人工智能芯片的竞争-GPU正红，ASIC拥抱未来

《人工智能芯片的竞争-GPU正红，ASIC拥抱未来》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、行业及产业计算机2017年10月16日行人工智能芯片的竞争：GPU正红，业研究/ASIC拥抱未来行业深度看好——算法系列报告之十五相关研究投资要点：证"领军公司仍优势明显！——43家计算券机三季报前瞻"2017年10月9日AI加速需求超过CPU计算能力摩尔定律供给。深度学习是目前AI领域最有效算法，深度研"重点关注AI芯首发、软件国产化——究学习模型需要通过大量的数据训练才能获得理想的效果，CPU优势为处理各类数据及强逻申万宏源算机周报报辑判断能力，解决单次复杂问题能力强。两者需求并非完全匹配，深度学习需要一种替代2017081

2、4-20170820"2017年9月11告日硬件来满足海量数据的运算需求。GPU：较成熟生态系统，最先收益人工智能爆发。GPU与CPU类似，只不过是一种专门进行图像运算工作的微处理器。GPU是专为执行复杂的数学和几何计算而设计的，这些计证券分析师算是图形渲染所必需的。GPU在浮点运算、并行计算等部分计算方面可以提供数十倍乃至刘洋A0230513050006liuyang2@swsresearch.com于上百倍于CPU的性能。英伟达公司从2006年下半年已经开始陆续推出相关的硬件产品研究支持以及软件开发工具，目前是人工智能硬件市

3、场的主导。刘高畅A0230116100002liugc@swsresearch.comGPU天然具有三个方面局限性。GPU作为图像处理器，设计初衷是为了应对图像处理中联系人需要大规模并行计算。因此，其在应用于深度学习算法时，有三个方面的局限性：1.应黄忠煌用过程中无法充分发挥并行计算优势。2.硬件结构固定不具备可编程性。3.运行深度(8621)23297818×转huangzh@swsresearch.com学习算法能效远低于ASIC及FPGA。FPGA：能效中等、灵活度高、成本较高的AI白板，具有三类局限。FPGA称为现场可

4、编程门阵列，用户可以根据自身的需求进行重复编程，与GPU、CPU相比，具有性能高、能耗低、可硬件编程的特点。同时具有三类局限：1.基本单元的计算能力有限；2.速度和功耗有待提升；3、FPGA价格较为昂贵。ASIC：顶级能耗、拥抱未来。ASIC是一种为专门目的而设计的集成电路。专为特定目的而设计。不同于GPU和FPGA的灵活性，定制化的ASIC一旦制造完成将不能更改，所以初期成本高、开发周期长的使得进入门槛高。目前，大多是具备AI算法又擅长芯片研发的巨头参与，如Google的TPU。由于完美适用于神经网络相关算法，ASIC在性能和

5、功耗上都要优于GPU和FPGA，TPU1是传统GPU性能的14-16倍，NPU是GPU的118倍。寒武纪已发布对外应用指令集，预计ASIC将是未来AI芯片的核心。推荐标的：中科曙光（寒武纪深度合作伙伴，预计AI服务器将深度合作、X86芯片若突破则提升市场份额与毛利率）、中科创达（华为麒麟970芯片人脸识别应用提供方）、富瀚微（安防行业解码芯片领军）请务必仔细阅读正文之后的各项信息披露与声明行业深度投资案件关键假设点AI加速需求超过CPU计算能力摩尔定律供给。深度学习是目前AI领域最有效算法，深度学习模型需要通过大量的数据训练才能

6、获得理想的效果，CPU优势为处理各类数据及强逻辑判断能力，解决单次复杂问题能力强。两者需求并非完全匹配，深度学习需要一种替代硬件来满足海量数据的运算需求。GPU：较成熟生态系统，最先受益人工智能爆发。GPU与CPU类似，只不过是一种专门进行图像运算工作的微处理器。GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。GPU在浮点运算、并行计算等部分计算方面可以提供数十倍乃至于上百倍于CPU的性能。英伟达公司从2006年下半年已经开始陆续推出相关的硬件产品以及软件开发工具，目前是人工智能硬件市场的主导。。有别于大

7、众的认识GPU天然具有三个方面局限性。GPU作为图像处理器，设计初衷是为了应对图像处理中需要大规模并行计算。因此，其在应用于深度学习算法时，有三个方面的局限性：1.应用过程中无法充分发挥并行计算优势。2.硬件结构固定不具备可编程性。3.运行深度学习算法能效远低于ASIC及FPGA。FPGA：能效中等、灵活度高、成本较高的AI白板，具有三类局限。FPGA称为现场可编程门阵列，用户可以根据自身的需求进行重复编程，与GPU、CPU相比，具有性能高、能耗低、可硬件编程的特点。同时具有三类局限：1、基本单元的计算能力有限；2、速度和功耗有待

8、提升；3、FPGA价格较为昂贵。ASIC：顶级能耗、拥抱未来。ASIC是一种为专门目的而设计的集成电路。专为特定目的而设计。不同于GPU和FPGA的灵活性，定制化的ASIC一旦制造完成将不能更改，所以初期成本高、开发周期长的使得进入门槛高。目前，大