年AI芯片行业研究报告.doc

AI芯片行业研究报告

摘要

AI芯片主要适用于包括训练、推理在内的AI应用，擅长并行计算。主要应用于云端、边缘及物联网设备终端。市场空间在2022年有望超过500亿美元；

AI芯片在云端主要为数据分析、模型开发（训练）及部分AI应用（推理）等提供算力支持。英伟达基于其完备的GPU+CUDA生态主导云端AI芯片市场，但其产品售价高昂，GPU计算效能及功耗不如FPGA及ASIC芯片，市场寻求潜在替代方案；

边缘侧和终端对于AI芯片需求更加分散，不同场景需要综合考虑芯片的PPACR。AI芯片作为协处理器难以单独实现应用功能，对厂家软件及系统开发交付能力同样有很高的考量。不同的应用场景中，拥有较高的固有行业壁垒，这需要AI芯片厂商能够加强与产业固有主体的合作，融入现有产业结构；

芯片行业具有资本和技术壁垒双高的特点，高昂的研发费用需要广大的市场进行支撑，对于AI芯片厂商来说除了核心软硬件技术开发实力外，市场洞察及成本控制亦是不可或缺的能力；

行业当前接近Gartner技术曲线泡沫顶端，未来1~2年将会面临市场对于产品的检验，只有通过市场检验和筛选的优质团队才能够继续获得产业、政策和资本的青睐和继续支持。

来源：艾瑞研究院自主绘制。

AI芯片行业概述1

AI芯片应用场景及市场需求分析

AI芯片应用场景及市场需求分析2

AI芯片行业产业链及商业模式分析3

AI芯片行业发展展望4

企业推荐5

关于人工智能芯片（AI芯片）

AI芯片：基于矩阵运算、面向AI应用的芯片设计方案

1、定义：当前AI芯片设计方案繁多，包括但不限于GPU\FPGA\ASIC\DSP等。目前市场上的对于AI芯片并无明确统一的定义，广义上所有面向人工智能（ArtificialIntelligence，AI）应用的芯片都可以被称为AI芯片。

2、当前AI运算指以“深度学习”为代表的神经网络算法，需要系统能够高效处理大量非结构化数据（文本、视频、图

像、语音等）。这需要硬件具有高效的线性代数运算能力，计算任务具有：单位计算任务简单，逻辑控制难度要求低，但并行运算量大、参数多的特点。对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求。

3、针对不同应用场景，AI芯片还应满足：对主流AI算法框架兼容、可编程、可拓展、低功耗、体积及造价等需求。

深度学习模型复杂度及规模对芯片算力需求激增通过架构设计AI芯片跨越工艺限制，算力效能对

CPU实现大幅超越

ALUALUALU

ALU

ALU

Control

ALU

Cache

DRAM

?芯片工艺制程逼近物理极限；

?CPU芯片中大量晶体管用于

构建逻辑控制和存储单元，用于构建计算单元的晶体管占比极小；

?为了保证兼容性，CPU构架演进发展受限。

ALU

ALU

DRAM

?工艺提升缓慢，面对大规模并行运算需求，需要对芯片架构进行重新设计；

?GPU：开发即面向图像处理等大规模运算需求；

?FPGA/ASIC：对缓存、计算单元、连接进行针对性优化设计。

注释：DL：DeepLearning，指深度学习。

来源：《DeepLearning》——IanGoodfellow、YoshuaBengio、AaronCourville；英伟达官网。

AI芯片实现算力提升

AI芯片满足AI应用所需的“暴力计算”需求

早在上世纪80年代，学术界已经提出了相当完善的人工智能算法模型，但直到近些年，模型的内在价值也没有被真正的实现过。这主要是受限于硬件技术发展水平，难以提供可以支撑深度神经网络训练/推断过程所需要的算力。直到近年来

GPU\FPGA\ASIC等异构计算芯片被投入应用到AI应用相关领域，解决了算力不足的问题。

下图以云计算场景为例，通过对全球几大科技巨头的代表性云端芯片产品计算性能对比，我们可以发现ASIC芯片相比起其他几种芯片，在计算效能、大小、成本等方面都有着极大优势，未来随着通用AI指令集架构的开发，预计会出现最优配置的AI计算芯片。

典型的云端计算芯片算力表现比较

Performance（TFLOPs）

45

15.7

10

0.0018

Intel-XEONCPU优点：通用性好，串行运算能力强；适用于逻辑运算；