本文由半导体家当纵横（ID：ICVIEWS）编译自technologyreview
未来的芯片是什么样子？谁将制造它们以及它们将解锁哪些新技能？
由于人工智能的发达发展，芯片天下正处于巨大潮流转变的风口浪尖。人们对芯片的需求不断增加，这些芯片可以更快地演习人工智能模型，并从智好手机和卫星等设备上对它们进行操作，使我们能够在不透露私人数据的情形下利用这些模型。各国政府、科技巨子和初创企业都竞相在不断增长的半导体市场等分得一杯羹。
以下是未来一年须要关注的四个趋势，它们将定义未来的芯片是什么样子、谁将制造它们以及它们将解锁哪些新技能。
CHIPS 在世界各地开展活动
环球最大的两家芯片制造商台积电和英特尔正在竞相在沙漠中培植园区，他们希望这些园区能够成为美国芯片制造实力的所在地。这些努力的一个共同点是资金：3 月份，乔·拜登总统宣告为英特尔在全国范围内的扩展供应 85 亿美元的直接联邦资金和 110 亿美元的贷款。几周后，台积电又宣告得到 66 亿美元的投资。
这些奖项只是美国通过 2022 年签署的 2800 亿美元芯片和科学法案涌入芯片行业的补贴的一部分。这笔资金意味着任何涉足半导体生态系统的公司都在剖析如何重组其供应链以受益。虽然大部分资金旨在促进美国芯片制造，但其他参与者仍有申请的空间。
美国并不是唯一一个试图将部分芯片制造供应链本土化的国家。日本自己花费了 130 亿美元，相称于《芯片法案》，欧洲将花费超过 470 亿美元，今年早些时候，印度宣告斥资 150 亿美元培植本地芯片工厂。塔夫茨大学教授、 《芯片战役：争夺天下最关键技能之战》一书的作者 Chris Miller 表示，这一趋势的根源可以追溯到 2014 年。从那时起，中国开始向其芯片制造商供应巨额补贴。
“这造成了一种动态，其他政府得出结论，他们别无选择，只能供应勉励方法或看到企业将制造业转移到中国，”他说。这种威胁，加上人工智能的激增，导致西方政府为替代方案供应资金。
Miller表示，这笔资金不太可能催生全新的芯片竞争对手，也不太可能通过重组成为最大的芯片厂商。相反，它将紧张勉励像台积电这样的主导企业在多个国家扎根。但光靠资金还不敷以迅速做到这一点——台积电在亚利桑那州建厂的努力陷入了错过末了期限和劳资轇轕的泥潭，而英特尔也同样未能知足其承诺的末了期限。目前尚不清楚，无论何时这些工厂投产，其设备和劳动力是否能够达到这些公司在国外的前辈芯片制造水平。
Miller表示：“供应链只会在数年乃至数十年内缓慢转变。但情形正在发生变革。”
更多边缘人工智能
目前，我们与 ChatGPT 等 AI 模型的大部分交互都是通过云完成的。依赖云有一些缺陷：一方面，它须要互联网访问，而且还意味着您的一些数据会与模型制作者共享。
这便是为什么人们对人工智能边缘打算产生了很大的兴趣和投资，个中人工智能模型的过程直接发生在您的设备上，例如条记本电脑或智好手机。随着行业越来越致力于人工智能模型，帮助我们理解很多的未来，而这统统须要更快的“边缘”芯片，使得可以在不共享私人数据的情形下运行模型。这些芯片面临着与数据中央芯片不同的限定：它们常日必须更小、更便宜、更节能。
美国国防部正在帮助大量针对快速、私有边缘打算的研究。今年 3 月，其研究部门国防高等研究操持局 (DARPA) 宣告与芯片制造商 EnCharge AI 互助，打造一款用于人工智能推理的超强大边缘打算芯片。EnCharge AI 正在致力于制造一款能够增强隐私性但运行功耗极低的芯片。这将使实在用于卫星和离网监视设备等军事运用。该公司估量将于 2025 年发货这些芯片。
人工智能模型将始终依赖云来实现某些运用程序，但新的投资和对改进边缘打算的兴趣可以为我们的日常设备带来更快的芯片，从而带来更多的人工智能。如果边缘芯片变得足够小且足够便宜，我们可能会在家庭和事情场所看到更多人工智能驱动的“智能设备”。如今，人工智能模型紧张局限于数据中央。
