《人工智能芯片行业深度分析：市场规模、技术路线、机遇挑战、未来趋势.docx》由会员分享，可在线阅读，更多相关《人工智能芯片行业深度分析：市场规模、技术路线、机遇挑战、未来趋势.docx（12页珍藏版）》请在第壹文秘上搜索。
1、人工智能芯片行业深度分析报告（市场规模、技术路线、机遇挑战、未来趋势）2023年3月一、人工智能芯片行业概览41 .人工智能芯片以场景和功能分类42 .人工智能芯片以技术路线分类43 .人工智能芯片行业市场规模与行业构成7二、行业在新技术、新产业、新业态、新模式等方面近三年的发展情况和未来发展趋势8L芯片行业整体受到政策鼓励支持，Al芯片发展受益国内需求和国产化进程92 .AI芯片研发将从技术导向转向场景导向93 .AI芯片发展从侧重云端向端云一体化发展9三、行业面临的机遇与挑战101.以新基建为代表的扶持政策助力行业发展103 .用户需求提升和技术扩散带来的应用场景拓展124 .国际局势动荡
2、为各企业供应链带来挑战12一、人工智能芯片行业概览人工智能芯片指应用在人工智能算法加速，主要实现大规模并行计算的芯片。而在更广泛的概念下，任何应用在人工智能领域的芯片都可被称为人工智能芯片。1.人工智能芯片以场景和功能分类人工智能芯片可根据场景和功能分为云端训练、云端推理、终端训练和终端推理四个类别:功能场景训练推理云端云端训练：云端即数据中心，对神经网络而言，训练过程就是通过不断更新网络参数，缩小推理（或者预测）误差的过程。由于涉及海量的训练数据和复杂的深度神经网络结构，云端训练对芯片性能的要求很高云端推理：推理过程是指直接将数据输入神经网络并评估结果的正向计算过程。相比云端训练芯片，云端推
3、理芯片考虑的因素不再聚焦于算力，而需要同时考虑功耗、算力、时延、成本等因素终端终端训练：训练对数据量的要求和终端场景在功耗、成本的限制存在一定的矛盾，目前此类型产品亟待研究终端推理：在5G技术和AlOT技术高速发展的今天，终端推理芯片有越来越丰富的应用场景，部署在数字城市传感器、自动驾驶汽车、智慧家居等各种终端设备中，需求和约束也日趋多样，由于对速度、体积、能效、安全、成本等因素的考虑，模型对准确度和数据精度的要求略有降低2.人工智能芯片以技术路线分类深度学习架构下的人工智能芯片以技术路线进行划分，主要包括GPU、FPGA、ASIC、ASIP等类别:GPU使用SlMD让多个执行单元同时处理不同
4、的数据，其离散化和分布式的特征，以及用矩阵运算替代布尔运算的设计使之适合处理深度学习所需要的非线性离散数据。与同样基于冯诺依曼架构的CPU不同的是，在传统的冯诺依曼结构中，CPU每执行一条指令都需要存储读取、指令分析、分支跳转才能进行运算，从而限制了处理器的性能；而GPU大部分的晶体管可以组成各类专用电路、多条流水线，运算单元明显增多，适合大规模的并行计算。如下图的结构对比图所示，GPU拥有更多的ALU用于数据处理，这样的结构适合对密集型数据进行并行处理，获得高于CPU几十倍甚至上千倍的运行速度。在云端,通用GPU,被广泛应用于深度神经网络训练和推理。但是,GPU并非专门针对Al算法，在执行算
5、法中能耗相对较高、效率相对较低，有一定的时延问题。来源：NVIDIAFPGA利用门电路直接运算，而用户可以自由定义这些门电路和存储器之间的布线，改变执行方案。其基本原理是集成大量的基本门电路以及存储器，通过大量的可编程逻辑单元实现针对性的算法设计，即实现以硬件定义软件。FPGA通过可编程逻辑综合，在并行计算上能够获得和GPU接近的并行计算性能,相比CPU,有明显的性能提升，同时在功耗上优势明显在深度学习算法仍处于高速迭代的状态下，FPGA因其可重构特性而具有显著优势。FPGA市场化的阻碍主要在于高昂的硬件和开发成本，编程相对复杂，为实现重构而降低了计算资源占比，整体运算能力受到影响。ASlC则
