这是一个全行业的现象，为各组织提供了最好的机会。人工智能已成为印度Flipkart，Swiggy和Ola等数字原生代的成长故事。

今天，许多人工智能应用程序 - 面部识别，产品推荐，虚拟助手已经扎根于我们的日常生活中。然而，这些新兴的AI应用程序有一个共同特征统治它们 - 对硬件的依赖已经成为创新的核心推动者。事实上，许多新兴的消费数字公司依赖于下一代架构，可以显着提高计算效率并加快产品上市时间。

根据IDC的报告，在AI系统的支出将增加一倍多至$ 79.2十亿12022年有38.0%，比2018年至2022年预测期内的复合年均增长率(CAGR)。硬件支出，通过服务器为主，预计将触及$ 12.72今年十亿为公司大力投资于建立必要的支持AI系统的基础设施。

这就需要转向“AI技术堆栈”，它可以抽象出与存储，内存和逻辑相关的硬件层的复杂性，并为开发人员和数据科学家带来更高的性能提升。我们现在看到的是领先的半导体公司在市场上创造的新价值，这些公司专注于为行业提供端到端解决方案。

墙上的写作很清楚 -IT领域的巨大突破不仅仅来自硬件，而是来自AI，硬件和软件的交叉。如果AI硬件解决方案与软件环境的其他层兼容，则它们只能提供最大的收益。为了更好地为客户服务，半导体公司正在开发一个与硬件协同工作的通用编程框架和生态系统。

顶级外卖

1.没有标准的AI芯片：人工智能市场庞大，但没有“一刀切”的方法。因此，不存在“标准”AI芯片

2.需要抽象出硬件复杂性：数据科学家和应用程序开发人员寻找能够在一定时间和功率预算内生成通用AI解决方案的高性能硬件。他们还要求提高硬件的灵活性，允许他们使用更高抽象级别的主流语言和库进行编程。数据科学界正在寻找一个完整的解决方案堆栈，它抽象出硬件细节，使他们能够更轻松地更有效地处理并行工作负载。

3.转向大规模推理：大规模推理标志着深度学习的成熟。到2020年，与我们今天看到的1：1分割相比，培训深度学习模型与企业内部推理的比例将迅速转变为1：53。事实上，德勤的研究预测，到2023年，43%的4所有AI推理的将发生在边缘。推理很重要，因为它允许企业通过将他们训练的模型应用于新数据集来启动新的应用程序或产品，从而使AI货币化。事实上，分析师预测推断将是最大的推动因素，预计数据中心的收入将超过边缘。