工智能芯片发展现状及行业趋势分析.docx

《工智能芯片发展现状及行业趋势分析.docx》由会员分享，可在线阅读，更多相关《工智能芯片发展现状及行业趋势分析.docx（19页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、工智能芯片发展现状及行业趋势分析 在算力、算法和大数据三驾马车的支撑下, 全球人工智能进入第三次爆发期. 然而, 作为引爆点的深度学习算法, 对现有的算力尤其是芯片提出了更为苛刻的要求. 在AI场景中, 传统通用CPU由于计算效率低难以适应AI计算要求, GPU、FPGA以及ASIC等AI芯片凭借着自身特点, 要么在云端, 要么在边缘端, 有着优异表现, 应用更广. 从技术趋势看, 短期内GPU仍将是AI芯片的主导, 长期看GPU、FPGA以及ASIC三大技术路线将呈现并行态势. 从市场趋势看, 全球AI芯片需求将保持较快增长势头, 云端、边缘芯片均具备较大增长潜力, 预计未来5年市场增速将接

2、近50%；国内虽然芯片技术差距较大, 但随着AI应用的快速落地, AI芯片需求增长可能更为迅速. 只要涉及到AI训练和推理的环节, 都需要应用AI芯片, 目前场景主要包括数据中心、自动驾驶、安防、智能家居以及机器人等. 数据中心是AI训练芯片最主要的客户之一, 其中GPU、ASIC在该领域均有着大量应用；自动驾驶对算力、时延和可靠性要求近乎苛刻, 目前多使用GPU+FPGA的解决方案, 后续随着算法的稳定, ASIC有望获得市场空间；安防是视觉芯片最主要的落地场景, 未来随着5G的部署, 云边结合将进一步加快, 国内企业在边缘端推理市场机会将增多；智能家居是语音交互芯片重点突破的市场, 目前参

3、与企业主要是算法厂商, 这些企业将业务延伸到芯片设计, 借此提升产品的附加值并降低成本；机器人市场增长较快, 其控制系统对AI芯片的需求也会增多. 一、人工智能芯片 云端芯片部署位置包括公有云、私有云或者混合云等基础设施, 主要用于处理海量数据和大规模计算, 而且还要能够支持语音、图片、视频等非结构化应用的计算和传输, 一般情况下都是用多个处理器并行完成相关任务；边缘端AI芯片主要应用于嵌入式、移动终端等领域, 如摄像头、智能手机、边缘服务器、工控设备等, 此类芯片一般体积小、耗电低, 性能要求略低, 一般只需具备一两种AI能力. AI芯片可以划分为训练芯片和推理芯片. 训练是指通过大量标记过

4、的数据在平台上进行“学习”, 并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论. 训练芯片对算力、精度要求非常之高, 而且还需要具备一定的通用性, 以适应多种算法的训练；推理芯片更加注重综合能力, 包括算力能耗、时延、成本等因素. AI训练芯片市场集中度高, 英伟达和谷歌领先, 英特尔和AMD正在积极切入. 推理在云端和终端都可进行, 市场门槛相对较低, 市场参与者较多. GPU、FPGA、ASIC性能特点对比企业名称产品种类产能（万吨）兴发集团电子级磷酸、硫酸、混配液6江化微超高纯硝酸、盐酸、氢氟酸、混配液5.5晶瑞股份电子级氢氟酸、盐水、硝酸、氨

5、水4巨化股份电子级氢氟酸、氯化铵、盐酸、硫酸3 1、GPU 是一种由大量核心组成的大规模并行计算架构, 专为同时处理多重任务而设计的芯片. 正是由于其具备良好的矩阵计算能力和并行计算优势, 最早被用于AI计算, 并在云端获得大量应用. GPU中超过80%部分为运算单元（ALU）, 而CPU仅有20%, 因此GPU更擅长于大规模并行运算. 以英伟达的GPUTITANX为例, 该产品在深度学习中所需训练时间只有CPU的1/10不到. 但GPU用于云端训练也有短板, GPU需要同CPU进行异构, 通过CPU调用才能工作, 而且本身功耗非常高. 同时, GPU在推理方面需要对单项输入进行处理时, 并行

