我經歷過很多對AI企業的采訪。但往往給我留下深刻印象的，卻是那些“想用AI卻沒有成功”的企業。比如去年，我采訪過湖南一家物流公司。他們希望給自己的倉儲園區安裝智能攝像頭系統，用AI來幫助監測煙頭、煙霧等意外情況，以及進行區域人臉識別來助力安防。

而我們了解到，這個設計的初衷雖然很好，但是在實際應用時卻出現了狀況——用普通的攝像頭，跑AI算法效率太差；而市面上的智能攝像頭又無法滿足企業預期；研發人員想買AI加速卡來幫助攝像頭體系部署算法，卻發現主流的加速卡不僅價格非常昂貴，還往往沒有現貨，要等相當長的時間。

由此可見，雖然AI的第三次熱潮正極大地刺激著企業的神經，但對于廣大企業來說AI之門仍被“封印”。問題出在哪呢？

冷靜地想一下，AI走進千行萬業，需要的不僅是云計算與大數據服務，而是要在邊緣場景、端側場景部署大規模算力，需要應對企業具體生產場景對AI算力的定制化需求，以及企業的成本負荷能力。比如這家物流公司，他們必須要在攝像頭和園區邊緣計算場景中獲得充沛算力，并且成本不能過分高昂，才有可能真正打造一個心目中的智能園區。

然而理想總是撞上骨感的現實。AI產業迅猛爆發導致的邊端側算力需求猛增，實際遇到的卻是行業內只有極少供應商能夠提供相關產品。對于渴望智能化轉型的初創企業和中小企業、實體經濟企業來說，邊端側算力饑渴正成為切膚之痛。

而這種普遍存在的焦慮，今天也在成為智能計算市場發生變革的驅動因素。

　　焦旱：“智能+”前夜的算力困境

從本質上講，AI算力問題不是單一的技術或者成本、性能矛盾，而是一個復雜的綜合問題集合。這樣錯綜糾結的困境，對于在渴望AI的企業來說，就像上古傳說中天有十日，十個太陽從不同的角度烘烤著剛剛進入AI行業的企業和開發者，經常讓他們手足無措。

我們所采訪的那家企業園區的困境，非常有代表性：想到了要購買端側AI加速產品，卻驚訝地發現成本hold不住，甚至干脆買不到，正是今天大量中小企業的集體痛點。

這是由市場供需而決定的。在端邊側AI算力加速這個十分重要的領域，目前市面上提供的產品選擇，確實非常稀少。

目前主要的供應商，基本上是英偉達一家獨大。作為近幾年英偉達AI戰略的重要部分，to B的嵌入式智能產品成為了其戰略核心組成部分，TX2嵌入式模塊、 P4加速卡等產品占據了主流，而3月GTC大會剛剛發布的Jetson Nano新產品也廣受關注。

近兩年，英特爾也開始進入這個領域，在2016年底收購了Movidius之后，逐漸推出了面向AI和機器視覺場景的Movidius系列產品，但其在市場中聲量較小。寒武紀和比特大陸等AI創業公司也推出了相關產品，但目前還都不成熟。

一家獨大和產品選擇稀少，讓這個市場的供需關系長期失衡，束縛了企業用戶和開發者的手腳。

出于對算力掌控的考慮，近年來Amazon、Google、Facebook等國際互聯網巨頭，包括BAT等國內巨頭，都紛紛開始布局人工智能基礎設施建設，比如AI芯片。然而“財大氣粗”的互聯網大佬或許可以實現自我救贖，那么更需要借助AI完成產業升級和智能化轉型的中小企業，到底要如何解決算力困境呢？

正如之前分析的，中小企業今天想要用到邊端側的AI算力，有幾個坎必須要過：算力產品太貴，難以支撐企業大規模部署；購買流程太長，官網經常要長時間排隊，導致有些企業只能選擇消費級產品頂上；兼容性差，云邊端無法協同，導致部署和開發存在種種困難——繼而這些困難還引申出解決困難需要大牛幫忙，又導致了需要的技術人才門檻太高，造成開發困境——有點像是惡性循環。

在這樣的情況下，如果始終缺乏新的“突圍者”，就會導致算力困境長期存在。企業需要的不僅是烈日灼燒下的稀有 “井水”或者短暫 “蔭涼”，更是在呼喚能夠“從根源破解熾日之局”的后羿：從AI基礎設施層面突圍、用性價比和產品優勢去打破這些規則。

　　鑄箭：“反常識”的Atlas

邊端側AI算力產品的供給不足與剛性需求，讓這一市場的突圍者在今天看來彌足珍貴。好在企業用戶和開發者并不需要等待太久。