原标题：在AI时代英伟达和英特尔谁将成为王者？

　　短短几年，人工智能就从一个被搁置 " 冷宫 " 的学术研究，变成商业化最前沿的 " 网红 "，在安防、金融、教育、制造、家居、娱乐等各个与人们生活息息相关的领域，掀起了一股智能化升级和万物互联的飓风。

　　这场前所未有的技术革命需要仰赖源源不断提供高密度计算能力的 AI 硬件提供商。AI 硬件应用场景通常分为云端和终端，云端主要指大规模数据中心和服务器，终端包括手机、车载、安防摄像头、机器人等各种场景。

　　无论是在线翻译、语音助手、个性化推荐，还是各种降低开发者使用门槛的 AI 开发平台，背后都需要云端 AI 芯片夜以继日地为数据中心提供强大的算力支撑。于是，AI 芯片成为科技巨头们的必争之地。这其中以支持游戏视觉 GPU 出名的英伟达暂时领先，而老牌芯片巨头英特尔则通过买买买扶摇直上。

　　两大芯片巨头在 AI 时代开启了一场全新的较量。2019 年，二者在云端 AI 芯片战场开始了一场新的战役。谁能主导这场云端 AI 芯片战事，谁就能在将来的云计算和 AI 市场的战争中赢得更多话语权。

　　号角再次吹响

　　财报数据显示，英伟达 2020 财年也就是 2019 年第三季度营收 30.14 亿美元，同比下滑 5%，环比增长 17%；净利润 8.99 亿美元，同比下滑 27%，环比增长 63%；调整后净利润为 11.03 亿美元，同比下滑 4%，环比增长 63%。

　　这已经是英伟达营收连续第四个季度下降。但是，财报发布后股价并未有太大波动，且华尔街仍看好其前景。

　　对此，笔者认为，本季英伟达营收贡献最大的游戏部门虽与以往同期相比有所下降，但却高于预期的 15.4 亿美元；代表英伟达未来发展方向的数据中心业务实现 7.26 亿美元收入，虽略低于预期的 7.542 亿美元，但与上季度相比，也在持续增长中。游戏部门是英伟达的基本盘，基本盘稳定，投资人自然也就放心了，所以对股价影响不大；而目前英伟达正处于转型之中，数据中心业务一直在持续增长，这是华尔街仍然看好英伟达的原因。

　　过去几年，由于赶上了深度学习的东风，英伟达通用图形处理单元（GPGPU）扶摇直上，把 2015 年还是 20 美元的股价提高到了 2018 年 10 月 292 美元的高点，一跃成为 AI 领域第一股。其火箭般的涨势让半导体巨头英特尔坐不住了，意图通过收购突破自身限制，重塑市场版图。二者的竞争在 2019 年变得更为直白和更加激烈。

　　我们知道，图形和视觉处理领域是英伟达的传统强项。而在 11 月 13 日 2019 英特尔人工智能峰会期间，英特尔展示了两款分别面向 AI 训练和推理的 Nervana 神经网络处理器（NNP），以及下一代 Movidius 视觉处理单元（VPU），就是在向英伟达宣战。

　　其中，两款 Nervana 神经网络处理器包括面向训练的 NNP-T1000 和面向推理的 NNP-I1000。这两颗芯片都是专为云端环境定制的 ASIC（特殊应用集成电路）芯片，可以并接多个芯片，加速 AI 模型的开发。会上，英特尔宣告两款芯片正式开始商用交付，为百度、Facebook 等人工智能客户定制开发产品。英特尔物联网集团副总裁 Jonathan Ballon 还特地强调了为 AI 和机器学习 " 专门制造 " 芯片的重要性，暗示其产品对英伟达 GPU 产品的优势。

　　对于下一代 Movidius VPU，该芯片旨在为低功率设备中的 AI 图像和视频处理系统提供动力，面向开发电脑机器人视觉相关用途，例如依靠机器学习来绕过障碍物的无人机和无人驾驶汽车等。会上，英特尔也非常自信地将其和英伟达的产品做出比较，据说这款代号为 Keem Bay 的 VPU 能提供的算力是英伟达 Xavier 芯片的 4 倍，在充分利用的情况下，该芯片可帮客户获得 50% 的额外性能。并且这款新一代的视觉处理单元将于 2020 年上半年上市。

　　这些芯片是英特尔在 2016 年收购两家 AI 初创公司后，成果的集中展示。英特尔称，一系列产品的推出旨在针对从云端到边缘的 AI 计算市场，实现加速 AI 开发、部署和性能提升，以便在与 AI 芯片的对手英伟达的竞争中实现超越。也就是说，" 双英 " 战事开始正式升级。