EnCharge AI 联合创始人 Naveen Verma 表示：“我们在数据中央碰着的许多寻衅都将得到战胜。我估量人们会重点关注边缘领域。我认为这对付大规模实现人工智能至关主要。”
大型科技公司加入芯片制造领域
公司正在支付高昂的打算成本来为其业务创建和演习人工智能模型。例如，员工可以用来扫描和汇总文档的模型，以及虚拟代理等面向外部的技能。这意味着对云打算来演习这些模型的需求正在急剧增加。
供应大部分打算能力的公司是亚马逊、微软和谷歌。多年来，这些科技巨子一贯梦想通过为自己的数据中央制造芯片来提高利润率，而不是从像英伟达这样的公司购买芯片。亚马逊于 2015 年开始努力，收购了初创公司 Annapurna Labs。谷歌在 2018 年推出了自己的芯片 TPU。微软于 11 月推出了首款人工智能芯片，Meta 于 4 月推出了新版本的自家人工智能演习芯片。
这种趋势可能会让英伟达失落去上风。但在大型科技公司眼中，英伟达不仅扮演着竞争对手的角色：无论云巨子自己的内部努力如何，他们的数据中央仍旧须要其芯片。部分缘故原由是他们自己的芯片制造事情无法知足他们的所有需求，但也是由于他们的客户希望能够利用顶级的 Nvidia 芯片。
“这实际上是为了给客户供应选择，”微软 Azure 硬件事情卖力人 Rani Borkar 说。她表示，她无法想象微软为其云做事供应所有芯片的未来：“我们将连续保持强有力的互助伙伴关系，并支配来自与我们互助的所有芯片互助伙伴的芯片。”
当云打算巨子试图从芯片制造商手中攫取一些市场份额时，英伟达也在考试测验相反的做法。去年，该公司推出了自己的云做事，这样客户就可以绕过亚马逊、谷歌或微软。随着市场份额争夺战的展开，未来的一年将关乎客户是否将大型科技公司的芯片视为类似于英伟达最前辈的芯片。
英伟达与初创公司的较劲
只管英伟达霸占主导地位，但仍有一波投资流向初创公司，这些初创公司旨在未来芯片市场的某些领域超越英伟达。这些初创公司都承诺供应更快的人工智能演习，但对付哪种打算技能能够实现这一目标，从量子到光子学再到可逆打算，他们有不同的想法。
许多公司，例如 SambaNova、Cerebras 和 Graphcore，都在考试测验改变芯片的底层架构。想象一下人工智能加速器芯片须要不断地在不同区域之间来回移动数据：一条信息存储在内存区域中，但必须移动到处理区域，在那里进行打算，然后存储回内存区进行保管。这统统都须要韶光和精力。
提高这一过程的效率将为客户供应更快、更便宜的人工智能培训，但条件是芯片制造商拥有足够好的软件来许可儿工智能培训公司无缝过渡到新芯片。如果软件转型过于笨拙，OpenAI、Anthropic 和 Mistral 等模型制造商可能会坚持利用大型芯片制造商。这意味着采取这种方法的公司（如 SambaNova）不仅将大量韶光花在芯片设计上但在软件设计上也是如此。
芯片初创公司Eva创始人Onen 发起进行更深层次的改变。他没有利用传统晶体管，几十年来，传统晶体管通过变得越来越小而供应了更高的效率，而是利用了一种称为质子门控晶体管的新组件，他说 Eva 是专门为人工智能演习的需求而设计的。它许可设备在同一位置存储和处理数据，从而节省韶光和打算能源。利用此类组件进行人工智能推理的想法可以追溯到 20 世纪 60 年代，但研究职员永久无法弄清楚如何将其用于人工智能演习，部分缘故原由是材料障碍——它须要一种材料，除其他品质外，能够精确地掌握室温下的电导率。
有一天，在实验室，“通过优化这些数字，并且非常幸运，我们得到了我们想要的材料。” Onen说。经由几个月的努力确认数据精确后，他创立了 Eva，该成果揭橥在《科学》杂志上。
但在这个领域，许多创始人都承诺要推翻领先芯片制造商的主导地位，但都失落败了，Onen坦言，他还须要数年韶光才能知道设计是否按预期事情以及制造商是否会赞许生产它。
声明：本文系原作者创作。文章内容系其个人不雅观点，我方转载仅为分享与谈论，不代表我方附和或认同，如有异议，请联系后台。
