中国AI芯片产业发展白皮书.pdf

中国AI芯片产业发展白皮书赛迪顾问股份有限公司2019年8月人工智能算法的训练以及应用的部署，都离不开强大、高效的运算能力支撑，作为人工智能三大驱动要素之一，算力的发展决定了人工智能发展的速度与高度。作为算力的重要组成部分，AI芯片近年来发展迅猛，众多企业纷纷布局，新型芯片架构不断涌现，多个场景下的智能芯片应用正在加快落实。AI芯片市场广阔，正受到来自学术界、产业界、资本界的高度关注，成为推进人工智能加速发展的关键环节。中国AI芯片产业发展白皮书从AI芯片的定义及分类、发展过程与现状、应用机会、竞争格局、发展趋势等多角度全面剖析AI芯片的发展新态势、技术演进及行业格局，旨在为业内相关企业把握行业发展动态、挖掘市场机遇，提供借鉴与参考，从而全面推动我国AI芯片的技术和应用的快速发展。前言目录一、AI芯片概述1（一）AI芯片定义 2（二）AI芯片发展历程 2（三）AI芯片分类 31、按技术架构分类 32、按功能分类 33、按应用场景分类 3二、AI芯片产业发展现状5（一）产业全景图 6（二）市场规模与结构 61、2018年中国AI芯片市场继续保持高速增长 62、云端训练芯片占据市场主要份额 73、华北、华东和中南稳居AI芯片区域市场三甲 8（三）行业发展特点 81、摩尔定律趋缓，可重构AI芯片前途可期 82、AI芯片成为资本布局新焦点 83、多领域应用落地，AI芯片引领智能化升级浪潮 9CONTENTS三、应用机会分析10（一）总体分析 11（二）细分场景分析 111、数据中心发展带动云端AI芯片市场需求 112、安防市场竞争日益激烈，AI芯片重塑行业新格局 133、自动驾驶一片蓝海，边缘AI芯片崛起 134、智能手机等消费电子备受关注，AI芯片渗透率逐年提升 14四、竞争格局15（一）市场格局 16（二）主力厂商及评价 171、国际厂商 172、国内厂商 17（三）潜在竞争者 18五、发展趋势19（一）未来三年AI芯片市场规模年均复合增长率将超50% 20（二）智能计算从云端到云边一体 20（三）技术路线从专用转向通用 20（四）芯片研发方向从技术转向场景 21（五）合作从串行分工到融合共生 21AI芯片定义AI芯片发展历程 AI芯片分类 AI芯片概述一 AI芯片概述（一）AI芯片定义算力是人工智能发展的关键因素之一，随着深度学习算法的普及应用，人工智能对算力提出了更高的要求，传统的CPU架构无法满足深度学习对算力的需求，因此，具有海量数据并行计算能力、能够加速计算处理的人工智能芯片应运而生。目前，关于人工智能芯片（Artificial Intelligence Chip，以下简称为AI芯片）的定义并没有一个严格和公认的标准。广义上讲，面向人工智能应用的芯片都可以称为AI芯片。AI芯片是承载计算功能的基础部件，处于人工智能产业链的中部，向上为应用和算法提供高效支持，向下对器件和电路、工艺和材料提出需求。（二）AI芯片发展历程1956年夏，麦卡锡、明斯基等科学家首次提出“人工智能”这一概念，人工智能自此走进大众视野。在过去的60余年，人工智能发展历经几次沉浮，在漫长的探索后，直至最近几年才迎来落地时代。作为人工智能技术的重要基石，AI芯片也同样经历了多次的起伏和波折，总体看来，AI芯片的发展前后经历了四次大的变化，其发展历程如图所示。图 1数据来源：赛迪顾问 2019，08AI芯片发展历程中国AI芯片产业发展白皮书（1）（2007年之前）以CPU为主的传统通用计算芯片支撑人工智能发展应用2007年以前，人工智能研究和应用经历了数次起伏，一直没有发展成为成熟的产业；同时受限于当时算法、数据等因素，这一阶段人工智能对于芯片并没有特别强烈的需求，通用的CPU芯片即可提供足够的计算能力。（2）（2007年2010年）GPU产品取得快速突破随着高清视频、游戏等行业的发展，GPU产品取得快速的突破;同时人们发现GPU的并行计算特性恰好适应人工智能算法大数据并行计算的要求，如GPU比之前传统的CPU在深度学习算法的运算上可以提高9倍到72倍的效率，因此开始尝试使用GPU进行人工智能的计算。（3）（2010年2015年）云计算广泛推广，CPU+GPU混合运算如火如荼进入2010年后，云计算广泛推广，人工智能可以通过云计算平台借助大量CPU和GPU进行混合运算。但人工智能应用对于计算能力的要求还在不断快速地提升。（4）（2015年至今）人工智能专用芯片逐渐兴起，更适合AI海量数据并行计算进入2015年后，业界开始研发针对人工智能的专用芯片，通过更好的硬件和芯片架构，在计算效率、能耗比等性能上得到进一步提升。（三）AI芯片分类1、按技术架构分类从技术架构来看，AI芯片主要分为图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、类脑芯片四大类。其中，GPU是较为成熟的通用型人工智能芯片，FPGA和ASIC则是针对人工智能需求特征的半定制和全定制芯片，类脑芯片颠覆传统冯诺依曼架构，是一种模拟人脑神经元结构的芯片，由于类脑芯片的发展尚处于起步阶段，故本文的市场研究范围不包括此类型。2、按功能分类根据机器学习算法步骤，可分为训练（training）芯片和推断（inference）芯片。训练芯片，主要是指通过大量的数据输入，构建复杂的深度神经网络模型的一种AI芯片，运算能力较强。推断芯片，主要是指利用训练出来的模型加载数据，计算“推理”出各种结论的一种AI芯片，侧重考虑单位能耗算力、时延、成本等性能。3、按应用场景分类从部署的位置来看，AI芯片可分为云端（服务器端）、终端（移动端）两大类。云端芯片，是指部署在公有云、私有云或混合云上的AI芯片，不仅可用于训练，还可用于推断，算力强劲。终端芯片，是指应用于手机等嵌入式、移动终端等领域的AI芯片，此类芯片一般体积小、耗电低、性能无需特别强大。表 1 不同技术架构AI芯片类型比较GPU FPGA ASIC定制化程度 通用型 半定制化 定制化灵活性 好 好 不好成本 高 较高 低编程语言/架构 CUDA、OpenCL等Verilog/VHDL等硬件描述语言，OpenCL、HLS/功耗 大 较大 小主要优点 峰值计算能力强、产品成熟平均性能较高、功耗较低、灵活性强平均性能很强、功耗很低、体积小主要缺点 效率不高、不可编辑、功耗高量产单价高、峰值计算能力较低、编程语言难度大前期投入成本高、不可编辑、研发时间长、技术风险大主要应用场景 云端训练、云端推断 云端推理、终端推断 云端训练、云端推断、终端推断代表企业芯片 英伟达Tesla、高通 Adreno等赛灵思Versal、英特尔Arria、百度XPU等谷歌TPU、寒武纪 Cambricon等数据来源：赛迪顾问 2019，08AI芯片产业发展现状