作为一家开发微处理器和相关软件的公司，Nvidia业绩连创新高。上个季度，这家公司收入增长55％达到22亿美元。
2016年是人工智能爆发的一年，借着这股东风，在过去12个月里，Nvidia公司股价几乎翻了两番，令人惊叹。
Nvidia的成功很大一部分要归因于他们的芯片产品：图形处理单元（GPU）。GPU也可以理解为显卡，可以让电脑在玩游戏时表现的更出色。然而现在GPU有了一个新的用武之地：为人工智能（AI）程序提供所需的大量计算能力，特别是在数据中心里。
这些芯片销量非飞涨（如图所示），是信息技术长期转型的最明显标志。由于摩尔定律的减慢（目前芯片的计算能力大约每两年翻一番），以及云计算和AI的快速崛起，处理器市场正在重构。这对半导体产业及其霸主英特尔，产生了深远的影响。
过去的日子对英特尔来说，简直顺风顺水。无论个人电脑市场还是服务器领域，英特尔生产的中央处理器（CPU），可以胜任几乎所有的“工作负载”。因为制造了强大的CPU，英特尔掌控了个人电脑市场80％的份额，以及几乎完全垄断服务器市场。
过去一年，英特尔的收入接近600亿美元。
尽管如此，CPU的更新换代速度，已经无法满足需求。机器学习和其他AI应用，需要大量的数据，对数据处理能力的需求比几年前整个数据中心的消耗还多。所以英特尔的客户，例如Google和微软以及其他大数据中心运营商，正在选择来自其他厂商越来越专业的处理器，甚至开始自己设计处理器。
Nvidia的GPU就是一例。这个产品最初被设计用来执行交互式视频游戏所需的大规模复杂计算，也就是给大型游戏加速。GPU有数百个专门用于计算数据的“核心”，所有的核心都是并行工作。而CPU只有几个核心，顺序地处理计算任务。
Nvidia最新的处理器有3584个核心，而因特尔服务器CPU最多有28个。
Nvidia开发了一种称为CUDA的编程架构，帮助客户为不同的任务对处理器进行编程。CUDA能够让GPU解决复杂的计算问题。所以当几年前云计算、大数据和AI开始崛起之后，能够满足需求的Nvidia芯片简直堪称生逢其时。
每一个互联网巨头都在使用Nvidia出品的GPU，驱动他们各自的AI服务在大量数据中进行挖掘，无论是医学图像或是人类语音等等。Nvidia来自数据中心运营商的销售收入，在过去一年增长了三倍，达到296亿美元。
然而在众多的专用处理器中，GPU只是其中的一种。随着云计算公司为了保持领先优势，不断提高运营效率而混合和匹配芯片，处理器的范围正在扩大。
目前看来，Nvidia的技术成长空间还有很多。
因为Nvidia正在转型成为平台公司而不是硬件公司，GPU会是它的核心但是不是全部，它要做的是围绕GPU的一个平台、一个生态。与GPU配套的各种设施，例如开发平台、开发者社区和包络编程语言在内的开发工具也非常重要。举例来说，在笔记本PC市场，其实ARM的处理器性能完全可以和Intel相抗衡，但是为什么基本没有笔记本电脑用ARM的处理器？就是因为ARM在笔记本PC上没有任何生态。一旦平台和生态做起来，即使它的技术发展不像原来那么生猛，我相信Nvidia的商业价值仍然可以得到保证。
Nvidia可能会面临的最大风险在于，它现在的股价完全由人工智能来支撑，但人工智能的应用会不会像投资者想象中发展的那么快是存疑的。其实非常明显现在人工智能的应用有很大的泡沫，大家预期它在一两年之内会起来。但是如果它在一两年之内没有起来或者说某些应用没有能真的落地，那时候投资者可能会有些反冲。现在是一个overshoot，发现没有达到预期之后就会有一个undershoot，几次震荡之后慢慢回到理性估值。
英特尔近年来专注于制造更强大的CPU，而不是生产ASIC或FPGA。
人们普遍认为，传统的处理器不会很快失去地位：每一台服务器都需要它们，无数应用运行在它们之上。英特尔的芯片销售还在增长，不过Gartner的IT咨询师Alan Priestley认为，加速芯片的高速增长对这家公司来说是个坏消息，在这些芯片上完成的计算越多，在CPU上运行的就越少。
英特尔的一个对策，是借助收购来追赶。2015年，英特尔以167亿美元的价格收购了FPGA生产商Altera；8月，又花了4亿美元收购了Nervana，这是一家成立仅3年的创业公司，开发从软件到芯片的专用AI系统。