6、计算的优势未必能够得到很好的发挥, 会出现较多的资源浪费. GPU短期将延续AI芯片的领导地位. GPU作为市场上AI计算最成熟、应用最广泛的通用型芯片, 应用潜力较大. 凭借其强大的计算能力、较高的通用性, GPU将继续占领AI芯片的主要市场份额. 2、FPGA 即现场可编程门阵列, 该芯片集成了大量的基本门电路以及存储器, 其灵活性介于CPU、GPU等通用处理器和专用集成电路ASIC之间, 在硬件固定之前, 允许使用者灵活使用软件进行编程. FPGA在出厂时是“万能芯片”, 用户可根据自身需求, 用硬件描述语言对FPGA的硬件电路进行设计；每完成一次烧录, FPGA内部的硬件电路就有了确定

7、的连接方式, 具有了一定的功能；输入的数据只需要依次经过各个门电路, 就可以得到输出结果. FPGA未来在垂直行业有着较大的空间. 由于在灵活性方面的优势, FPGA对于部分市场变化迅速的行业最为实用. 同时, FPGA的高端器件中也可以逐渐增加DSP、ARM核等高级模块, 以实现较为复杂的算法. 随着FPGA应用生态的逐步成熟, FPGA的优势也会逐渐为更多用户所认可, 并得以广泛应用. FPGA是短期内AI芯片市场上的重要增长点, FPGA的最大优势在于可编程带来的配置灵活性, 在当前技术与运用都在快速更迭的时期, FPGA具有明显的实用性. 企业通过FPGA可以有效降低研发调试成本, 提

8、高市场响应能力, 推出区别化产品. 在专业芯片发展得足够完善之前, FPGA是最好的过渡产品, 正因为如此, 科技巨头纷纷布局云计算+FPGA的平台. 随着FPGA的开发者生态逐渐丰富, 适用的编程语言增加, FPGA运用会更加广泛. 因此短期内, FPGA作为兼顾效率和灵活性的硬件选择仍将是热点所在. FPGA应用于AI有以下优势： （1）算力强劲 由于FPGA可以同时进行数据并行和任务并行计算, 在处理特定应用时效果更加明显, 对于某一个特定的运算, FPGA可以通过编辑重组电路, 生成专用电路, 大幅压缩计算周期. 从赛灵思推出的FPGA产品看, 其吞吐量和时延指标都好于CPU和GPU产

9、品. （2）功耗优势明显 FPGA能耗比是CPU的10倍以上、GPU的3倍. 由于在FPGA中没有取指令与指令译码操作, 没有这部分功耗；而在复杂指令集（X86）的CPU中仅仅译码就占整个芯片能耗的约50%, 在GPU里取指与译码也会消耗10%至20%的能耗. （3）灵活性好 使用通用处理器或ASIC难以实现的下层硬件控制操作技术, 利用FPGA可以很方便的实现, 从而为算法的功能实现和优化留出了更大空间. （4）成本相对 ASIC具备一定优势. FPGA一次性成本（光刻掩模制作成本）远低于ASIC, 在芯片需求还未成规模、深度学习算法暂未稳定需要不断迭代改进的情况下, 利用具备可重构特性的F

10、PGA芯片来实现半定制的人工智能芯片是最佳选择. 从市场格局上看, 全球FPGA长期被Xilinx（赛灵思）、Intel（英特尔）、Lattice（莱迪思）、Microsemi（美高森美）四大巨头垄断. 其中, 赛灵思和英特尔合计占到市场的90%左右, 赛灵思的市场份额超过50%, 国内厂商刚刚起步, 差距较大. 3、ASIC 即专用芯片, 是一种为特定目的、面向特定用户需求设计的定制芯片, 具备性能更强、体积小、功耗低、可靠性更高等优点. 在大规模量的情况下, 还具备成本低的特点. ASIC与GPU、FPGA不同, GPU、FPGA除了是一种技术路线之外, 还是实实在在的确定产品, 而ASI