　　AI 计算大致分为两个层面，首先是对模型进行训练（Training），整个过程可能耗时数天或数周；之后是对训练出的模型做出推理（Inference）。在 AI 市场的驱动下，一些公司开发专有 AI 芯片，实现更好的 AI 计算效能。AI 计算目前已经成为 GPU 巨头英伟达的利润驱动因素。

　　运用 GPU 进行部分运算密集工作负载，提供比传统 CPU 在每瓦效能上更大的提升效果，通过采用英伟达 GPU 投入机器学习（ML）算法加速应用，可让 AI 神经网络的训练和推理更加快速且准确率更高，从而掀起由英伟达领军的全球 AI 研究与应用的爆炸式成长。

　　目前，在更考验计算力的 AI 训练市场，英伟达更具优势，其数据中心业务也在不断增长。不过，英特尔表示，其基于 AI 解决方案的产品组合得到进一步强化，今年会创造超过 35 亿美元的营收。目前在数据中心领域，凭借 CPU 市场优势，其已赢下了 AI 推理市场，因为多数云端推理都是由至强 CPU 完成的。

　　在传统芯片架构上，英特尔仍然是可以提供最完整解决方案的公司，而在 GPU 领域，英特尔也将向英伟达发起挑战。"CPU 是 AI 的基础所在，绝大多数的企业已经在现有的架构基础上，通过软件来部署 AI 的应用。我们很快也会有更强大的 GPU 来加入我们的产品家族。" 英特尔全球副总裁兼人工智能产品事业部总经理 Naveen Rao 在会上说。

　　在三季度业绩发布电话会议中，英伟达 CEO 黄仁勋指出，英伟达已经转型为软件公司，无论是 AI、数据分析还是游戏图形，这些平台其实都是从功能强大的软件开始，所以一直以来，英伟达大部分业务其实都高度软件相关，这也使得英伟达的利润能力正逐渐提高。他强调，就如同英伟达产品近期赢得的推理性能测试，这不仅是仰赖芯片本身，还有软件堆栈和编译程序的贡献。

　　无独有偶，Naveen Rao 也在 2019 英特尔人工智能峰会上强调软件对使用 AI 芯片功能开发的重要性。目前，英伟达凭借 CUDA 程序框架以及一系列用于并行计算和神经网络的应用程序编程接口，是其 AI 崛起的关键。对此，英特尔宣布推出 Dev Cloud for Edge，使得开发人员可以在购买硬件前，能够在各类英特尔处理器上尝试、部署原型和测试 AI 解决方案。

　　无论是硬件还是软件，无论是云端还是终端，无论是训练还是推理，英伟达和英特尔都是你追我赶，步步紧逼，忙得不亦乐乎。

　　数据红利的诱惑

　　同为芯片及计算领域巨头，" 双英 " 在 AI 时代互掐不是头一回了，毕竟英特尔的 CPU 与英伟达的 GPU 在管理协调和计算能力方面的优劣争吵，伴随深度学习的诞生就天然存在。不过这次掐得尤其厉害。

　　今年 3 月，英伟达击败英特尔，豪掷 69 亿美元与以色列公司 Mellanox 达成其史上最大规模收购。Mellanox 是一家成立于 1999 年的芯片提供商，总部位于以色列 Yokneam 和加利福尼亚桑尼维尔。这家主要做服务器和存储连接方案的网络设备供应商，几乎覆盖了包括网络控制芯片、网卡、交换机、软件等在内的各类数据中心网络产品，全球前十的大型公司有九家都选用了 Mellanox 的方案，谷歌、亚马逊、微软都是其客户。

　　其中，用于高性能计算的计算机网络通信标准 InfiniBand 市场几乎被 Mellanox 和英特尔二分天下，尤其是 Mellanox 几乎占据了超过 70% 的市场，而其生产的芯片则用于加速计算机服务器之间的信息流动。2018 年，Mellanox 的收入飙升 26％，首次超过 10 亿美元，另外 Mellanox 已经在纳斯达克上市。英伟达表示，这笔收购一旦完成，预计将立即增加其利润和自由现金流。

　　" 双英 " 巨资争夺 Mellanox 显然是因为 " 数据红利 "。" 数据中心比以往任何时候都重要 "，英伟达创始人兼 CEO 黄仁勋说，" 我们很高兴能将 NVIDIA 的加速计算平台与 Mellanox 世界知名的加速网络平台结合在一起，创建下一代数据中心规模的计算解决方案 "。他表示，英伟达将利用其新获得的技术使那些 " 装满机械的巨型仓库 "（数据中心）更加高效和有效。

