本文内容来自网络。

 人工智能发展过程中，算力是一个重要的因素，算力就像是 AI 的燃油，没有燃油，AI 哪也去不了。而为 AI 应用提供算力的，正是各种各样的芯片。而近几年，嗅到 AI 芯片商机的企业纷纷入局，想要从底层算力上获得独立的能力，然而，并不是所有入局的企业都懂得如何才能造出真正的好芯片，因此走进一些误区。

 姚颂以一个楔子开场：张华考上了北京大学，李萍进了中等技术学校，我在百货公司当售货员，我们都有光明的前途。这就好比 CPU 擅长通用计算，GPU 擅长大规模并行计算，它们都有不同的前途。

 误区1：AI芯片概念火，却并无技术突破

 姚颂认为，AI 芯片之所以如此火爆，实际上受到多方面因素的影响。首先，我们从互联网时代进入了 AI 的新时代，所有的虚拟应用必须有一个硬件载体作为支撑。但是与此同时，还有其他的原因。在人工智能流派中，深度学习只是一小部分，所以做一颗 AI 芯片是很宽泛的概念。AI 芯片从通用到专用，它的性能和支持的范围各异，其中通用芯片是最难设计的，而专用芯片一定需要钱和时间才能做出来。而做专用的芯片，如深度学习推理芯片，进行专门的应用并不难。

 但这里其实有一个误区。我们可以看到，几十种 AI 芯片像潮水一样涌现，但是却只能支持一部分功能，它可能是一个新的概念，但并没有带来实际的技术上的突破。

 误区2：衡量 AI 芯片好坏，硬指标不够

 除此之外，AI 芯片竞争激烈，大家经常在想到底一颗好的 AI 芯片是怎样的。在实际应用场景中，我们考虑的很多问题是用户体验层面的问题，这对于 AI 芯片同样适用，有人经常讨论芯片的频率是多少，性能多好，价格多贵，但是否这些硬性指标就能衡量一款 AI 芯片的好坏呢？

 我们看到，现在芯片分为四大技术路径：CPU、GPU、FPGA、ASIC，但是 CPU 的开发、功耗、稳定性、灵活性都很好。GPU性能也非常好，正是因为这样一个强有力的工具，才有今天人工智能的夏天。

 FPGA 的性能、功耗的表现同样很好，但是开发周期太长。而 ASIC 是专用芯片，专项应用。

 这里也有一个问题，赛灵思表示，他们从来不觉得投项目是投技术和商业，而是投产品和商业，是要满足客户的需求，而不是说某一种新的方式，最终用户看的不是新概念，而是产品带来的新指标，以及给用户带来的新体验，这是很重要的事情。

 回过头来看，做芯片和做技术都是在做产品。产品分为四个层次，第一个层次就是能用，满足用户的基础功能需求；第二个层次是好用，功能比较完整，性能表现较好；第三层是爱用，让用户体验好；第四点是离不开，在产品之外提供额外的一些附加值。做一颗好的芯片也一样，要做到这四点。

 最后，姚颂分享了赛灵思从传统芯片公司转型到一下软件系统公司的过程，并强调了搞定技术实际上离产品大卖才做了 10%_的事情，当有了一个技术指标、想法、设计之后，最后把它变成一个商品，变成一个持续供货、用户认可的产品，背后还有 90%_的体力活苦活要做，把这些做完以后，才能建立一个真正好的产品和商业级氛围。