11、C只是一种技术路线或者方案, 其呈现出的最终形态与功能也是多种多样的. 近年来, 越来越多的公司开始采用ASIC芯片进行深度学习算法加速, 其中表现最为突出的ASIC就是Google的TPU. ASIC长远来看非常适用于人工智能, 尤其是应对未来爆发的面向应用场景的定制化芯片需求. ASIC的潜力体现在, AI算法厂商有望通过算法嵌入切入该领域, 以进入如安防、智能驾驶等场景. 由于其具备高性能低消耗的特点, 可以基于多个人工智能算法进行定制, 以应对不同的场景, 未来在训练和推理市场上都有较大空间. 伴随着全球AI产业的快速增长, AI芯片需求大幅上升. 按照调查数据显示, 2018年全球A

12、I芯片市场规模达到42.7亿美元. 未来几年, 全球各大芯片企业、互联网巨头、初创企业都将在该市场上进行角逐, 预计到2023年全球市场规模将达到323亿美元. 未来五年（2019-2023年）平均增速约为50%, 其中数据中心、个人终端、物联网芯片均是增长的重点. 2018-2023年全球AI芯片市场规模及预测 长期以来, 中国在CPU、GPU和DSP设计上一直处于追赶状态, 绝大多数芯片依靠国外的IP核进行设计, 自主创新能力不足. 但我们也看到, 国内人工智能产业的快速发展, 也为国内芯片产业实现换道超车创造了机会. 由于国内外在芯片生态上并未形成垄断, 国内芯片设计厂商尤其是专用芯片设

13、计厂商, 同国外竞争对手还处在同一起跑线上. 目前国内人工智能芯片市场呈现出百花齐放的态势. AI芯片的应用领域广泛分布在金融证券、商品推荐、安防、消费机器人、智能驾驶、智能家居等众多领域, 催生了大量的人工智能创业企业, 如地平线、深鉴科技、寒武纪、云知声、云天励飞等. 我们认为, 未来随着国内人工智能市场的快速发展, 生态建设的完善, 国内AI芯片企业将有着更大的发展空间, 未来5年的市场规模增速将超过全球平均水平. 二、AI芯片应用场景 1、 数据中心（云端） 数据中心是AI训练芯片应用的最主要场景, 主要涉及芯片是GPU和专用芯片（ASIC）. 如前所述, GPU在云端训练过程中得到广

14、泛应用. 目前, 全球主流的硬件平台都在使用英伟达的GPU进行加速, AMD也在积极参与. 亚马逊网络服务AWSEC2、GoogleCloudEngine（GCE）、IBMSoftlayer、Hetzner、Paperspace、LeaderGPU、阿里云、平安云等计算平台都使用了英伟达的GPU产品提供深度学习算法训练服务. 由于芯片更加贴近应用, 市场更多关注的是响应时间, 需求也更加的细分. 除了主流的CPU+GPU异构之外, 还可通过CPU+FPGA/ASIC进行异构. 目前, 英伟达在该市场依然保持着领军位置, 但是FPGA的低延迟、低功耗、可编程性优势（适用于传感器数据预处理工作以及

15、小型开发试错升级迭代阶段）和ASIC的特定优化和效能优势（适用于在确定性执行模型）也正在凸显, 赛灵思、谷歌、WaveComputing、Groq、寒武纪、比特大陆等企业市场空间也在扩大. 2、 自动驾驶 自动驾驶汽车装备了大量的传感器、摄像头、雷达、激光雷达等车辆自主运行需要的部件, 每秒都会产生大量的数据, 对芯片算力有很高的要求, 但受限于时延及可靠性, 有关车辆控制的计算不能再依托云端进行, 高算力、快速响应的车辆端人工智能推理芯片必不可少. 自动驾驶所使用的芯片主要基于GPU、FPGA和ASIC三条技术路线. 但由于自动驾驶算法仍在快速更迭和进化, 因此大多自动驾驶芯片使用GPU+F

