人工智能 AI 芯片快速起航，国内边缘芯片面临更大机遇

前 言：

当前，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。

▌人工智能芯片发展现状及趋势

深度学习算法对芯片要求更为苛刻，通用CPU性价比相对较差

经历了60多年的起起伏伏之后，人工智能终于迎来了第三次爆发。

第三次爆发的核心引爆点是深度学习算法的出现，但其背后的支撑是数据和算力。对整个AI行业来讲，算法、数据和算力三大基本要素中，数据尤其是海量数据的获取和处理难度在下降，算法也在深度学习模型的基础上不断优化，而负责将数据和深度算法统一协调起来的芯片能否获得大的飞跃，成为市场关注的焦点。

深度学习算法对芯片性能需求主要表现在三个方面:

1.海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备强大的缓存和片上存储能力，而且还需要计算和存储单元之间有较大的通信带宽。

2.专用计算能力需求高。深度学习算法中有大量卷积、残差网络、全连接等特殊计算需要处理，还需要提升运算速度，降低功耗。

3.海量数据自身处理同样也对芯片提出了新的要求，尤其是非结构化数据的增多，对传统芯片结构造成了较大的压力。

通用CPU在深度学习中可用但效率较低。比如在图像处理领域，主要用到的是CNN(卷积神经网络)，在自然语言识别、语音处理等领域，主要用到的是RNN(循环神经网络)，虽然这两种算法模型有着较大的区别，但本质上都是向量和矩阵运算，主要是加法和乘法，辅助一些除法和指数运算。

传统CPU可用于做上述运算，但是CPU还有大量的计算逻辑控制单元，这些单元在AI计算中是用不上的，造成了CPU在AI计算中的性价比较低。

GPU、FPGA以及ASIC各有优劣，成为当前AI芯片行业的主流

正因为CPU在AI计算上的弱点，给了可以实现海量并行计算且能够对进行计算加速的AI芯片留下了市场空间。

从广义上讲，面向AI计算的芯片都可以称为AI芯片，包括基于传统架构的GPU、FPGA以及ASIC(专用芯片)，也包括正在研究但离商用还有较大差距的类脑芯片、可重构AI芯片等。

云端训练芯片市场较为集中，而推理市场云、边两端均有大量企业参与按照部署位置划分，AI芯片可以分为云端芯片和边缘端芯片。

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。

按照承担的任务分，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。

综合来看，训练芯片由于对算力的特殊要求，只适合在云端部署，而且多采用的是“CPU+加速芯片”类似的异构模式，加速芯片可以是GPU，也可以是FPGA或者是ASIC专用芯片。

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。

云端推理芯片除了传统的英伟达、谷歌、赛灵思等芯片大厂外，Groq等国际新兴力量也在加入竞争，国内寒武纪、比特大陆也有不错表现;终端推理芯片市场较为分散，场景各异，参与者除了英伟达、英特尔、ARM和高通之外，国内企业如寒武纪、地平线、云知声、云天励飞等在各自细分领域均有所建树。

GPU擅长云端训练，但需与CPU异构、功耗高且推理效率一般

GPU(GraphicsProcessingUnit)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。

FPGA芯片算力强、灵活度高，但技术难度大国内差距较为明显

FPGA(Field-ProgrammableGateArray)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FPGA芯片来实现半定制的人工智能芯片是最佳选择。

正因为存在上述优势，FPGA被广泛用于AI云端和终端的推理。国外包括亚马逊、微软都推出了基于FPGA的云计算服务，而国内包括腾讯云、阿里云均在2017年推出了基于FPGA的服务，百度大脑也使用了FPGA芯片。

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。

专用芯片(ASIC)深度学习算法加速应用增多，可提供更高能效表现和计算效率ASIC(ApplicationSpecificIntegratedCircuits)，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。在大规模量产的情况下，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ASIC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(张量处理芯片)。