英特尔说，他们把专用处理器视为机会而非威胁。英特尔数据中心业务主管Diane Bryant说，新的计算工作往往是先在专用处理器上进行，随后被“拉进CPU”，比如说加密，这项计算也曾用单独的半导体组件来处理，但现在只是英特尔CPU上的一个简单指令。英特尔CPU几乎占领了全球所有处理器市场，对于企业来说，在加速芯片上运行AI等新型计算工作意味着额外开销和更高的复杂性。
英特尔已经在为这样的融合而进行投资。今年夏天，它将开始销售代号“Knights Mill”的新处理器，来与Nvidia竞争。同时，英特尔也在开发另一款芯片，名叫“Knights Crest”，这款芯片融合了Nervana的技术。从某种意义上讲，英特尔也希望能将Altera的FPGA融合到自己的CPU之中。
可以预见的是，竞争者们对未来有着不同见解。
Nvidia认为，他们已经有了自己的计算平台，很多公司用他们的芯片来开发、运行AI应用，他们也为其他类型的程序创造了软件基础设施，用于可视化和VR等领域。
计算巨头IBM也在试着抢英特尔的生意。2013年，IBM开源了自己的处理器架构Power，把它变成了半导体行业某种意义上的公共资产。专用芯片的制造商更容易将自己的硬件同强大的CPU结合在一起，而IBM掌握着平台发展方式的话语权。
这很大程度上依赖着AI如何发展，如果AI没能在几年内带来很多人所期待向往的变革，英特尔的机会还不错；但是，如果AI能在接下来的十几年中继续影响各行各业，其他处理器就有着更大的胜算。IDC市场分析师Matthew Eastwood这样表示。（综合整理）
人工智能行业主要上市公司：目前国内人工智能行业的上市公司主要有百度百度(BAIDU)、腾讯(TCTZF)、阿里巴巴(BABA)、科大讯飞(002230)等。
本文核心数据：计算机视觉市场占比,计算机视觉核心产品及相关产业规模,机器人视觉获投企业业务赛道情况,中国计算机视觉落地赛道特征,中国计算机视觉核心产品及带动相关产业规模预测
1、 计算机视觉市场占比达到57%
得益于深度学习算法的成熟应用，侧重于感知智能的图像分类技术在工业界逐步实现商用价值，助力金融、安防、互联网交通、医疗、工业、政务等领域智能升级。2020年我国计算机视觉产品的市场规模占整个人工智能行业的57%。
从规模来看，我国计算机视觉在2020年核心产品的市场规模将达到862.1亿元，与此同时，和计算机视觉有关的计算机通信设备销售、医疗器械等专用设备销售、工程建设、传统业务效益转化等带动相关产业规模超过2200亿元。
2、安防、金融、医疗等赛道收到重视
在近年获投的146家计算机视觉创业公司中，热门赛道集中于零售、安防、制造、政务、医疗。零售业是国民经济第三大行业，利用计算机视觉，零售业可基于场景化营销、商品识别分析、消费者识别分析和无人商超等应用，为提升营销转化率、门店运营智能化改革提供途径;安昉是计算机视觉落地最早的场景之一，海量视频的有效利用存在巨大挑战，完全依靠人工费时费力，而安防影像智能分析则可有效缓解这一问题;制造业是国民经济的支柱，对计算机视觉的使用包括智慧现场安监、设备在线监测与运维、智能检测运维、智能辅助运输和工业视觉质检等方向，链条长且场景多样，也孕育了批新兴AI企业。
针对这些行业主要的赛道特征，可以分析出，针对公安、金融、矿山等主管部门释放了非常明确的利好信号或大额持续投资的行业，主要机遇在于将产品打磨到足够精准、鲁棒性足够强，以便进入髙门槛的准入供应池，同时通过解决高难度情形的硬实力卡位;针对医疗、能源和制造等这种极具战略意乂、发展空间极大，但是或陷入长审批周期、或限于审慎性难以快速释放需求的行业，主要机遇在于抢先打通产品进入行业生态圈的渠道和链条，以及谋划过政府、行业生态圈的核心集团企业等途径，积极参与公共服务平台建设，建立从上向下拓展的先发优势，抢先获得大量训练数据与场景理解。
3、未来发展赛道规模将达6千亿
一方面随着计算机视觉的进一步发展，技术的更新将促使产业规模进一步增长，另一方面，计算机视觉和产业融合的加深，也将扩大相关产业规模。预计到2025年我国技术及视觉核心产品及带动的相关产业规模将达到6000亿。其中计算机视觉核心产业复合增长率达到15.9%，计算机视觉带动相关产业的复合增长率达到22.5%。
以上数据参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》。