都是领导信息时代的先驱，为全球信息产业的迅猛发展和高速增长提供了技术的可能。
Applied Materials的首席信息官Jay Kerley表示该公司已经在内部建立了大量的基础设施，将用人工智能相关工作的研究，例如解决人工智能芯片制造的问题。
Kerley说 “大多情况下都是软件在推动硬件”，在谷歌开发的各种框架中最受欢迎的是TensorFlow。他表示：“如果GPU能够做出改进持这些新出现的需求，那么事情就简单了。但是我们现在需要将这些GPU用于处理它们并不擅长的事情。”
同时，Applied正在使用英特尔和Nvidia的大量GPU来构建巨型数据中心。因此，如果AI在不远的将来有所进展，对芯片供应商来说将是一个非常好的机会。