TPU是谷歌为提升AI计算能力同时大幅降低功耗而专门设计的芯片。该芯片正式发布于2016年5月。

TPU之所以称为AI专用芯片，是因为它是专门针对TensorFlow等机器学习平台而打造，该芯片可以在相同时间内处理更复杂、更强大的机器学习模型。

谷歌通过数据中心测试显示，TPU平均比当时的GPU或CPU快15-30倍，性能功耗比(TFOPS/Watt)高出约30-80倍。

但是，ASIC一旦制造完成以后就不能修改了，且研发周期较长、商业应用风险较大，目前只有大企业或背靠大企业的团队愿意投入到它的完整开发中。

国外主要是谷歌在主导，国内企业寒武纪开发的Cambricon系列处理器也广泛受到关注。其中，华为海思的麒麟980处理器所搭载的NPU就是寒武纪的处理器IP。

短期内GPU仍将是AI芯片主导，长期看三大技术路线将呈现并行态势

短期内GPU仍将主导AI芯片市场，FPGA的使用将更为广泛

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。

当前，两大GPU厂商都还在不断升级架构并推出新品，深度学习性能提升明显，未来应用的场景将更为丰富。

英伟达凭借着其在矩阵运算上的优势，率先推出了专为深度学习优化的PascalGPU，而且针对GPU在深度学习上的短板，2018年推出了Volta架构，正在完成加速-运算-AI构建的闭环;AMD针对深度学习，2018年推出RadeonInstinct系列，未来将应用于数据中心、超算等AI基础设施上。

我们预计，在效率和场景应用要求大幅提升之前，作为数据中心和大型计算力支撑的主力军，GPU仍具有很大的优势。

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，提高市场响应能力，推出差异化产品。

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。

长期来看GPU、FPGA以及ASIC三大类技术路线将并存

GPU主要方向是高级复杂算法和通用型人工智能平台。

(1) 高端复杂算法实现方向。由于GPU本身就具备高性能计算优势，同时对于指令的逻辑控制上可以做的更复杂，在面向复杂AI计算的应用方面具有较大优势。

(2) 通用型的人工智能平台方向。GPU由于通用性强，性能较高，可以应用于大型人工智能平台够高效地完成不同种类的调用需求。

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。

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。

国内外AI芯片市场需求将保持较快增长势头，云端、边缘均具备潜力

近年来，伴随着全球AI产业的快速增长，AI芯片需求大幅上升。按照Gartner最新数据，2018年全球AI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。

国内人工智能芯片行业发展仍处在起步阶段。

长期以来，我国在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。

▌AI芯片主要应用场景

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。

在云端推理市场上，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。

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。

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。

安防AI芯片市场上，除了传统芯片以及安防厂商，还有大量的创业企业在涌入。国外芯片厂商主要有英伟达、英特尔、安霸、TI、索尼、特威、三星、谷歌等;国内厂商主要有海思(华为)、国科微、中星微、北京君正、富瀚微、景嘉微、寒武纪、深鉴科技、云天励飞、中科曙光等。

英伟达、英特尔等企业凭借着通用处理器以及物联网解决方案的优势，长期与安防巨头如海康、大华、博世等保持紧密联系;国内寒武纪、地平线、云天励飞等企业，都有AI芯片产品面世，海思本身就有安防摄像机SoC芯片，在新加入AI模块之后，竞争力进一步提升。

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。

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。

当前，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。

市场上主流的AI语音芯片，一般都内置了为语音识别而优化的深度神经网络加速方案，以实现语音离线识别。

随着算法的精进，部分企业的语音识别能力得到了较快提升，尤其是在远场识别、语音分析和语义理解等方面都取得了重要进展。

云知声在2018年5月，推出语音AI芯片雨燕，并在研发多模态芯片，以适应物联网场景，目前公司芯片产品已经广泛用于智能家电如空调之中;出门问问也在2018年推出了AI语音芯片模组“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。

机器人

机器人是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。

据国际机器人联盟统计，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。机器人芯片需要具备强大的数据计算、自主判断思考和执行能力，国外厂商如高通、英特尔、英伟达都在积极部署该领域，国内企业目前处于追赶状态，相关企业包括瑞芯微、珠海全志、炬力等。

▌国内外AI芯片厂商概览

整体排名

近年来，各类势力均在发力AI芯片，参与者包括传统芯片设计、IT厂商、技术公司、互联网以及初创企业等，产品覆盖了CPU、GPU、FPGA、ASIC等。

在市场调研机构CompassIntelligence2018年发布的AIChipsetIndexTOP24榜单中，前十依然是欧美韩日企业，国内芯片企业如华为海思、联发科、Imagination(2017年被中国资本收购)、寒武纪、地平线机器人等企业进入该榜单，其中华为海思排12位，寒武纪排23位，地平线机器人排24位。

芯片企业

芯片设计企业依然是当前AI芯片市场的主要力量，包括英伟达、英特尔、AMD、高通、三星、恩智浦、博通、华为海思、联发科、Marvell(美满)、赛灵思等，另外，还包括不直接参与芯片设计，只做芯片IP授权的ARM公司。其中，英伟达、英特尔竞争力最为强劲。

