人工智能芯片行業投資特性分析 全球人工智能產業還處在高速變化發展中

• 李芬珍子 2023年9月12日 來源：中研網 685 40
• 繁體

人工智能芯片行業投資特性分析

一、人工智能芯片行業壁壘分析

目前全球人工智能產業還處在高速變化發展中，廣泛的行業分布為人工智能的應用提供了廣闊的市場前景，快速迭代的算法推動人工智能技術快速走向商用，AI芯片是算法實現的硬件基礎，也是未來人工智能時代的戰略制高點，但由于目前的AI算法往往都各具優劣，只有給它們設定一個合適的場景才能最好地發揮其作用，因此，確定應用領域就成為發展AI芯片的重要前提。但遺憾的是，當前尚不存在適應多種應用的通用算法，人工智能的“殺手”級應用還未出現，已經存在的一些應用對于消費者的日常生活來說也非剛需，因此哪家芯片公司能夠抓住市場痛點，最先實現應用落地，就可以在人工智能芯片的賽道上取得較大優勢。

架構創新是AI芯片面臨的一個不可回避的課題。需要回答一個重要問題：是否會出現像通用CPU那樣獨立存在的AI處理器?如果存在的話，它的架構是怎樣的?如果不存在，目前以滿足特定應用為主要目標的AI芯片就一定只能以IP核的方式存在，最終被各種各樣的SoC(system-on-a-chip)所集成。這無疑帶來了新的問題，芯片的體積和功耗是必須要考慮的重要因素，傳統芯片公司在SoC的設計優化和工程實現上無疑比以算法起家的初創AI芯片公司更具經驗。

從芯片發展的大趨勢來看，現在還是AI芯片的初級階段。無論是科研還是產業應用都有巨大的創新空間。從確定算法、應用場景的AI加速芯片向具備更高靈活性、適應性的通用智能芯片發展是技術發展的必然方向。未來 2 年之內 AI 芯片產業將持續火熱，公司扎堆進入，但是到了2020年前后，則將會出現一批出局者，行業洗牌開始，最終的成功與否則將取決于各家公司技術路徑的選擇和產品落地的速度。

二、人工智能芯片行業盈利因素分析

傳統芯片時代奉行一種說法：生態遠比技術更重要。芯片是底層硬件，在此之上，還需要有適配的操作系統、軟件開發環境、算法，再到應用軟件。只有整個生態鏈條成熟，芯片才能真正發揮價值。但在AI時代，情況不一樣了。傳統的芯片公司、軟件算法公司涇渭分明，這種模式已經不適應AI時代。未來，人工智能芯片公司必須要有“芯片加算法”，提供完整解決方案的能力。

芯片不僅是一個技術密集、資本密集、人才密集的高門檻行業，同樣也是產業鏈很長的行業。在這條很長的產業鏈里，僅芯片公司，也有著不同的盈利模式。比如英特爾和AMD，用戶可以直接購買其芯片，高通則為手機廠商提供芯片，英特爾、AMD和高通取得的成績也證明了這一商業模式的成功。除了賣芯片，IP授權的模式也成就了一些芯片公司，典型的例子就是Arm，Arm靠提供芯片的知識產權發家，憑借著與英特爾的差異化競爭，Arm架構的芯片如今已經搭載在了大部分的移動智能設備中。還有如今AI芯片領域的代表英偉達，英偉達最早也出售芯片，后來慢慢轉變為賣GPU卡。

三、人工智能芯片行業盈利模式分析

到了AI時代，不同的AI芯片公司也在用不同的商業模式探索AI芯片的落地。人工智能IP公司典型的就是AI獨角獸公司寒武紀，并且寒武紀IP落地已經有成功案例，其IP搭載在麒麟970和麒麟980的SoC中。不過，在AI時代的AI芯片公司似乎更傾向于提供AI加速卡以及相關的服務。例如華為強調，華為昇騰910和310芯片將不會對外單獨銷售，而是以AI加速卡、加速模塊、服務器和一體機等模式對外銷售。另外，比特大陸、云天勵飛等擁有AI芯片的公司也都更傾向于提供模塊化的方案。

AI芯片相較于傳統芯片的特點是多了算法，這意味著AI芯片這樣軟硬結合的產品，單獨出售芯片可能無法工作，而AI算法也是一個稀缺資源，所以將算法和芯片捆綁作為一體化的方案也就成了許多公司的想法。

人工智能芯片行業發展的影響因素

一、有利因素

近幾年，AI技術的應用場景開始向移動設備轉移，比如汽車上的自動駕駛、手機上的人臉識別等。產業的需求促成了技術的進步，而AI芯片作為產業的根基，必須達到更強的性能、更高的效率、更小的體積，才能完成AI技術從云端到終端的轉移。

目前，AI芯片的研發方向主要分兩種：一是基于傳統馮·諾依曼架構的FPGA(現場可編程門陣列)和ASIC(專用集成電路)芯片，二是模仿人腦神經元結構設計的類腦芯片。其中FPGA和ASIC芯片不管是研發還是應用，都已經形成一定規模;而類腦芯片雖然還處于研發初期，但具備很大潛力，可能在未來成為行業內的主流。

二、不利因素

目前主流 AI芯片的核心主要是利用 MAC(Multiplier and Accumulation，乘加計算)加速陣列來實現對 CNN(卷積神經網絡)中最主要的卷積運算的加速。這一代 AI 芯片主要有如下 3個方面的問題。

(1)深度學習計算所需數據量巨大，造成內存帶寬成為整個系統的瓶頸，即所謂的“memory wall”問題。

(2)與第一個問題相關，內存大量訪問和MAC陣列的大量運算，造成AI芯片整體功耗的增加。

(3)深度學習對算力要求很高，要提升算力，最好的方法是做硬件加速，但是同時深度學習算法的發展也是日新月異，新的算法可能在已經固化的硬件加速器上無法得到很好的支持，即性能和靈活度之間的平衡問題。

放眼未來，GPU、TPU等適合并行運算的處理器成為支撐人工智能運算的主力器件，既存在競爭又長期共存，一定程度可相互配合;FPGA有望在數據中心業務承擔較多角色，在云端主要作為有效補充存在。

《2022-2027年中國人工智能芯片行業發展分析及投資風險預測報告》由中研普華人工智能芯片行業分析專家領銜撰寫，主要分析了人工智能芯片行業的市場規模、發展現狀與投資前景，同時對人工智能芯片行業的未來發展做出科學的趨勢預測和專業的人工智能芯片行業數據分析，幫助客戶評估人工智能芯片行業投資價值。

• 相關深度報告REPORTS

  

  2022-2027年中國人工智能芯片行業發展分析及投資風險預測報告

  人工智能芯片也被稱為AI加速器或計算卡，即專門用于處理人工智能應用中的大量計算任務的模塊（其他非計算任務仍由CPU負責）。業界關于AI芯片的定義仍然缺乏一套嚴格和公認的標準。比較寬泛的看A...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