在人工智能超过60年的发展历程中，经历了漫长的历史演进和技术更迭，并曾两次陷入低谷。近几年随着工业4.0、智能生活、“互联网+”等领域的快速进步，加之深度学习算法在语音和视觉识别上取得突破，人工智能技术开始渗透至工业、医疗、教育、安全等多个领域。
根据前瞻产业研究院发布的《2018-2023年中国芯片行业市场需求与投资规划分析报告》数据显示，2016年全球人工智能芯片市场规模达到36亿美金，预计到2021年将达到111亿美金，年复合增长率达到25%，增长迅猛，发展空间巨大。
图表1：2016-2021年全球人工智能芯片市场规模及预测(单位：亿美金)
资料来源：Gartner 前瞻产业研究院整理
核心芯片决定一个新的计算平台的基础架构。核心芯片将决定一个新的计算时代的基础架构和未来生态，因此，谷歌、微软、IBM、Facebook等全球IT巨头都投巨资加速人工智能核心芯片的研发，旨在抢占新计算时代的战略制高点，掌控人工智能时代主导权。回顾在PC和移动互联网时代分别处于霸主地位的X86架构和ARM架构的发展历程，可以看到：从源头上掌控核心芯片架构取得先发优势，对于取得一个新计算时代主导权有多么重要。
随着大数据的发展，计算能力的提升，人工智能近两年迎来了新一轮的爆发。芯片约占人工智能比重的15%，结合我国人工智能市场规模，推算出2016年我国人工智能芯片市场规模约为15亿元，到2022年市场规模将达到50亿元左右。
图表2：2016-2022年中国人工智能芯片市场规模及预测(单位：亿元，%)
资料来源：前瞻产业研究院整理
各类芯片各有千秋，芯片之战胜负存在较大变数
人工智能市场规模的快速增长得益于其应用领域的不断开拓。目前已经覆盖包括深度学习、机器视觉、指纹识别、人脸识别、个人助理、智慧机器人等13个具体应用，涉及工业机器人、安全识别、无人驾驶、智能医疗、智能家居等多个新兴产业，人工智能势必将成为新一轮科技革命的强大推动力量。强大推动力的背后，是AI芯片之争，其主要分为以下几种：
图表3：人工智能芯片的分类介绍
资料来源：前瞻产业研究院整理
从技术上来看，GPU、FPGA和ASIC都各有千秋。从实际应用来看，GPU拥有最完善的生态系统支撑，具有较大的先发优势。由于市场对此已经充分预期，我们在此就不再赘述。人工智能在推理环节应用刚起步，云端要比前端设备发展速度更快。下面我们将重点讲述一下云端数据中心的应用。在数据中心，FPGA使用日益广泛，而ASIC路线风险太高，目前仅有谷歌批量部署了TPU。
图表4：处理器芯片对比-1
资料来源：《腾讯技术工程》 前瞻产业研究院整理
具体来看，GPU与CPU有相同之处，两者都有总线和外界联系，都有自己的缓存系统，以及数字和逻辑运算单元。两者也具有很大的差异。CPU需要很强的通用性来处理各种不同的数据类型，同时又需要进行逻辑判断、分支跳转和中断等处理，因此CPU内部的结构异常复杂;而GPU专门执行复杂的数学几何计算，面对的是类型高度统一、相互无依赖的大规模数据和不需要被打断的纯净计算环境。所以与CPU擅长逻辑控制和通用类型数据运算不同，GPU擅长大规模、独立的浮点和并行计算。中国在GPU芯片设计领域发展相对较晚，当前掌握核心技术的公司包括景嘉微、兆芯等。其中景嘉微研发的JM5400图形芯片打破国外芯片在我国 GPU领域的垄断，实现了 GPU国产化。
FPGA芯片与GPU以及CPU相比，具有性能高、能耗低以及可硬件编程的特点。虽然FPGA的频率一般比CPU低，但是可以用FPGA实现并行度很大的硬件计算器。FPGA高性能、低能耗以及可硬件编程的特点使其适用范围得以扩大，目前FPGA主要应用于通讯、、安全、视频、工业自动化等领域。
为深度学习量身定制的AS将在计算速度和功耗上赶超GPU和FPGA，并随着人工智能渗透率的不断提升，未来在智能手机、物联网、车联网等领域，人工智能芯片将得到广泛应用，广阔的市场空间为ASIC大规模量产创造了可能。随着大规模量产条件下单片成本大幅下降，ASIC可能会成为未来深度学习领域的主流芯片。目前，科技巨头纷纷在ASIC深度学习芯片上发力。
类脑芯片其是一种基于神经形态工程、借鉴人脑信息处理方式。旨在适于实时处理非结构化信息、具有学习能力的超低功耗新型计算芯片。可以说类脑芯片是更加接近人工智能目标的芯片，其力图在基本架构上模仿人脑的工作原理，使用神经元和突触的方式替代传统的架构体系，使芯片能够进行异步、并行、低速和分布式处理信息数据的能力，同时具备自主感知、识别和学习的能力。
图表5：我国人工智能芯片的种类及主要代表企业
整体来看，深度学习的兴起得益于大数据的发展、计算机计算能力的大幅提升和算法本身的突破，其中计算能力的大幅度提升则得益于GPU、FPGA、ASIC等人工智能芯片的广泛应用，芯片作为人工智能技术核心环节，未来前景广阔。
0571-85856962