AI芯片成為國際產(chǎn)業(yè)競爭的新焦點 產(chǎn)業(yè)將迎來發(fā)展和突破的關鍵時期[圖]

    當前的AI芯片有3種含義：第一種是指能處理人工智能通用任務且本身具有核心IP (知識產(chǎn)權) 的處理器芯片；第二種是指運行或者嵌入人工智能算法的普通處理器芯片；第三種是指具備加速語音、圖像等某一項或多項任務的計算效率及迭代能力的處理器芯片。

    AI芯片按架構體系又可以分為CPU (通用處理器)、GPU、DSP (數(shù)字信號處理器) 、FPGA、ASIC和類腦芯片。按使用的場景可以分為云側和端側芯片，每一側又可以按任務分為訓練和推理。

AI芯片特點

資料來源：智研咨詢整理

    目前國內人工智能芯片市場呈現(xiàn)出百花齊放的態(tài)勢。AI 芯片的應用領域廣泛分布在金融證券、商品推薦、安防、消費機器人、智能駕駛、智能家居等眾多領域，催生了大量的人工智能創(chuàng)業(yè)企業(yè)，如地平線、深鑒科技、寒武紀、云知聲、云天勵飛等。

我國AI芯片主要應用市場

資料來源：公開資料整理

    我國在集成電路領域的技術基礎較薄弱，但是在人工智能芯片學術研究上起步較早，如中國科學院寒武紀芯片2014—2016年間在深度學習處理器指令集上獲得創(chuàng)新進展，在2016年國際計算機體系結構年會中，約1/6的論文引用寒武紀開展神經(jīng)網(wǎng)絡處理器研究。不僅初創(chuàng)企業(yè)投入足夠的資金研究，華為、百度等公司也參與建設布局，積極搶位。另一方面，面對垂直細分領域的AI芯片市場前景廣闊。隨著人工智能應用場景的細分市場越來越多，專門為某些應用場景定制的芯片性能優(yōu)于通用芯片，終端芯片呈現(xiàn)碎片化、多樣化的特點，并且目前尚未形成市場壟斷。

我國AI芯片企業(yè)布局

資料來源：公開資料整理

    未來主導芯片的產(chǎn)業(yè)生態(tài)系統(tǒng)有可能出現(xiàn)轉型升級，類似谷歌、亞馬遜這樣的AI巨頭，重整生態(tài)，用云服務來擠壓底層硬件供應商的戰(zhàn)略布局已經(jīng)很明顯。微軟的Brainwave平臺以及臉書的PyTorch 1.0軟件和硬件都與谷歌形成了競爭關系，都希望與谷歌的TensorFlow+TPU進行抗衡。此外，ARM發(fā)布了第一代面向AI和機器學習的處理器“Trillium”，英偉達發(fā)布了新的圖靈架構。人工智能芯片已經(jīng)成為國際產(chǎn)業(yè)競爭的新焦點。

    隨著全球AI芯片產(chǎn)業(yè)重心明顯向中國轉移，國內外知名的晶圓代工企業(yè)、封裝、測試企業(yè)紛紛在我國建立、擴充生產(chǎn)線，為國內AI芯片設計企業(yè)提供了充足的產(chǎn)能基礎。2018年我國AI芯片產(chǎn)量為9500萬片，產(chǎn)量同比增長196.9%。

2015-2018年中國AI芯片產(chǎn)能與產(chǎn)能利用率

資料來源：智研咨詢整理

    智研咨詢發(fā)布的《2019-2025年中國AI芯片行業(yè)競爭格局及投資方向研究報告》數(shù)據(jù)顯示：國內人工智能芯片行業(yè)發(fā)展仍處在起步階段，據(jù)統(tǒng)計2017年我國AI芯片市場規(guī)模為33.5億元，2018年我國AI芯片市場規(guī)模增長至62.5億元，產(chǎn)業(yè)規(guī)模增長迅猛，但與我國集成電路產(chǎn)業(yè)萬億級的市場體量相比，我國AI芯片市場占比依舊極低。GPU 短期將延續(xù)AI 芯片的領導地位。GPU 作為市場上AI 計算最成熟、應用最廣泛的通用型芯片，應用潛力較大。憑借其強大的計算能力、較高的通用性，GPU 將繼續(xù)占領AI 芯片的主要市場份額。

2015-2018年我國AI芯片市場規(guī)模走勢圖

資料來源：智研咨詢整理

    我國在面對機遇的同時也面臨諸多挑戰(zhàn)，首先，云端市場龍頭企業(yè)分布在國外，我國云端芯片與國外技術差距巨大，國外云端市場技術及生態(tài)構建成熟、優(yōu)勢大。我國專注云端芯片的企業(yè)較少，且尚未形成生態(tài)影響力。另一方面，我國不同企業(yè)呈現(xiàn)整體追逐熱點快、基礎不牢、后續(xù)乏力的情況。如我國從事人工智能開發(fā)處理器的初創(chuàng)企業(yè)有45家，但是基本都從事語音、視覺芯片的集成研發(fā)，定位重疊較多，并且我國目前尚未形成有影響力的芯片-平臺-應用的生態(tài)。

AI芯片國產(chǎn)化瓶頸問題

資料來源：公開資料整理

    未來10年是人工智能產(chǎn)業(yè)發(fā)展和突破的關鍵時期，也是人工智能芯片技術發(fā)展的重要時期。

    現(xiàn)階段人工智能應用對算力的需求體現(xiàn)在兩方面：一是深度學習算法包括大量的卷積、殘差網(wǎng)絡、全連接等計算需求，在摩爾定律接近物理極限、工藝性能提升對計算能力升級性價比日益降低的前提下，僅基于工藝節(jié)點的演進已經(jīng)無法滿足算力快速增長的需求；二是深度學習需要對海量數(shù)據(jù)樣本進行處理，強調芯片的高并行計算能力，同時大量數(shù)據(jù)搬運操作意味著對內存存取帶寬的高要求，而對內存進行讀寫操作尤其是對片外內存進行讀寫訪問的消耗的功耗要遠大于計算的功耗，因而高能效的內存讀寫架構設計對芯片至關重要。

    因此一方面，從技術角度來看，對芯片架構的改進將成為提升芯片性能的主要手段，從各個企業(yè)的產(chǎn)品來看，也是以不同架構的升級來迭代芯片的性能為主要手段。另一方面，改善計算單元和存儲單元高速的通信需求也將成為提升性能的重要趨勢。

    從應用的角度來看，終端芯片形態(tài)多樣，如安防攝像頭、智能音箱、智能機器人、智能手機等，該類任務計算量小，但是實時性要求高，注重芯片的能耗、散熱、單位能耗比等指標。

    從生態(tài)角度來看，軟硬件協(xié)同優(yōu)化已成為企業(yè)提升技術能力的主要方式，單純的數(shù)據(jù)與算法優(yōu)化已經(jīng)不能滿足企業(yè)的需求，需要企業(yè)采用芯片結合算法模型的方法進行優(yōu)化迭代。