浅析AI芯片最新发展格局.doc

《浅析AI芯片最新发展格局.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅析AI芯片最新发展格局　　AI芯片设计是人工智能产业链的重要一环。自2017年5月以来，各AI芯片厂商的新品竞相发布，经过一年多的发展，各环节分工逐渐明显。　　　　AI芯片的应用场景不再局限于云端，部署于智能手机、安防摄像头、及自动驾驶汽车等终端的各项产品日趋丰富。除了追求性能提升外，AI芯片也逐渐专注于特殊场景的优化。　　　　自2017年5月以来发布的AI芯片一览　　目前，人工智能产业链中，包括提供AI加速核的IP授权商，各种AI芯片设计公司，以及晶圆代工企业。　　►按部署的位置来分，AI芯片可以部署在数据中心（云端），和手机，安防摄像头，汽车等终端上。　　►按承担的任务来分，可

2、以被分为用于构建神经网络模型的训练芯片，与利用神经网络模型进行推断的推断芯片。训练芯片注重绝对的计算能力，而推断芯片更注重综合指标，单位能耗算力、时延、成本等都要考虑。　　►训练芯片受算力约束，一般只在云端部署。推断芯片按照不同应用场景，分为手机边缘推断芯片、安防边缘推断芯片、自动驾驶边缘推断芯片。为方便起见，我们也称它们为手机AI芯片、安防AI芯片和汽车AI芯片。　　►由于AI芯片对单位能耗算力要求较高，一般采用14nm/12nm/10nm等先进工艺生产。台积电目前和Nvidia、Xilinx等多家芯片厂商展开合作，攻坚7nmAI芯片。　　　　AI芯片投资地图　　AI芯片市场规模：

3、未来五年有接近10倍的增长，2022年将达到352亿美元。根据我们对相关上市AI芯片公司的收入统计，及对AI在各场景中渗透率的估算，2017年AI芯片市场规模已达到39.1亿美元，具体情况如下：　　►2017年全球数据中心AI芯片规模合计23.6亿美元，其中云端训练芯片市场规模20.2亿美元，云端推断芯片3.4亿美元。　　►2017年全球手机AI芯片市场规模3.7亿美元。　　►2017年全球安防摄像头AI芯片市场规模3.3亿美元。　　►2017年全球自动驾驶AI芯片的市场规模在8.5亿美元。　　　　AI芯片市场规模及竞争格局　　Nvidia在2017年时指出，到2020年，全球云端训

4、练芯片的市场规模将达到110亿美元，而推断芯片（云端+边缘）的市场规模将达到150亿美元。Intel在刚刚结束的2018DCI峰会上，也重申了数据业务驱动硬件市场增长的观点。Intel将2022年与用于数据中心执行AI加速的FPGA的TAM预测，由70亿美元调高至80亿美元。　　而同时我们也注意到：　　1）手机SoC价格不断上升、AI向中端机型渗透都将为行业创造更广阔的市场空间。　　　　历代Apple手机芯片成本趋势　　2）安防芯片受益于现有设备的智能化升级，芯片需求扩大。　　　　自动驾驶算力需求加速芯片升级　　3）自动驾驶方面，针对丰田公司提出的算力需求，我们看到当下芯片算力与L5

5、级自动驾驶还有较大差距。英飞凌公司给出了各自动驾驶等级中的半导体价值预测，可以为我们的TAM估算提供参考。　　　　英飞凌对各自动驾驶等级中半导体价值的预测　　结合以上观点，及我们对AI在各应用场景下渗透率的分析，我们预测：　　►云端训练芯片市场规模在2022年将达到172亿美元，CAGR~54%。　　►云端推断芯片市场规模在2022年将达到72亿美元，CAGR~84%。　　►用于智能手机的边缘推断芯片市场规模2022年将达到38亿美元，CAGR~59%。　　►用于安防摄像头的边缘推断芯片市场规模2022年将达到18亿美元，CAGR~41%。　　►用于自动驾驶汽车的边缘推断芯片市场规模

6、2022年将达到52亿美元，CAGR~44%。　　云端训练芯片：TPU很难撼动NvidiaGPU的垄断地位　　训练是指通过大量的数据样本，代入神经网络模型运算并反复迭代，来获得各神经元“正确”权重参数的过程。CPU由于计算单元少，并行计算能力较弱，不适合直接执行训练任务，因此训练一般采用“CPU+加速芯片”的异构计算模式。目前Nvidia的GPU+CUDA计算平台是最成熟的AI训练方案，除此还有：　　　　AI芯片工作流程　　►第三方异构计算平台OpenCL+AMDGPU或OpenCL+Intel/Xilinx的FPGA。　　►云计算服务商自研加速芯片（如Google的TPU）这两种方

7、案。各芯片厂商基于不同方案，都推出了针对于云端训练的AI芯片。　　　　云端训练芯片对比　　►Google　　在GPU之外，云端训练的新入竞争者是TPU。Google在去年正式发布了其TPU芯片，并在二代产品中开始提供对训练的支持，但比较下来，GPU仍然拥有最强大的带宽（900GB/s，保证数据吞吐量）和极高的深度学习计算能力（120TFLOPSvs.TPUv245TFLOPS），在功耗上也并没有太大劣势（TPU进行训练时，引入浮点数计算，需要逾200W的功