IT及互联网企业

AI兴起之后，互联网及IT企业凭借着在各大应用场景上技术和生态积累，也在积极拓展AI相关市场，其中AI芯片是部署重点之一。

相较而言，互联网企业凭借着数据和场景先天优势，在AI算法和芯片领域优势更为明显，如美国谷歌、国内的BAT。

IT企业如IBM，在人工智能领域较早开始研究，2018年年中曾经推出专门针对深度学习算法的原型芯片。

阿里巴巴:推出自研神经网络处理芯片，同时加速对AI企业投资布局

阿里巴巴作为国内AI领域的领军企业，在底层算力、算法技术以及应用平台方面都有较强积累。同Google类似原因，阿里巴巴也在近年来开始开发AI芯片，同时加大对相关领域的投资布局。

2017年，阿里巴巴成立阿里达摩院，研究领域之一就是AI芯片技术。2018年4月，阿里达摩院对外宣布正研发一款Ali-NPU神经网络芯片，预计将在2019年下半年问世。这款芯片将主要应用于图像视频分析、机器学习等AI推理计算。

阿里巴巴在自研AI芯片之前，主要在通过投资的方式布局AI芯片领域。目前，寒武纪、深鉴科技、杭州中天微等都有阿里巴巴的入股，其中2016年1月份还成为了AI芯片设计企业杭州中天微的第一大股东。

百度:通过自研、合作以及投资等多种方式部署AI芯片

百度作为搜索企业，其对AI芯片的需求更为明确。早在2011年，百度就在FPGA和GPU进行了大规模部署，也开始在FPGA的基础上研发AI加速器来满足深度学习运算的需要。此后，百度就不断通过合作、投资和自研的方式来推进该业务。

1)加强同芯片设计及IP企业合作。2017年3月，百度发布了DuerOS智慧芯片，并与紫光展锐、ARM、上海汉枫达成战略合作。

这款芯片搭载了对话式人工智能操作系统，可以赋予设备可对话的能力，能广泛用于智能玩具、蓝牙音箱、智能家居等多种设备。2017年8月，百度又与赛思灵(Xilinx)发布了XPU，这是一款256核、基于FPGA的云计算加速芯片。同在2017年，百度同华为达成合作，推动终端AI芯片的落地。

2)参与AI芯片企业投资。2018年2月5日，美国初创公司Lightelligence宣布获得了1000万美元种子轮融资，由百度风投和美国半导体高管财团领投。Lightelligence主要利用基于光学的新技术，来加速人工智能的工作负载，通过光子电路的新兴技术来加速信息处理。

3)自研芯片也正在加速部署。2018年7月，百度正式发布了自研的AI芯片“昆仑”，这是当时国内第一款云端全功能AI芯片，其中包含训练芯片昆仑818-300，推理芯片昆仑818-100。昆仑AI芯片是基于百度CPU、GPU、FPGA的AI加速器研发，能够在100W左右的功耗下，提供高达260万亿次/秒的运算速度，算力处于业界领先水平。

创业企业

寒武纪:公司同时发力终端和云端芯片，技术综合实力较强寒武纪发源于中科院，是目前全球领先的智能芯片公司，由陈天石、陈云霁兄弟联合创办，团队成员主要人员构成也来自于中科院，其中还有部分参与龙芯项目的成员。

2018年6月公司，公司获得数亿美元投资，此轮融资之后，寒武纪科技估值从上年的10亿美金大幅上升至25亿美元。公司是目前国内为数不多的同时具备云端和终端AI芯片设计能力的企业。

公司最早发力的是终端芯片，主要为1A系列，包括1A、1H8和1H16，公司通过IP授权的模式赋能终端或者芯片设计企业，目前主要合作伙伴包括华为，其中麒麟970就采用其1A处理器。

另外，公司还推出了面向低功耗场景视觉应用的寒武纪1H8，高性能且拥有广泛通用性的寒武纪1H16，以及用于终端人工智能产品的寒武纪1M。2018年9月，华为发布的麒麟980依然集成了优化版的寒武纪1H新一代智能处理器。

公司云端芯片也取得较大突破。云端芯片一直是英特尔、英伟达等公司的领地，国内企业很难进入。2018年5月，寒武纪推出算力达到128Tops的MLU100云端智能芯片，可用于训练和推理。MLU100相比传统的GPU和CPU芯片，MLU芯片拥有显著的性能功耗比和性能价格比优势，适用范围覆盖了图像识别、安防监控、智能驾驶等多个重点应用领域。

综合来看，公司在AI芯片方面竞争力较强。公司拥有自己的处理器架构和指令集，而且通过硬件神经元虚拟化、开发通用指令集、运用稀疏化处理器架构解决了ASIC用于深度学习时存在的三大问题。这三大问题是:云端算力的挑战、能效瓶颈、手机端和云端超大规模计算场景应用问题。