　　同是 3 月，在 GTC 技术峰会上，英伟达宣布推出自动驾驶行业 " 第一个 " 安全力场（SFF）安全模型，结果被英特尔全资子公司 Mobileye 的 CEO 发文讽刺，说 SFF 是抄袭 Mobileye 的决策模型 RSS。到了 3 月末，据说英伟达技术营销总监汤姆 · 皮特森宣布离职，加盟英特尔。这位技术大牛曾参与英伟达的重要显示技术 G-Sync 的研发，其名下专利多达 50 项。

　　总之就是，刚一开年，" 双英 " 就开始了好不淡定的互掐。英特尔这边从 2016 年底就希望将业务从以晶体管为中心转向以数据为中心，实现作为芯片巨头的新时代转型，提振业绩。为此，英特尔还专门拿出了不少专业机构的研究数据来佐证 " 数据是新石油 " 这一转型的合理性和前瞻性。

　　目前看，英特尔取得了不错的阶段性成果，从 2016 年起，英特尔连续三年创下营收新高，2018 年度营收首次突破 700 亿美元，达到 708 亿美元。其中，2018 年以数据为中心的业务占比高达 48%，预计在 2019 年将超过 " 以 PC 为中心 " 的业务。

　　而另一边，英伟达也没闲着。在 GTC 峰会上，黄仁勋高调提出，要 " 发展以数据中心为载体的数据科学 "。追逐数据红利对英伟达而言是 " 必须 "，一方面因数字加密货币采矿热潮退却，英伟达挖矿图形芯片的市场需求锐减，再加上中国游戏芯片需求疲软，英伟达整体业务受到显著影响，" 库存积压、股价遭腰斩、业绩低迷 " 成了其过去一年的主基调。

　　另一方面，英特尔等竞争对手也开始发力 GPU 市场，甚至一些 AI 芯片初创公司也在试图蚕食英伟达的市场优势，这让其压力倍增。于是，承担数据收集、存储等多个重要环节的数据中心便首当其冲成为英伟达的重点布局对象。

　　英伟达目前的数据中心业务发展势头也不错，最新财报显示，其已有约 1/4 的营收来自数据中心。" 数据科学是计算机科学领域发展最快的领域，它也是高性能计算机群的新一轮挑战 "，黄仁勋说，" 我们希望在数据中心业务上加倍努力 "。

　　英特尔进攻英伟达的 GPU 大本营，英伟达就直接夺了 Mellanox，一来一往，正面进攻和侧翼突击，没毛病。

　　英特尔本来具备资料中心所需的连网解决方案，倘若能收购 Mellanox，就能摇身一变，成为资料中心连网方案的龙头供应商，但却被英伟达抢走。资料中心基本上仍是服务器的处理器最关键，所以在该市场还是以英特尔马首是瞻，其生态系统也以英特尔为核心展开。但资料中心的另一关键，就是资料中心与服务器间的资料交换速度能否有效提升，借此发挥整体综效，强化服务业者的服务质量。

　　以 Mellanox 的解决方案来看，该公司不只是一家单纯的网通芯片供应商，其旗下亦有板卡、网络交换器与网通软件方案，主要客户群除了服务器还有资料中心厂商，例如腾讯、Netflix 与百度等，某种程度上说 Mellanox 是网通方案供应商更贴切。

　　英伟达抢夺 Mellanox 是因为其也开始为客户提供系统级产品，像是与服务器相关的 HGX 与 DGX 系列，车用领域针对自驾车专用的 Pegasus 系统等，收购 Mellanox 对英伟达的好处一是可以强化和既有客户如 Dell、HPE 与百度等的合作关系，二是也可强化其在资料中心市场的话语权。

　　英特尔与英伟达的核心竞争力分属 CPU 与 GPU，本是合作大于竞争的共存关系，但这几年 AI 议题发酵，使得双方竞争意味增强，而对 Mellanox 的争夺则更加剧了二者的竞争态势，因此当英伟达最终完成收购后，" 双英 " 在 2020 年及之后的互动关系将会更有看点。

　　30 年风云跌宕

　　芯片巨头的战场从不寂寞，在激烈的捉对厮杀中，英特尔、英伟达的对峙已经延续了近 30 载。芯片市场早期，在英特尔与 AMD 的激烈争斗中，英伟达只是一个趁人不备偷偷发展的行业 " 小弟 "，之后发展成为 GPU 之王，并在 AI 新时代如鱼得水。

