某種意義上說，過去 50 年半導體行業的發展成為人類計算革命的燃料來源。
從概念上看，半導體又被理解為晶片，是一種高度小型化的電子產品，它可以非常快速地完成大量數學運算，利用這種計算可以在現實物理世界裡完成目標。
簡而言之，晶片是為我們的電子裝置的大腦。它們幫助計算機和其他機器評估替代品，為電話、計算機、汽車、飛機、網際網路提供計算能力。
半導體是在矽晶片上製造的非常複雜的物體。 這些晶圓的製造非常昂貴，前期投資需要數十億美元。人類社會過去 60 多年的偉大技術奇蹟之一，就是不斷縮小晶片尺寸並不斷提升計算效能，也就是我們常說的「摩爾定律」。
在這個行業，能夠生產製造半導體的公司屈指可數，而且由於技術複雜，導致建造半導體工廠的成本直線上升，這也讓半導體行業形成獨特的商業模型，在整個鏈條上只有兩類公司：一類是晶片設計公司，如英特爾，另一類則是晶片設計公司和晶片代工公司，或者晶圓代工公司，下圖是 2018 年上半年全球十大代工廠。
不管摩爾定律是否失效，半導體行業依然在發展中，在通往 7 奈米制程的道路上，目前只有臺積電、英特爾和三星，當然，英特爾目前也遭遇相當多的困難，這也意味著，從 PC 到網際網路，再到智慧手機，隨著對計算效能要求的不斷提升，整個半導體行業的集中化趨勢，已經基本成定局。
從產業的角度去看，如今的半導體行業越來越像汽車行業，併購整合正在加速，儘管 2018 年博通收購高通、高通收購恩智浦都宣告失敗，但產業發展的趨勢不可避免，只有足夠的壟斷才能形成更大的議價權，未來三到五年，新的併購整合還將繼續。
一
這兩年來，一股半導體行業的「反潮流」開始出現：自研晶片。
智慧手機領域，蘋果在 2008 年悄然收購了晶片製造商 P.A. Semi 公司，並在兩年後推出自研的第一代晶片 A4 處理器，這款處理器很快成為 iPhone、iPad 的標配產品，隨後，蘋果又在 Apple Watch、Apple TV 等產品里加入自主研發的處理器。另外，根據著名蘋果分析師郭明錤透露的訊息，2020 年之後，蘋果將在 Mac 系列電腦裡整合自己的晶片。
而 Google，則一直在推進資料中心的晶片研發。截止到 2018 年 11 月，Google 已經推出了三代 Tensor Process Unit（以下簡稱為 TPU），這些產品瞄準的是日益強烈的機器學習需求，從而也增加了 Google 在雲端服務上的特定能力。
上述現象與半導體行業剛起步時非常相似，當時，所有的公司都在內部研發、製造晶片，隨著企業研發成本的上升，有的企業開始將晶片設計、生產分開，或者直接外包給第三方公司，這樣的分工協作也大大降低了成本。
但現在，越來越多的公司成為加入到「反潮流」的大軍裡，蘋果、Google 除外，亞馬遜、微軟以及華為、阿里巴巴，都在暗自進行晶片的研發。
二
而人工智慧，也正在給半導體行業帶來新的變革機遇。
從最基本的角度去理解人工智慧，或者準確說機器學習，它更像是一種高階的軟體形態，這個軟體上可以進行大量專業數學計算。以深度神經網路來說，它是一種非常複雜的「投票」演算法，通過對各個變數的權重進行復雜的計算，來實現決策。
機器學習或深度學習的過程，就是一次次的計算過程，如何才能提升計算速度呢？當然是讓計算並行化，這種需求也和影像計算非常相似，儘管原理不一定相同，但事實也的確證明了，將影像計算的處理器 GPU 放在機器學習之中，效果非常好，由此也造就了過去四年英偉達的「奇蹟」。
但行業內除了英偉達之外，沒有人願意看到只有 GPU 適合機器學習，從傳統晶片企業英特爾到網際網路巨頭 Google、Facebook、亞馬遜，都有著自己的考量。
而如果從 AI 晶片的功能層面來看，人工智慧晶片主要有兩個方面的需求：訓練和推理。這兩個需求相互聯絡，構成了人工智慧晶片的完整流程。
先說訓練，當海量被標註的資料被收集到資料中心，工程師們就要開始「訓練」資料，簡而言之，就是在海量的資料中尋找可用的模型。
而推理，則是將模型反應出結果呈現出來，我們常常說所謂「機器決策」，也就是說，當使用者輸入一個不太明確的指令後，機器能夠給出一個看似合理的答案。
上面的兩段話有點複雜，不妨來看兩個案例，如果你在手機上用過 Google Photo，你會發現這個產品不僅會讓你照片備份起來，還會提供一系列有趣的功能，如下圖所示，你可以看到「往年今日」的推薦、以及可以直接用自然語言搜尋圖片。
要實現 Google Photo 的上述功能，你需要將資料，也就是照片先上傳到 Google 伺服器，經過一段時間之後才能看到上圖的推薦，這是因為，Google 的資料訓練都是在雲端，而推理的結果則需要網路的支援才能呈現出來，換句話說，你需要聯網才能使用。
蘋果的做法則完全不同。基於蘋果自主研發的晶片以及神經網路處理引擎，目前 iPhone、iPad 都可以實現本地的 AI 計算，同樣是照片資料的訓練和推理，蘋果將所有的過程都放在本地裝置，如下圖所示，你會看到也是類似的照片推薦、自然語言搜尋等功能。
事實上，我們很難直接判斷哪種方式跟好，只能說，每一種方式都有著一定的使用範圍，比如在自動駕駛汽車上，人工智慧晶片的處理過程必須放在本地，只有這樣，才能避免與雲端交換資料的延時，也能避免車禍的發生。
從上述角度出發，AI 晶片領域有三類大市場：資料中心訓練、資料中心推理、裝置/邊緣推理。
如果說過去的晶片行業像極了汽車行業，導致沒有後來者、創業者的機會，那麼在 AI 晶片開創的三個領域裡，卻提供了足夠多的想象空間，也讓資本市場看到了可能性，下圖還僅僅是截止到 2017 年的資料。
三
如果從 AI 晶片的三個大市場的角度去看未來的機會。
首先，資料中心 AI 晶片市場的競爭會非常激烈，一方面，CPU 不會輕易退出市場，另一方面，資料中心所有者都是全球雲端計算巨頭，包括亞馬遜、Google、微軟、阿里巴巴，他們對於 AI 晶片的需求當然非常強烈，但正如上文所言，他們正在自主研發自己的晶片，雖然這不代表這些公司不會採購第三方晶片，卻也展現出這個市場的特殊性。
其次，裝置推理市場雖然規模巨大，但卻有著非常細分的領域，比如裝置形態不同，導致應用場景、能耗的區別非常大，手機的推理能力與汽車顯然是不同的，這也導致這個市場最終會非常龐雜，當然，巨頭、創業公司都有機會在這個領域獲得一席之地。
當然，與傳統半導體行業類似，AI 晶片最終的走向依然會是寡頭化，。