地平线机器人:公司芯片和计算平台在嵌入式及智能驾驶领域具备优势

地平线成立于2015年，主要从事边缘人工智能芯片和计算平台业务，场景聚焦于智能驾驶和AIoT边缘计算。

2018年起，公司逐渐实现产品化落地。2019年2月，公司官方宣布已获得6亿美元B轮融资，SK中国、SKHynix以及数家中国一线汽车集团(与旗下基金)联合领投。B轮融资后，地平线估值达30亿美元。

2017年12月，地平线发布中国首款全球领先的嵌入式人工智能视觉芯片征程(Journey)系列和旭日(Sunrise)系列。

旭日1.0处理器面向智能摄像头等应用场景，具备在前端实现大规模人脸检测跟踪、视频结构化的处理能力，可广泛用于智慧城市、智慧零售等场景。

征程1.0处理器面向智能驾驶，具备同时对行人、机动车、非机动车、车道线、交通标志牌、红绿灯等多类目标进行精准的实时检测与识别的处理能力，同时满足车载严苛的环境要求以及不同环境下的视觉感知需求，可用于高性能L2级别的高级驾驶辅助系统ADAS。

2018年2月，地平线自主研发的高清智能人脸识别网络摄像机，搭载地平线旭日人工智能芯片，提供基于深度学习算法的人脸抓拍、特征抽取、人脸特征值比对等功能。

可以在摄像机端实现人脸库最大规模为5万的高性能人脸识别功能，适用于智慧城市、智慧零售等多种行业。

2018年4月，公司发布地平线Matrix1.0自动驾驶计算平台。目前已经更新到性能更强的升级版本，地平线Matrix自动驾驶计算平台结合深度学习感知技术，具备强大的感知计算能力，能够为L3和L4级别自动驾驶提供高性能的感知系统。

地平线Matrix自动驾驶计算平台已向世界顶级Robotaxi厂商大规模供货，成功开创了中国自动驾驶芯片产品出海和商业化的先河。

从当前AI芯片竞争格局和市场前景看，我们认为，国内企业在边缘端的机会多于云端。

一方面，在边缘场景，国内在语音、视觉等领域已经形成了一批芯片设计企业队伍，相关芯片产品已经在安防、数据中心推理、智能家居、服务机器人、智能汽车等领域找到落地场景，未来随着5G、物联网等应用的兴起，相关企业的市场空间将进一步扩大。

另一方面，在云端，国内企业也正在加速追赶，未来也有望取得突破。尤其是寒武纪，作为云端芯片重要的技术厂商，有望通过授权等方式为下游芯片设计、服务器企业赋能。

AI芯片上市公司标的较为稀缺，覆盖标的中，中科曙光、科大讯飞、中科创达以及四维图新为重点。

中科曙光作为“芯-服务器-云”一体化企业，将直接成为国内AI芯片发展的受益者。除了AMD授权的海光X86处理器之外，公司也正在和同为中科体系的寒武纪合作，预计将在AI服务器、智能芯片等方面获得突破;

科大讯飞作为语音交互领域的龙头，不但持有寒武纪的股份，而且还在同外部合作研发AI芯片Castor(北河二)，目前该芯片已经完成测试工作，未来可用于智能家居等语音交互场景;

中科创达在嵌入式人工智能领域有着较强的积累，主要为手机及安防终端提供软件解决方案，近年来开始向底层芯片发力，2017年11月跟投了国内神经网络处理器厂商—耐能;四维图新作为自动驾驶领域的重点标的，其收购的杰发科技，车规级MCU已经实现量产，为后续进军自动驾驶，实施“汽车大脑”战略打下了良好的基础。

从当前AI芯片市场前景和竞争格局看，我们认为，国内AI芯片企业在边缘端的机会多于云端。一方面，在边缘场景下，语音、视觉等领域国内已经形成了一批芯片设计企业队伍，相关芯片产品已经在安防、数据中心推理、智能家居、服务机器人、智能汽车等领域找到落地场景，未来随着5G、物联网等应用的兴起，相关企业的市场空间将进一步扩大。另一方面，在云端，国内企业也正在加速追赶，未来个别企业有望取得突破。尤其是寒武纪，作为云端芯片重要的技术厂商，有望通过授权等方式，为下游芯片设计、服务器企业赋能。（报告来源：平安证券／分析师：闫磊）

新闻来源：百家号，文中所述为作者独立观点，不代表icspec立场。更多精彩资讯请下载icspec App。如对本稿件有异议，请联系微信客服specltkj。