　　英伟达之所以能够后来居上、惊艳世人，最重要的原因是抓住了时代风口：计算和图像处理能力使其在云计算和 AI 业务上更有优势。正如亚马逊抓住电商零售的时代之匙，沃尔玛 " 沉沦 "；阿里和腾讯抓住 IM 的时代之匙，百度 " 沉沦 "。在 10 年以上的行业大机遇面前，英伟达恰好站在了风口之上。

　　创建于 1968 年的英特尔因为重视技术和研发在 1985 年前后登上了传统芯片行业的 " 铁王座 "。1985-2005 年的 20 年间，英特尔忙于和 AMD 打官司、刚技术之时，创立于 1990 年的行业新人英伟达选择图像领域发展，并顺利转向 GPU。

　　1996 年，在摸索了 3 年后，年轻的英伟达把业务重心定位在了图形处理器上，之后几年风生水起，游戏整机厂纷纷下订单，1999 年营收破 1.5 亿美元且顺利在纳斯达克挂牌上市。

　　然而，凛冬说至就至。随后的 2000-2003 年三年，英伟达却撞上 " 至暗时刻 "：未能如期如要求完成微软的 Xbox 用图形芯片订单，导致微软反水转投死对头 ATI；日后的旗舰产品 Geforce 系列此时正不停爆出质量事故，黄仁勋还因此喜提了 " 两弹一勋 " 称号。他只能一面忍辱负重向微软服软认错、争取订单，一面和英特尔达成了专利交叉许可协议。

　　平静了没两年，英伟达又遭遇了 AMD 翻脸、英特尔停止专利交叉共享的变故，只好自己撸袖子进入 3D 图形加速器领域、投入大量人力财力研发 CUDA（通用并行计算平台），烧钱又没有短期收益，股价一度从 37 美元跌到 6 美元。CUDA 最终于 2006 年上市，是全球首款 GPU 上的通用计算解决方案，为编程人员带来更便捷的入门体验，逐渐为英伟达 GPU 积累了强健稳固的开发者生态。

　　而此时，在经历过和数十家对手的激烈厮杀，与 AMD 成为图形显卡领域的两大霸主之后，英伟达总营收规模已达 30 亿美元，于是黄仁勋做了一个冒险但却对英伟达影响深远的决定：每年为 CUDA 项目砸 5 亿美元，累计总额近 100 亿美元，通过一系列改动和软件开发，将 GPU 转化成更通用的计算工具。

　　2012 年，随着人工智能、深度神经网络技术的突破发展，此时已经进化为提供算力基础设施的英伟达终于熬到了咸鱼翻身的机会，基于 CUDA 架构的大规模并行运算芯片 Tesla 迎来了 AI 时代。黄仁勋在 CUDA 上的坚持开始产生回报。

　　这一年，在 ImageNet 大赛中，加拿大多伦多大学教授、机器学习领域泰斗、神经网络之父 Geoffrey Hinton 带领课题组用 GPU 训练卷积神经网络（CNN）AlexNet，他们使用两个 GPU 实现了准确率 10.8% 的大幅提升，一举拿下了 ImageNet 图像识别比赛的冠军。到了 2013 年，比赛的所有参赛者都采用深度学习算法，也都跑在英伟达的 GPU 和 CUDA 上。

　　在原来的云计算环境下，计算主力是英特尔 CPU，到了 AI 计算场景，计算主力变成了 GPU 和其他专用加速器。GPU 并非为深度学习而生，其并行计算能力却与深度学习算法的逻辑一拍即合。每个 GPU 有数千个内核并行，这些核心通常执行许多低级的、繁复的数学运算，非常适合运行深度学习算法。之后，越来越强的 "CUDA+GPU" 组合，凭借无敌的处理速度和多任务处理能力，迅速俘获一大批研究人员的芳心，很快就成为全球各大数据中心和云服务基础设施的必备组件。

　　终于迎来自己时代的英伟达，2012 年与 Google 的人工智能团队合作，建造了当时最大的人工神经网络，之后各深度学习团队开始广泛大批量使用英伟达显卡。2013 年，英伟达与 IBM 在建立企业级数据中心方面达成合作。2017 年，英伟达发布了面向 L5 完全无人驾驶开发平台 Pegasus。过去 3 年多，英伟达在高端 GPU、高性能计算 HPC 和数据中心等业务领域保持着一骑绝尘的姿态，被坊间称为是深度学习得以突破发展的三大元勋之一。

