环球电气之家-午夜精彩视频-中国专业电气电子产品行业服务网站！

AI 芯片設計是人工智能產業鏈的重要一環。 自 2017 年 5 月以來，各 AI 芯片廠商的新品競相發布，經過一年多的發展，各環節分工逐漸明顯。 AI 芯片的應用場景不再局限于云端，部署于智能手機、 安防攝像頭、及自動駕駛汽車等終端的各項產品日趨豐富。 除了追求性能提升外， AI 芯片也逐漸專注于特殊場景的優化。

自 2017 年 5 月以來發布的 AI 芯片一覽

目前， 人工智能產業鏈中，包括提供 AI 加速核的 IP 授權商，各種 AI 芯片設計公司，以及晶圓代工企業。

按部署的位置來分， AI 芯片可以部署在數據中心（云端），和手機，安防攝像頭，汽車等終端上。

按承擔的任務來分，可以被分為用于構建神經網絡模型的訓練芯片，與利用神經網絡模型進行推斷的推斷芯片。 訓練芯片注重絕對的計算能力，而推斷芯片更注重綜合指標， 單位能耗算力、時延、成本等都要考慮。

訓練芯片受算力約束，一般只在云端部署。推斷芯片按照不同應用場景，分為手機邊緣推斷芯片、安防邊緣推斷芯片、自動駕駛邊緣推斷芯片。為方便起見，我們也稱它們為手機 AI 芯片、安防 AI 芯片和汽車 AI 芯片。

由于 AI芯片對單位能耗算力要求較高，一般采用 14nm／12nm／10nm等先進工藝生產。臺積電目前和 Nvidia、 Xilinx 等多家芯片廠商展開合作，攻堅 7nm AI 芯片。

AI 芯片投資地圖

AI 芯片市場規模： 未來五年有接近 10 倍的增長， 2022 年將達到 352 億美元。根據我們對相關上市 AI 芯片公司的收入統計，及對 AI 在各場景中滲透率的估算， 2017年 AI 芯片市場規模已達到 39．1 億美元，具體情況如下：

2017 年全球數據中心 AI 芯片規模合計 23．6 億美元，其中云端訓練芯片市場規模 20．2億美元，云端推斷芯片 3．4 億美元。

2017 年全球手機 AI 芯片市場規模 3．7 億美元。

2017 年全球安防攝像頭 AI 芯片市場規模 3．3 億美元。

2017 年全球自動駕駛 AI 芯片的市場規模在 8．5 億美元。

AI 芯片市場規模及競爭格局

Nvidia 在 2017 年時指出，到 2020 年，全球云端訓練芯片的市場規模將達到 110 億美元，而推斷芯片（云端＋邊緣） 的市場規模將達到 150 億美元。 Intel 在剛剛結束的 2018 DCI峰會上，也重申了數據業務驅動硬件市場增長的觀點。 Intel 將 2022 年與用于數據中心執行 AI 加速的 FPGA 的 TAM 預測，由 70 億美元調高至 80 億美元。

而同時我們也注意到：

1）手機 SoC 價格不斷上升、 AI 向中端機型滲透都將為行業創造更廣闊的市場空間。

歷代 Apple 手機芯片成本趨勢

2）安防芯片受益于現有設備的智能化升級，芯片需求擴大。

自動駕駛算力需求加速芯片升級

3）自動駕駛方面，針對豐田公司提出的算力需求，我們看到當下芯片算力與 L5 級自動駕駛還有較大差距。 英飛凌公司給出了各自動駕駛等級中的半導體價值預測， 可以為我們的 TAM 估算提供參考。

英飛凌對各自動駕駛等級中半導體價值的預測

結合以上觀點，及我們對 AI 在各應用場景下滲透率的分析，我們預測：

云端訓練芯片市場規模在 2022 年將達到 172 億美元， CAGR～54％。

云端推斷芯片市場規模在 2022 年將達到 72 億美元， CAGR～84％。

用于智能手機的邊緣推斷芯片市場規模 2022 年將達到 38 億美元， CAGR～59％。

用于安防攝像頭的邊緣推斷芯片市場規模 2022 年將達到 18 億美元， CAGR～41％。

用于自動駕駛汽車的邊緣推斷芯片市場規模 2022 年將達到 52 億美元， CAGR～44％。

云端訓練芯片： TPU 很難撼動 Nvidia GPU 的壟斷地位

訓練是指通過大量的數據樣本，代入神經網絡模型運算并反復迭代，來獲得各神經元“正確”權重參數的過程。 CPU 由于計算單元少，并行計算能力較弱，不適合直接執行訓練任務，因此訓練一般采用“CPU＋加速芯片”的異構計算模式。目前 Nvidia 的 GPU＋CUDA計算平臺是最成熟的 AI 訓練方案，除此還有：

AI 芯片工作流程

第三方異構計算平臺 OpenCL ＋ AMD GPU 或 OpenCL＋Intel／Xilinx 的 FPGA。

云計算服務商自研加速芯片（如 Google 的 TPU） 這兩種方案。各芯片廠商基于不同方案，都推出了針對于云端訓練的 AI 芯片。

云端訓練芯片對比

Google

在 GPU 之外，云端訓練的新入競爭者是 TPU。 Google 在去年正式發布了其 TPU 芯片，并在二代產品中開始提供對訓練的支持，但比較下來， GPU 仍然擁有最強大的帶寬（900GB／s，保證數據吞吐量）和極高的深度學習計算能力（120 TFLOPS vs． TPUv2 45 TFLOPS），在功耗上也并沒有太大劣勢（TPU 進行訓練時，引入浮點數計算，需要逾 200W 的功耗，遠不及推斷操作節能）。目前 TPU 只提供按時長付費使用的方式，并不對外直接銷售，市占率暫時也難以和 Nvidia GPU 匹敵。

Intel

雖然深度學習任務主要由 GPU 承擔，但 CPU 目前仍是云計算芯片的主體。 Intel 于 2015年底年收購全球第二大 FPGA 廠商 Altera 以后，也積極布局 CPU＋FPGA 異構計算助力 AI，并持續優化 Xeon CPU 結構。 2017 年 Intel 發布了用于 Xeon 服務器的，新一代標準化的加速卡，使用戶可以 AI 領域進行定制計算加速。得益于龐大的云計算市場支撐， Intel 數據中心組業務收入規模一直位于全球首位， 2016－17 年單季保持同比中高個位數增長。 2017年 4 季度起，收入同比增速開始爬坡至 20％左右，但相比 Nvidia 的強勁增長態勢仍有差距。

AMD

AMD 雖未單獨拆分數據中心收入，但從其計算和圖像業務的收入增長情況來看， GPU 銷量向好。目前 AMD GPU 也開始切入深度學習訓練任務，但市場規模落后于 Nvidia。