自90年代起，以紫光集团、华为海思等为代表的国内传统芯片公司逐一诞生，至今已历经数十年发展，已形成一套标准的芯片设计、制造、封装流程，但在具体的CPU运算效率、芯片核心制造工艺仍与美、日等发达国家存在差距。去年4月，中兴遭美国下发七年出口禁令后业务全线停滞，由此在业内引发“缺芯少魂”的危机讨论。

如今，AI 芯片公司受场景需求启发，企图用算法注入芯片的手段实现中国“芯”公司的弯道超车，可这一新兴路线正遭遇双重矛盾：生产环节，AI 芯片容易陷入“量产耗时长，算法过时快”的困境；销售层面，又面临“供给侧（AI 芯片厂商）凶猛，需求侧（终端客户）冷静”的现象。

“流片”成功与否是决定芯片成败的决定性因素。所谓“流片”，即“试生产”，是在电路设计后，先生产少量生产芯片用来测试，通过后再进行大规模量产，这一过程往往需要1-3年。

由于耗时长、投资大，一颗芯片的流片往往会关系到创业公司生死存亡。余凯就曾在地平线流片结果揭晓的前一天，和团队前往雍和宫烧香。“如果流片失败了，几百万美金就打了水漂。”余凯曾说。

流片前的市场预测就变得至关重要。李志飞告诉钛媒体，做一款APP只需要预测消费者6个月后的需求；做软硬件要预测12个月；而做一套芯片模组要以3年为周期来预判。

谈及芯片前期设计环节的预判难点，兰有金与戴燚使用了同一个形容词：“鸡同鸭讲”。

传统半导体对芯片的定义更多在后端运算层面，当中的芯片定义、设计、制造等环节多由硬件工程师来完成；但AI芯片除了兼顾原有的运算功能，更讲究与AI 算法的融合，有时还需要与前端软件形成联动，这就需要算法、软件科学家与硬件工程师共同参与。

“半导体硬件工程师更讲究IP、架构等，再加上中国有很多AI场景是被硬推出来的，成熟度不够，就很难对应用场景有深度理解。”兰有金对钛媒体说。

兰有金以一个案例形容两种角色间的分割：比如一项应用在军事领域的AR项目，参与方有芯片设计工程师，也有专攻AR应用软件算法的科学家，两方是各自领域的专家，但合作时对彼此需求理解不够，“很难聊到一起去”。

另一方面，来自企业需求侧的前期反响，更是让本就前路坎坷的AI 芯片多了几分不确定性。

“谁都会担心自己成为第一个白老鼠。”周军说，他收到过来自客户对于AI 芯片的各种疑虑：有没有量产过？装进产品后出问题怎么办？下单后产能会不会跟不上等等问题。

但让周军感到鼓舞的是，由于 Rokid 本身就是智能音箱的生产者，一方面更能响应客户需求，另一方面，其生产的芯片也能“自产自销”至旗下产品，也就减轻了一部分芯片滞销风险。

“（市面上的AI 芯片）同质化太强，体验上的差距并不明显。”刘峰这样评价当下的AI 芯片产品，他认为目前问世的几款AI 语音芯片，不管是功能点上的远场识别、多轮对话，还是性能上的高集成、低功耗，这些厂商主打的各项指标都有诸多相似之处，这些都会影响终端厂商对AI 芯片的采买意愿。

“芯片这种硬科技产品，必须在某个技术维度大范围超出对手，才能持续性地获得客户认可。”兰有金表示。

参与方的认知磨合、需求方的冷眼观察，再加上早期事物的发展无章可循，都让AI 芯片的投入产出比难以预测，对于各路玩家来说，眼下无疑是一个“花钱买路”的必经过程。

“在商务上我可以不赚钱，我们做得事情就是不停地告诉客户这是未来，然后一起合作把芯片推出去。”李志飞说。

资本自然成了这一环节的重要推手。那些更早、更快拿下融资的AI 芯片公司正逐步展现出光环效应。

戴燚坦陈，小规模的“算法+芯片”团队试错机会越来越少，他们手中的钱只够单次流片；但头部芯片企业，可以在短时间内连续进行一代、二代、三代不同算法配置的流片，不论是迭代速度还是研发积累，头部企业的优势只会愈发明显。

对于AI 芯片领域的未来，戴燚仍充满希望。他看好AI 芯片在自动驾驶、安防市场的巨大潜力，理由是这两个场景前期已有半导体芯片的能力渗透，而AI 技术可以让原先的能力变得更强，这种逻辑折射到应用规模上，就变成了一个“可以从200亿涨到400亿”的好生意。

“一批投资人砸了这么多钱进去，一定会把这个产业推向下一个高度。”戴燚说。顿了顿，他又补充到：“就算不是到月亮那个高度，也是地球近地轨道那个高度吧。”（本文首发钛媒体，采访、撰写/苏建勋。为尊重采访对象意愿，文中“张凡”为化名。）