6、为专用定制芯片的统称，在架构、设计、成本等方面存在更大的多样性，其中VPU是为图像处理和视觉处理设计的定制芯片。ASlC的架构相对简单，性能和功耗与通用型产品相比更低。由于不需要包含FPGA用于实现重构的可配置片上路由与连线，相同工艺的ASIC计算芯片可以拥有FPGA5/0倍的运算速度，实现PPA最优化设计。ASlC针对场景的定制化设计使其更适合终端推理场景，而如今它的主要劣势在于初期设计的资金投入和研发周期，且针对性设计限制了芯片的通用性。ASlP是一种新型的定制化指令集的处理器芯片，它为某个或某一类型应用而专门设计，通过权衡速度、功耗、成本、灵活性等多个方面的设计约束，设计者可以定制ASl
7、P以达到最好的平衡点，从而适应嵌入式系统的需要。ASlP集合了FPGA和ASlC各自的优点，不仅可以提供ASlC级别的高性能和低功耗，还能提供处理器级别的指令集灵活性，实现可重新编程，更适用于需求尚未被明确定义、需要芯片具备一定通用性和可编程性的应用场景，从而满足Al算法快速更新迭代的需求，并延长芯片的使用生命周期。与其他类型芯片的对比相对GPUCPU具备同等的指令集灵活性，执行效率、功耗、能量效率方面相比CPU、GPU有1-2个数量级的优势。相对DSP在视觉人工智能算法上的执行效率上高2-5倍，功耗只有其12-13o相对ASIC具有后向算法可编程的灵活性，更适合深度学习Al算法的演进和迭代部
8、署。相对FPGA具有高性能、低成本的优势，成本方面有百倍级的成本优势。未来，类脑芯片的神经拟态计算将带来更大的想象空间，其内存、CPU和通信部件将集成为一体，信息处理可以在本地进行。类脑芯片的设计目的也将不局限于加速深度学习算法，而是在芯片结构甚至器件层面上改变设计，开发出全新的类脑计算机体系结构。目前此项技术还尚未得到大规模应用，但很有可能成为行业内长期发展的路径和方向。3.人工智能芯片行业市场规模与行业构成市场规模方面，Al芯片的需求正在快速扩大，根据Frost&Sullivan数据，2021年全球人工智能芯片市场规模为255亿美元。预计2021-2026年，全球人工智能芯片市场规模将以2
9、9.3%的复合增长率增长，2023年将达到490亿美元。据亿欧智库测算，2025年，中国人工智能核心产业市场规模将达到4,000亿元，其中基础层芯片及相关技术的市场规模约1,740亿元。根据赛迪数据报告，从行业结构分布来看，在2021年安防行业是Al芯片落地应用的最大市场，市场规模达到51.1亿元，占比16.72%。其余用途比较广泛的场景还包括零售、医疗、教育、制造、金融、物流、交通等领域。2021年中国Al芯片市场行业应用结构预测（）安防零售医疗金融物流交通较育制造其他来源：赛迪数据根据应用场景，Al芯片可分为云端芯片、边缘端芯片和终端芯片，再根据功能可分为训练芯片和推断芯片。近年来，宏观政
10、策的大力支持和人工智能的普遍应用促进了Al芯片市场的高速扩张。根据中商产业研究院整理的数据，我国Al芯片市场规模由2017年的53亿元增至2021年的436.8亿元，年均复合增长率为69.4%。预计2022年我国Al芯片市场规模将增至850.2亿元。尤其对于终端推断芯片市场，随着人工智能应用生态的逐步建立，AI应用将被更为广泛地部署在终端设备，其市场规模年化增长率将保持在60%以上。而根据甲子光年的统计，2020年中国云端Al芯片的市场规模可以达到111.7亿元，边缘与终端芯片为39亿元。但人工智能在安防、家居、商业等应用领域的大规模落地为边缘与终端芯片带来了更大的市场契机，该市场2018至2
11、023年复合增长率将达到62.2%。来源：甲子光年二、行业在新技术、新产业、新业态、新模式等方面近三年的发展情况和未来发展趋势人工智能芯片技术的发展趋势具体包括如下方面:L芯片行业整体受到政策鼓励支持，AI芯片发展受益国内需求和国产化进程芯片是信息化时代、数字化时代的基石。中国作为全球最大的半导体消费市场，芯片自给率不足，严重依赖进口。为发展国产芯片，实现进口替代，近年来政府出台了一系列政策支持国产芯片行业发展。2020年8月，国务院发布的新时期促进集成电路产业和软件产业高质量发展的若干政策提出将从财税、投融资、研究开发、进出口、人才、知识产权、市场应用、国际合作等8个方面对集成电路和软件产业
