多年来，在科技领域投资的金融家们对制造电脑芯片的初创公司几乎没有什么兴趣——很难想象一家初创企业如何与像英特尔这样的巨头竞争。毕竟，全球80%以上的个人电脑运行的都是英特尔公司生产的芯片。即使是在英特尔没有占据主导地位的领域，比如智能手机和游戏设备领域，也有像高通和英伟达这样的公司，足以“碾压”那些初创企业。
但随后，科技行业的最新风潮——人工智能到来了。事实证明，新型计算机芯片可以更好地运行人工智能。突然间，风险投资家们仿佛忘记了那些阻碍年轻的芯片公司成功的因素。
如今，至少有45家初创企业正在开发能够为语音识别和自动驾驶汽车等任务提供动力的芯片，其中至少有5家已经从投资者那里筹集了超过1亿美元的资金。研究公司CB Insights的数据显示，去年，风险投资家在芯片初创企业中的投资超过15亿美元，几乎是两年前的两倍。
这次突然增长与上世纪80年代PC和硬盘制造商的突然扩张类似。虽然这些公司都是小公司，并且不是所有的公司都能生存下来，但它们有能力推动一段快速的技术变革。
是否有公司幻想着用他们的芯片挑战英特尔，还有待考证——因为英特尔花费了数十亿美元的资金建造自己的芯片工厂。（而这些初创公司与其他公司签订合同来生产芯片。）但是，在设计芯片来为机器学习提供完成越来越多的任务所需的特定计算能力时，这些初创企业正在朝着两个目标中的一个方向前进：快速地找到一个有利可图的利基市场，或者获得大公司收购。
“机器学习和人工智能重新定义了如何制造计算机的问题，”Bill Coughran说。他曾帮助谷歌管理全球基础设施数年，现在是硅谷风险投资公司红杉资本（Sequoia）的合伙人。红杉资本投资了英国初创企业Graphcore，该公司最近也加入了市值1亿美元的公司的行列。
在2016年夏天，变化已经显而易见。谷歌、微软和其他互联网巨头正在开发应用程序，通过使用算法，即所谓的神经网络，识别出照片中的人脸，并识别出智能手机上的指令。这些算法可以通过识别大量数据中的模式来学习任务。
英伟达最为人所知的是制作图形处理单元，也就是G.P.U，它的设计初衷是帮助渲染游戏和其他软件的复杂图像——结果证明，它们在神经网络上的表现也非常好。在2016年夏天之前的一年内，英伟达为谷歌等公司运营的大型计算机数据中心出售了1.43亿美元的芯片，这一数字是上一年的两倍。
英特尔争先恐后地赶了上来。据科技新闻网站Recode的一份报告称，英特尔公司以4亿美元收购了硅谷初创企业Nervana，这家拥有50名员工的初创公司从零开始构建芯片。在那之后，另一家硅谷初创公司，Cerebras，从Nervana抢下了五个工程师，也专门为人工智能设计了一个芯片。
根据福布斯的一份报告，到2018年初，Cerebras公司已经筹集了超过1亿美元的资金。此外还有另外四家公司也筹集到了超过1亿美元的资金：Graphcore、另一家硅谷公司Wave Computing、以及两家北京的公司——Horizon Robotics（地平线机器人）和Cambricon（寒武纪），其中后两家公司得到了中国政府的支持。
“在2015年和2016年初筹集资金是一场噩梦，”人工智能芯片初创公司Mythic的首席执行官Mike Henry说。但是，他说，“随着那些渴望得到满足的大型科技公司纷纷转向半导体行业，这种情况已经发生了变化。”
中国在开发新的人工智能芯片方面表现出了特别的兴趣。第三家位于北京的北京芯片初创企业DeePhi已融资4000万美元，并且中国科技部已明确要求生产挑战英伟达的中国芯片。
因为这是一个新的市场——而且因为人们对这种新型的处理能力有非常强烈的渴望——许多人认为，这是一个难得的机会，因为初创企业有机会对抗那些根基深厚的巨头。
第一个重大变化很有可能出现在数据中心，像Graphcore和Cerebras这样的公司一直对其计划保持沉默，他们希望加速新形式的人工智能的创建，其中包括能够进行对话、自动生成视频以及虚拟现实。
微软和谷歌等公司的研究人员已经专门为人工智能建立了芯片，并通过极端的试验反复“训练”神经网络，在大量的芯片上测试算法。整个训练过程可以持续数小时甚至数天。他们经常坐在自己的笔记本电脑前，盯着图表，观察这些算法在学习数据时的进步。芯片设计人员希望简化这一过程，将所有的试验和错误打包到几分钟内。
Scott Gray说，今天，英伟达的GPU可以高效地执行所有用于训练神经网络的微小计算，但是芯片之间传输数据的效率仍然很低。Scott Gray先前是Nervana的一名工程师，后来加入OpenAI。OpenAI实验室由特斯拉CEO埃隆马斯克（Elon Musk）等人共同发起。
因此，除了专门为神经网络打造芯片外，初创企业还在重新思考围绕它们的硬件。例如，Graphcore正在构建包含更多内置内存的芯片，以省去来回发送大量数据的麻烦。其他公司则在寻找扩大芯片之间传输的方法，以便更快地进行数据交换。
红杉资本的Coughran说：“这不仅仅是建立芯片，而是研究这些芯片是如何连接在一起的，以及它们如何与系统的其它部分交互。”
但这只是改变的一部分。一旦神经网络被训练成一个任务，就必须有额外的工具执行这个任务。在丰田，自动驾驶汽车的原型正在使用神经网络来识别道路上的行人、标志和其他物体。在数据中心训练了一个神经网络之后，公司则在安装在汽车上的芯片上运行这个算法。
许多芯片制造商——包括像Mythic、DeePhi和Horizon Robotics这样的初创企业——也在解决这个问题，将人工智能芯片推向手机和汽车等各种设备。
目前还不清楚这些新芯片的运行效果如何。设计和制造芯片需要大约24个月的时间，这意味着即使是第一个依赖它们的可行硬件也要到今年才能实现。而这些芯片初创企业将面临来自英伟达、英特尔、谷歌和其他行业巨头的竞争。
但他们的起点是相同的：一个新市场的开始。