16、PGA的解决方案. 未来算法稳定后, ASIC将成为主流. 按照SAEInternational的自动驾驶等级标准, 目前已商用的自动驾驶芯片基本处于高级驾驶辅助系统（ADAS）阶段, 可实现L1-L2等级的辅助驾驶和半自动驾驶(部分宣称可实现L3的功能)；而面向L4-L5超高度自动驾驶及全自动驾驶的AI芯片离规模化商用仍有距离. AI芯片用于自动驾驶之后, 对传统的汽车电子市场冲击较大, 传统的汽车电子巨头（恩智浦、英飞凌、意法半导体、瑞萨）虽然在自动驾驶芯片市场有所斩获, 但风头远不及英特尔、英伟达、高通甚至是特斯拉. 国内初创企业如地平线、眼擎科技、寒武纪也都在积极参与. 在自动驾驶芯片

17、领域进展最快以及竞争力最强的是英特尔和英伟达, 英特尔强在能耗, 英伟达则在算力和算法平台方面优势明显. 3、 安防 安防市场是全球及国内AI最为确定以及最大的市场, 尤其是AI中的图像识别和视频处理技术正在全面影响安防产业. 其中, 在安防产品中, 摄像头、交换机、IPC（网络摄像机）、硬盘刻录机、各类服务器等设备都需要芯片, 这些芯片也决定了整个安防系统的整体功能、技术指标、能耗以及成本. 在安防芯片中, 最为关注的还是四类与监控相关的芯片（ISP芯片、DVRSoC芯片、IPCSoC芯片、NVRSoC芯片）. ISP芯片(ImageSignalProcessing, 图像信号处理)主要负责

18、对前端摄像头所采集的原始图像信号进行处理；DVR（DigitalVideoRecorder, 数字硬盘录像机）SoC芯片主要用于模拟音视频的数字化、编码压缩与存储；IPC（IPCamera, IP摄像机）SoC芯片通常集成了嵌入式处理器（CPU）、图像信号处理（ISP）模块、视音频编码模块、网络接口模块等, 具备入侵探测、人数统计、车辆逆行、丢包检测等一些简单的视频分析功能； NVR(NetworkVideoRecorder, 网络硬盘录像机)SoC芯片主要用于视频数据的分析与存储, 功能相对单一, 但由于多与IPC联合使用, 市场增长也较快. 通常情况下, 安防视频监控模拟摄像机的核心部件包

19、括一颗图像传感器和一颗ISP芯片, 安防视频监控网络摄像机的核心部件包括一颗图像传感器和一颗IPCSoC芯片. 单从国内来看, 未来国内视频监控行业增速仍将保持12%-15%左右的水平增长, 其中网络监控设备增长更为迅速, 相关芯片产品需求十分旺盛. 从安防行业发展的趋势来看, 随着5G和物联网的快速落地, “云边结合”将是行业最大的趋势, 云端芯片国内企业预计很难有所突破, 但是边缘侧尤其是视频处理相关AI芯片还是有较大潜力, 国产化替代将加速. 但也看到, AI芯片离在安防领域实现大规模快速落地仍有距离. 除了功耗和算力约束外, 工程化难度大也是困扰行业的重要因素, 尤其是在安防这种产业链

20、长而高度碎片化的产业, 新技术落地需要长时间的积累与打磨, 以及人力资源的不断投入. 国内面向安防AI芯片的企业及主要产品企业产品产品说明国科微国科GK7102面向高清网络摄像机的IPC芯片，内置优秀的图像处理算法和丰富的智能视频分析算法景嘉微图形图像处理芯片国产GPU富瀚微IPCSoC和ISP视频编解码和图像信号处理芯片深鉴科技听涛系列产品主要面向无人机、安防、数据中心，融入自身算法华为海思Hi3516CV500等ARMA7架构，具备神经网络加速能力云端AI芯片“昇腾”系列910可用于云端，支持128通道全高清解码；310主要用于边缘端，可支持16通道全高清解码云天励飞NNP100已经完成流

21、片，基于FPGA实现用于DeepEye100智能盒子和DeepEye200服务器加速卡地平线“旭日1.0”嵌入式人工智能视觉芯片阿里巴巴Ali-NPU面向图像和视频处理需求 4、 智能家居 智能家居近年来也成为人工智能重要的落地场景. 从技术应用上讲, 人类90%的信息输出是通过语音, 80%的是通过视觉, 智能家居领域应用最多的就是智能语音交互技术. 近年来, 正是看到语音交互技术与智能家居深度融合的潜力, 谷歌、苹果、微软均将其作为进入智能家居领域的重要切入口, 发布了多款软硬件平台, 如亚马逊推出的智能音箱设备. 国内智能语音龙头企业科大讯飞较早就切入了该领域, 联合地产商推出了硬件平台