12、进行扶持，以加快集成电路和软件产业发展。AI芯片的发展将受益于芯片国产化的政策支持和庞大的国内市场需求。2 .AI芯片研发将从技术导向转向场景导向目前AI芯片设计更多的是从技术需求的角度出发，如芯片架构的选择、芯片性能指标提升等。随着Al芯片领域的竞争越来越激烈，各芯片企业除了在技术层面有所突破，还需加大应用场景的布局，以抢占更多的发展机遇。为了适应碎片化的应用市场，未来的芯片设计需要以客户终端需求为导向，从需求量、商业落地模式、市场壁垒等各个方面综合分析落地的可行性，借助场景落地实现Al芯片的规模发展。3 .AI芯片发展从侧重云端向端云一体化发展云端芯片聚焦非实时、长周期数据的大数据分析，能
13、够支持大量运算共同运行，目前云端Al芯片应用已经相对成熟。随着智能音箱、自动驾驶、无人机、安防监控等应用的丰富，云端的部分推理乃至训练算力将迁移至边缘和终端侧，支撑本地业务的实时智能化处理与执行。边缘和终端侧对Al芯片的需求更为多样、更强调低功耗低成本、技术要求相对较低。得益于人工智能等多种因素的推动，边缘计算将逐渐在公共安防、智能家居、智能交通等诸多领域应用。随着边缘计算兴起，端云一体化的算力布局方案渐成主流，不仅可以实现对算法结构的优化，还从本质上赋能各边缘和终端应用，提供更好更完整的解决方案。三、行业面临的机遇与挑战L以新基建为代表的扶持政策助力行业发展在国内大力发展新基建的背景下，数据
14、中心和海量网络的建设承载着数据的指数型增长。如今的智慧城市仍强调基建和信息传输效率，但与过往不同的是，其技术特征演化为万物互联与基于软件定义的城市服务。随着万物互联的需求日趋多样和复杂，集成电路与数据中心将迎来下一轮的需求增长的爆发。各终端不仅需要具备数据处理能力，还需要能与云端产生实时而灵活的互动，并衍生出更多针对算法和基建的投入，从而持续刺激5G、集成电路、人工智能等领域的发展。随着国际间科技实力的竞争逐渐激化，各国政府都先后出台了针对人工智能发展的支持性政策，并将其上升至国家战略层面。在中国，政府正通过多种形式支持人工智能的发展：中国已经形成了科技部、国家发改委、中央网信办、工信部、中国
15、工程院等多个部门参与的人工智能联合推进机制，从2015年开始先后发布多则支持人工智能发展的政策，为人工智能技术发展和落地提供大量的项目发展基金，并且对人工智能人才的引入和企业创新提供支持。这些政策给行业发展提供坚实政策导向的同时，也给资本市场和行业利益相关者发出积极信号。在推动市场应用方面，中国政府在推动人工智能技术与实体产业深度融合的同时，也在智慧城市的转型中与人工智能产业进行密切合作。作为技术应用的重要采购方，中国政府在落地智慧安防、智慧政务的同时，也成为了推动人工智能产业发展的主导力量之一。4 .5G等技术创新推动人工智能的技术变革与应用渗透随着算法、芯片技术的日益成熟，人工智能技术具备
16、了大规模投放市场的基础条件。而随着近年来新基建的集中投入，5G等底层技术发展进入全面加速状态。5G技术因其大带宽、低时延、广覆盖的特征，成为新基建其他产业的根基技术。底层技术的突破让人工智能技术在更多终端上的大规模应用成为了可能，这也使得人工智能化的物联网终端可以广泛地在各个行业得到大规模的应用，从而使得人工智能技术在更多的行业场景落地。而因为更多的场景能够使用人工智能进行设备处理和数据传输，更多的边缘终端将持续采集海量数据，进而驱动人工智能技术得到进一步的发展、创新基础设施赋能各产业的数字化转型。同时，智能终端在物联网时代的普及将为人工智能芯片提供重要市场机遇。智能终端在不同应用场景下对算力、功耗、时延的多元化需求，使得人