　　2012 年前后，英特尔正忙于与高通争夺移动芯片市场，同时还要应对来自 AMD 的绝地大反弹。2014 年后，因为摩尔定律失效，英特尔的 10 纳米芯片已经跳票三年，一再拖延上市日期，根本无暇顾及新兴的 AI 市场。直到 2015 年英特尔方才如梦初醒，启动了全方位的 AI 战略。

　　英特尔先是设法让自己的 X86 与英伟达跑得一样快，然后是并购为深度学习而生的专用芯片，像神经网络处理器 Nervana、计算机视觉 Movidius、自动驾驶技术方案 Mobileye 等。再然后是做生态，这也是英特尔最擅长的事。

　　英伟达得益于 GPU 芯片在深度学习热潮中大受欢迎，股价一路飙升，在全球服务器用 GPU 市场占了 96% 的份额。数据中心已是英达第二大业务，从 2017 年二季度开始，保持每个季度同比增长 100%+。

　　起步早加上生态稳健让英伟达很快便成为云端 AI 芯片市场的领导者，陆续展示出令人惊叹的 Tensor Core、NVSwitch 等技术，不断打造新的性能标杆。此外，它还通过构建了 GPU 云使得开发者随时可以下载新版的深度学习优化软件堆栈容器，极大地降低了 AI 研发与应用的门槛。

　　对峙与纠缠

　　英伟达牛气冲天最终登顶，英特尔自然不会视而不见。2017 年 11 月，英特尔甚至宣布和 AMD 结盟，联手对付英伟达。当时没有搭上数据中心这班车、技术制程也出现停滞的英特尔并没有坐以待毙，而是采取了收购这个他山之石以为己用的策略。

　　如前所述，深度学习通过训练深度学习模型，然后部署到实际生产环境中叫做推理（AI inference）。过去两年，英伟达在训练市场占据了 份额，但随着 AI 部署到实际生产环境中，产品比拼的不仅是速度，还有性价比、性能功耗比和低延迟，而这恰是英伟达所害怕的。

　　英特尔瞅准要害，2015 年 12 月砸下 167 亿美元买走当时的可编程逻辑器件（FPGA）的千年老二 Altera，如今英特尔凭着 "Xeon+Altera FPGA" 异构芯片的打法，将数据中心某些任务提速十倍有余，其陆续推出的号称史上最快 FPGA 芯片的 Stratix 10 系列，更是获得了微软的青睐。

　　去年 12 月，英特尔还在重庆落户了其全球最大的 FPGA 创新中心，今年 4 月又亮出悄然打磨了数年，集成了英特尔 的 10nm 工艺、3D 封装、第二代 HyperFlex 等多种创新技术的新武器——全新架构的 FPGA Agilex。

　　如今，英特尔的 FPGA 已经在服务器市场初步站稳脚跟，而另一项重要的交易还处于蛰伏期。2016 年 8 月，英特尔花了三四亿美元买下专注于打造深度学习专用于硬件的加州创企 Nervana，被用来对抗在性能提升方面有如神速的英伟达。收购后不久，前 Nervana CEO 就被晋升为英特尔 AI 事业部总负责人，首款采用台积电 28nm 工艺的深度学习专用芯片 Lake Crest 在 2018 年量产，据称性能是当时最快的 GPU 的 10 倍。

　　2017 年 3 月，Nervana 以及 Xeon、Xeon Phi 和 Altera 四个部分的人工智能相关业务和资源被整合进一个部门，即人工智能产品事业部（AIPG），这个新部门将整合公司包括工程、实验室、软件等资源，打造英特尔 Nervana 平台，既包括 Nervana 云计算服务、数据库，又包括 Nervana 专用芯片。整合之后，英特尔 AIPG 于 2017 年推出 Crest 家族系列产品线，每隔一段时间推出一款升级产品来 PK 英伟达最新的 GPU。

　　实际上，尽管 GPU 的高能耗遭到业界越来越多的吐槽，但因其无与伦比的并行运算能力，使得云端 AI 训练领域至今尚未出现能与英伟达 GPU 分庭抗礼的玩家。挑战这一领域的玩家主要是传统芯片巨头和创企，跨界的科技巨头有谷歌、百度和华为，主要采用的架构是通用 GPU 和 ASIC。

　　而在更注重能耗、时延、成本、性价比等综合能力的云端 AI 推理领域，入局的玩家相对更多，FPGA 和 ASIC 的优势相对高于 GPU。拥有全面 AI 芯片布局的英特尔势头正猛，中美几大互联网巨头也基本上全部加入战局，或凭借自身规模优势和充足资源为高成本研发提供资金支持，或公布了 AI 芯片开发计划。