人工智能芯片行业投资特性分析 全球人工智能产业还处在高速变化发展中

人工智能芯片行业投资特性分析

一、人工智能芯片行业壁垒分析

目前全球人工智能产业还处在高速变化发展中，广泛的行业分布为人工智能的应用提供了广阔的市场前景，快速迭代的算法推动人工智能技术快速走向商用，AI芯片是算法实现的硬件基础，也是未来人工智能时代的战略制高点，但由于目前的AI算法往往都各具优劣，只有给它们设定一个合适的场景才能最好地发挥其作用，因此，确定应用领域就成为发展AI芯片的重要前提。但遗憾的是，当前尚不存在适应多种应用的通用算法，人工智能的“杀手”级应用还未出现，已经存在的一些应用对于消费者的日常生活来说也非刚需，因此哪家芯片公司能够抓住市场痛点，最先实现应用落地，就可以在人工智能芯片的赛道上取得较大优势。

架构创新是AI芯片面临的一个不可回避的课题。需要回答一个重要问题：是否会出现像通用CPU那样独立存在的AI处理器?如果存在的话，它的架构是怎样的?如果不存在，目前以满足特定应用为主要目标的AI芯片就一定只能以IP核的方式存在，最终被各种各样的SoC(system-on-a-chip)所集成。这无疑带来了新的问题，芯片的体积和功耗是必须要考虑的重要因素，传统芯片公司在SoC的设计优化和工程实现上无疑比以算法起家的初创AI芯片公司更具经验。

从芯片发展的大趋势来看，现在还是AI芯片的初级阶段。无论是科研还是产业应用都有巨大的创新空间。从确定算法、应用场景的AI加速芯片向具备更高灵活性、适应性的通用智能芯片发展是技术发展的必然方向。未来 2 年之内 AI 芯片产业将持续火热，公司扎堆进入，但是到了2020年前后，则将会出现一批出局者，行业洗牌开始，最终的成功与否则将取决于各家公司技术路径的选择和产品落地的速度。

二、人工智能芯片行业盈利因素分析

传统芯片时代奉行一种说法：生态远比技术更重要。芯片是底层硬件，在此之上，还需要有适配的操作系统、软件开发环境、算法，再到应用软件。只有整个生态链条成熟，芯片才能真正发挥价值。但在AI时代，情况不一样了。传统的芯片公司、软件算法公司泾渭分明，这种模式已经不适应AI时代。未来，人工智能芯片公司必须要有“芯片加算法”，提供完整解决方案的能力。

芯片不仅是一个技术密集、资本密集、人才密集的高门槛行业，同样也是产业链很长的行业。在这条很长的产业链里，仅芯片公司，也有着不同的盈利模式。比如英特尔和AMD，用户可以直接购买其芯片，高通则为手机厂商提供芯片，英特尔、AMD和高通取得的成绩也证明了这一商业模式的成功。除了卖芯片，IP授权的模式也成就了一些芯片公司，典型的例子就是Arm，Arm靠提供芯片的知识产权发家，凭借着与英特尔的差异化竞争，Arm架构的芯片如今已经搭载在了大部分的移动智能设备中。还有如今AI芯片领域的代表英伟达，英伟达最早也出售芯片，后来慢慢转变为卖GPU卡。

三、人工智能芯片行业盈利模式分析

到了AI时代，不同的AI芯片公司也在用不同的商业模式探索AI芯片的落地。人工智能IP公司典型的就是AI独角兽公司寒武纪，并且寒武纪IP落地已经有成功案例，其IP搭载在麒麟970和麒麟980的SoC中。不过，在AI时代的AI芯片公司似乎更倾向于提供AI加速卡以及相关的服务。例如华为强调，华为昇腾910和310芯片将不会对外单独销售，而是以AI加速卡、加速模块、服务器和一体机等模式对外销售。另外，比特大陆、云天励飞等拥有AI芯片的公司也都更倾向于提供模块化的方案。

AI芯片相较于传统芯片的特点是多了算法，这意味着AI芯片这样软硬结合的产品，单独出售芯片可能无法工作，而AI算法也是一个稀缺资源，所以将算法和芯片捆绑作为一体化的方案也就成了许多公司的想法。

人工智能芯片行业发展的影响因素

一、有利因素

近几年，AI技术的应用场景开始向移动设备转移，比如汽车上的自动驾驶、手机上的人脸识别等。产业的需求促成了技术的进步，而AI芯片作为产业的根基，必须达到更强的性能、更高的效率、更小的体积，才能完成AI技术从云端到终端的转移。

目前，AI芯片的研发方向主要分两种：一是基于传统冯·诺依曼架构的FPGA(现场可编程门阵列)和ASIC(专用集成电路)芯片，二是模仿人脑神经元结构设计的类脑芯片。其中FPGA和ASIC芯片不管是研发还是应用，都已经形成一定规模;而类脑芯片虽然还处于研发初期，但具备很大潜力，可能在未来成为行业内的主流。

二、不利因素

目前主流 AI芯片的核心主要是利用 MAC(Multiplier and Accumulation，乘加计算)加速阵列来实现对 CNN(卷积神经网络)中最主要的卷积运算的加速。这一代 AI 芯片主要有如下 3个方面的问题。

(1)深度学习计算所需数据量巨大，造成内存带宽成为整个系统的瓶颈，即所谓的“memory wall”问题。

(2)与第一个问题相关，内存大量访问和MAC阵列的大量运算，造成AI芯片整体功耗的增加。

(3)深度学习对算力要求很高，要提升算力，最好的方法是做硬件加速，但是同时深度学习算法的发展也是日新月异，新的算法可能在已经固化的硬件加速器上无法得到很好的支持，即性能和灵活度之间的平衡问题。

放眼未来，GPU、TPU等适合并行运算的处理器成为支撑人工智能运算的主力器件，既存在竞争又长期共存，一定程度可相互配合;FPGA有望在数据中心业务承担较多角色，在云端主要作为有效补充存在。

《2022-2027年中国人工智能芯片行业发展分析及投资风险预测报告》由中研普华人工智能芯片行业分析专家领衔撰写，主要分析了人工智能芯片行业的市场规模、发展现状与投资前景，同时对人工智能芯片行业的未来发展做出科学的趋势预测和专业的人工智能芯片行业数据分析，帮助客户评估人工智能芯片行业投资价值。