中国在世界人工智能期刊上的引用频次首次超过美国

　　定制、魔改、二次开发
　　早在2011年百度启动了FPGA AI加速器项目，2015年的FPGA部署已经超过5000片，2017年成为业界部署最多的，超过了12000片；2018年百度发布自主研发的AI芯片——百度昆仑；2019年流片成功，2020年昆仑一代开始量产并且大规模部署。
　　关于昆仑芯片的细节我们不做过多的赘述，但是值得一提的是，往往GPU是打造AI芯片的重要手段之一，但是我们也可以看出，百度从一开始却是基于FPGA打造的，FPGA的特点就是可编程，这样使用昆仑芯片的用户，就完全可以根据自己的应用场景来进行定制、魔改、二次开发。
　　由于AI应用场景的分散和复杂度高，定制化就显得格外重要。FPGA作为一种可编程芯片，非常适合部署于提供虚拟化服务的云计算平台之中。昆仑芯片配以FPGA的灵活性，可让用户可以按照自己的需求和应用场景进行专项定制，魔改，二次开发，实现更快速的市场普及，并能完成自身产品的后续迭代。
　　在性能方面，百度昆仑性能最高比英伟达T4强三倍。放大到全球的AI芯片，据麻省理工学院林肯实验室超级计算中心的一项统计研究《机器学习加速器的调查和基准测试》，在全球公开宣布的人工智能加速器和处理器的性能与功率分散图中，我们也可以看出，昆仑芯片性能也处于高位（如下图）。下图显示了最近公开发布的一些AI处理器能力（截至2019年5月），列出了芯片的峰值性能与功耗。

公开宣布的人工智能加速器和处理器的性能与功率分散图（图源：MIT《机器学习加速器的调查和基准测试》研究）

　　注：其中x轴表示峰值功率，y轴表示每秒千兆次操作的峰值。处理能力的计算精度由所采用的几何形状来描述；计算精度范围从单个位int1到单个字节int8，从4字节float 32到8字节float 64。形状因子由颜色来描述，这对于显示消耗了多少能量很重要，而且对于显示在单个芯片、单个PCI卡和整个系统中可以装载多少计算量也很重要。蓝色仅是单个芯片的性能和功耗。橙色表示芯片的性能和功率（注意，它们都在200-300W区域）。绿色表示整个系统的性能和能力——在这里是单节点桌面和服务器系统。
　　众所周知，“AI应用场景碎片化、落地难”已成行业共识，在AI芯片前仆后继的大军中，泡沫过后，许多企业已销声匿迹，仅留下了为数不多的十几家。百度又能靠什么？
　　造芯者不但需要懂硬件，还需要懂AI算法软件。据了解，百度昆仑作为百度人工智能平台的核心组件，可以原生支持开源深度学习框架飞桨（PaddlePaddle），百度机器学习平台（BML）及各垂类的AI 能力引擎。另外，昆仑不仅支持全球主流CPU、操作系统，Pytorch和 TensorFlow 等深度学习框架，也和国产化厂商密切合作支持飞腾、申威和海光等国产CPU，麒麟、深度和统信等国产操作系统。
　　此外，生态能力在芯片行业中尤为关键，而且放在自家产品上可尽显其性价比优势。
　　其实这点我们可以从华为麒麟芯片得到启发，因为有手机终端的不断试错和支持，麒麟芯片才能在迭代中不断创新，二者相辅相成，最终成就一段手机史上的佳话。百度亦是如此，相比其他单打独斗的AI芯片企业，它有大公司的生态优势。百度完全不用有一般AI芯片厂商的担忧：“我该做什么样的芯片？芯片做出来能否迎合市场的需求？又将用在什么场景？”因为百度有太多的应用场景了，智能音箱、智能驾驶Apollo、智能云等等，这些对百度整体业务都形成一个大循环。
　　特斯拉也是一样。在特斯拉自研FSD芯片前，需要采用英伟达的芯片，不仅在性能上满足不了特斯拉的需求，而且成本还高昂，完全不具有话语权。此后，特斯拉自己研发芯片竟达到了与英伟达相同乃至更好的效果，成本也把控在自己手里。
　　在造芯策略上，百度与当下国际互联网巨头如亚马逊、谷歌、微软等如出一辙，自产自用为主，但同时也注意为芯片建生态，芯片又反哺生态。未来随着智能汽车逐渐爆发，云计算、物联网市场的大幅度需求，百度或将被推上历史的潮头。