对于半导体行业而言，直播，不论是创业公司，还是已坐拥仿人脑芯片TrueNorth 的 IBM，无不忙着推陈出新，乐此不疲。

谷歌去年推出了这款用于深度学习应用的芯片，DON CLARK 摄

　　由于半导体相关设备的需求减缓，以及更小型化的集成电路带来的性能增益也在下降，半导体行业正处于史上最为荆棘丛生的时期，生产计算机芯片的企业无不艰难度日。

　　然而据该行业的管理人员称，这种重压也重新激发了半导体创新浪潮，越来越多的创业公司正瞄准半导体研发。

　　在市场规模达3350亿美元的全球半导体行业，大小型公司无不都在竭力设计和研发新型芯片、材料与制造程序。归其缘由，其一就是因得益于新型计算技术的深度学习这一人工智能技术在图像分类、语言翻译和自动驾驶中的广泛应用。

　　其中一些研发新科技的企业，开奖，径直把目标对准了像是英特尔公司这样的树大根深的巨头们，意欲颠覆后者。作为回应，英特尔已将一些秉承已久的战略做了调整。

　　「这是最好的时代，同时也是最坏的时代，」IBM的一位首席科学家 Dharmendra Modha 说，目前他正在带领团队研发一款特殊的类脑芯片。

　　创新活动的激增，部分源于智能手机和个人计算机销售量的下降，这也同时导致了史无前例的芯片制造商的大规模合并。据迪罗基（Dealogic，全球金融数据提供商）统计，过去两年中共有707次合并和收购，总市值为2460亿美元。

　　IBM 负责脑启发计算的首席科学家 Dharmendra Modha 在加州圣何塞市的IBM 阿尔马登研究中心的芯片测试室中，摄于2015年。《彭博新闻社》 DAVID PAUL MORRIS 摄

　　与此同时，该行业用于提升性能的备用策略——稳步减少每个硅片上微型晶体管的数量——其效益也在遭遇瓶颈。几十年来，芯片制造商都遵从着摩尔定律，该定律以英特尔联合创始人戈登·摩尔的名字命名，认为每过两年左右芯片上可容纳的晶体管数量便会增加一倍。但最近人们发现，相对晶体管增多导致的芯片设计成本的上涨，计算速度和功耗方面的改善不再像以前一样显著。

　　半导体行业协会（ SIA ）及其分支研究机构已招募22家企业开启全面的技术研究，或会促使计算技术的提升。他们可能会采取的措施包括，在节省空间的层架中堆叠电路，或用蛋白质等生物材料制作芯片等。

　　深度学习方面的研发尤为密集。该技术中的训练系统需要处理海量数据，而研究人员不必通过详尽的指令对其编程。后一方法不仅耗时很长，且计算结果的可信度常常相对较差。采用深度学习技术的互联网企业则尤为关注如何更快地创造出能更快计算出结果的硬件。

　　深度学习系统常常结合使用英特尔处理器和英伟达芯片或 AMD 芯片（后者最初的设计目标是渲染视频游戏的图像）。这些芯片上有成千上万的简单处理器同时执行计算，而一款高端英特尔芯片上只有几十个复杂的计算内核。

　　一些企业甚至表示，更加专业化的硬件也位于需求之列。 Alphabet旗下的谷歌最近采取了一项不同寻常的举措——为某些深度学习任务从头开始设计芯片。IBM则致力于利用 TrueNorth来进行深度学习研究，TrueNorth 是2014年发布的芯片，由一百万个模仿人类大脑神经元的结构组成。 Modha 先生说，这表明深度学习应用正以惊人的速度增长，2019年之前将会形成「大规模经营」。

　　风险投资家们也注意到了这一点。芯片产业中的技术挑战和激烈角逐使得大多数的风险投资家都把资金投到了别处。但是一些企业家和投资者则看到了为网络系统等市场研发芯片的新机遇，这里的客户或许更愿意将资源多样化，而非只依赖于一两个主要供应商。

　　Cerebras Systems 是一家有25位员工的创业公司，预备设计针对深度学习的处理器。创始人 Andrew Feldman 表示，他们惊喜地发现筹措风投基金非常容易。「我们8天之内就筹到了资金」，他说，但他谢绝说明具体数额。

　　其他为深度学习设计芯片的创业公司有 KnuEdge， Graphcore， Cornami 以及 Wave Computing。Wave Computing 表示，该公司正在研发的由专用处理器驱动的系统能够在6.75秒内完成一次典型的文本分析，而结合使用英特尔 Xeon 和英伟达处理器的系统执行这一任务则需要69分钟。