22、魔飞（MORFEI） 平台, 电视、咖啡机、电灯、空调、热水器等产品都能通过融入相关平台实现智能化. 无论是智能音箱还是其他智能家居设备, 智能功能都是在云端来实现, 但云端存在着语音交互时延的问题, 对网络的需求限制了设备的使用空间, 而且由此还带来了数据与隐私危机. 为了让设备使用场景不受局限, 用户体验更好, 端侧智能已成为一种趋势, 语音AI芯片也随之切入端侧市场. 国内主要语音技术公司凭借自身在语音识别、自然语言处理、语音交互设计等技术上的积累, 开始转型做AI语音芯片集成及提供语音交互解决方案, 包括云知声、出门问问、思必驰以及Rokid. 出门问问也在2018年推出了AI语音芯片

23、模组“问芯”MobvoiA1；Rokid也发在2018年发布了AI语音芯片KAMINO18；思必驰利用其声纹识别等技术优势, 2019年初推出基于双DSP架构的语音处理专用芯片TH1520, 具有完整语音交互功能, 能实现语音处理、语音识别、语音播报等功能. 由于语音芯片市场过于细碎, 需要企业根据场景和商业模式需要设计出芯片产品, 这对传统的通用芯片企业的商业模式是一种颠覆, 以致于在2018年以前都很少有芯片巨头进入该领域, 这也给了国内语音芯片企业较大的施展空间. 而对算法公司来说, 通过进入芯片市场, 进而通过解决方案直接面向客户和应用场景, 通过实战数据来训练和优化算法. 国内主要语

24、音芯片厂商及产品情况厂商产品简介杭州国芯语音AI芯片GX8010搭载NPU、DSP等技术，具备低功耗、可离线等特点声智科技低功耗麦克风阵列芯片SAI101C支持智能电视及机顶盒、智能家居网关等产品云知声雨燕UniOne面向IoT的AI芯片出门问问芯片模组MobvoiA1与国芯合作研发，出门问问提供语音交互能力RokidAI语音专用SoC芯片KAMINO18集成了ARM、NPU、DSP、DDR、DAC等多个核心元件，结合其算法优势，能耗较低思必驰思必驰-深聪TAIHANG芯片与中芯国际合作开发，基于双DSP架构设计全志科技R系列芯片集成语音识别应用，用于智能音箱和智能家居 5、 机器人 机器人是

25、人工智能行业最早的落地形态, 也是现在和将来重要的应用方向. 机器人主要包括两类制造环境下的工业机器人和非制造环境下的服务机器人. 工业机器人主要是面向工业领域的多关节机械手或多自由度机器人. 服务机器人则是除工业机器人之外的、用于非制造业并服务于人类的各种先进机器人. 随着云物移大智等信息及智能化技术的发展, 机器人在某些领域的工作效率高于人类, 并在工业和服务场景中得到了大量应用. 据调查数据统计, 2017年, 全球工业机器人产量达到38.1万台, 同比增长30%, 预计2018-2021年全球工业机器人产量将保持10%以上增速增长, 2021年产量预计将达到63.0万台. 中国是全球最大的工业机器人生产国, 2017年产量达到13.79万台, 同比大幅增长60%. 服务机器人主要用于物流、防务、公共服务、医疗等领域, 虽然规模不大, 但是增长迅速. 2017年全球产量为10.95万台, 同比大幅增长85%. 预计2018年全球专业服务机器人产量将达到16.53万台, 同比增长32%, 2019-2021年平均增速将保持在21%左右. 机器人尤其是国内产业规模的快速扩大, 将大幅带动国内机器人相关智能芯片产业的发展. 机器人由控制、传感、驱动和电源四大装置构成, 其中控制装置是机器人的“大脑”, 核心是AI芯片. 2014-2021年全球工业机器人产量及增速