人工智能芯片行业分析报告.docx
《人工智能芯片行业分析报告.docx》由会员分享，可在线阅读，更多相关《人工智能芯片行业分析报告.docx（14页珍藏版）》请在冰豆网上搜索。
人工智能芯片行业分析报告
2017年人工智能芯片行业分析报告
2017年7月
目录
一、时代的机遇：
谁会成为人工智能时代的ARM4
1、人工智能时代：
AI+将无处不在4
2、智能手机时代ARM公司的“戴维斯双击”6
3、人工智能时代：
底层计算平台存在着大机会8
二、人工智能芯片决胜的主战场在推理环节9
三、几种芯片架构的技术特点：
各有千秋12
1、CPU仍然是最好的通用处理器之一13
2、GPU具有最强大的并行计算能力14
3、FPGA：
万能芯片16
4、ASIC：
高性能功耗比的专用芯片16
四、FPGA未来大有可为17
1、FPGA已在全球七大数据中心实际部署18
2、行业发展趋势：
FPGA大有可为19
（1）算法正在快速迭代中19
（2）芯片NRE费用在指数级上升21
五、行业主要企业简况22
1、FPGA行业呈现双寡头格局22
2、赛灵思23
3、紫光国芯24
时代的机遇：
传统X86架构芯片无法满足需求，人工智能时代呼唤新一代的计算芯片平台。
谁能成为下一代硬件芯片平台，就有望随着海量计算需求的大爆发，上演ARM在智能手机时代爆发的辉煌。
人工智能未来应用主战场是在推理环节。
人工智能尚处于早期，未来人工智能应用主战场推理环节远没有爆发。
目前，英伟达的GPU只是在训练场景中占据着绝对领导地位，GPU并不一定是最后的赢家。
未来GPU、FPGA和ASIC都有机会胜出。
FPGA优点是动态可重配、性能功耗比高，非常适合在云端数据中心部署。
近两年，全球七大超级云计算数据中心包括IBM、Facebook、微软、AWS以及BAT都采用了FPGA服务器。
从行业发展趋势来看，我们认为FPGA潜力被低估了，未来大有可为：
算法正向有利于FPGA发展的方向迭代。
模型压缩是从训练环节走向推理环节的必要过程。
深鉴科技在将LSTM模型的尺寸压缩20倍后，采用了搭建在FPGA上的硬件框架ESE，获得了高一个数量级的能量效率提升。
能量效率分别为CPU的40倍和GPU的11.5倍。
FPGA受益于芯片NRE费用指数级上升带来的规模效应。
随着制程工艺不断提高，芯片NRE费用指数级上升，越来越多的ASIC芯片将由于达不到规模经济而被迫放弃，从而转向直接基于FPGA开发设计。
FPGA行业门槛极高，典型的双寡头竞争格局，目前，FPGA市场空间约50亿美元，其中赛灵思Xilinx占49%市场份额，阿尔特拉Altera（被英特尔收购）占39%。
国内参与者很少,目前国内能够生产FPGA的上市公司仅有紫光国芯（002049）一家，具有较强的稀缺性。
FPGA巨头积极打造生态合作体系，帮助合作伙伴更方便地使用。
赛灵思推出reVision堆栈，克服FPGA采用硬件描述语言，使用难度大的弱点。
一、时代的机遇：
谁会成为人工智能时代的ARM
1、人工智能时代：
AI+将无处不在
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。
2016年谷歌AlphaGo赢得了围棋大战后，人工智能在产业界和资本圈引起了高度关注，成为新的风口。
人工智能的三个核心要素是数据、算法和计算能力。
人工智能之前经历过数次兴衰，一直未能取得突破的障碍主要是数据和计算能力的限制。
相比前几次的热潮，目前人工智能在数据、算法和计算能力方面都有坚实的基础。
因此，我们相信人工智能并不仅是一个风口，而是即将迎来真正属于自己的时代。
人工智能并不是一个单独的存在，而必须要和其他产业结合起来才能创造提升效率，创造价值。
未来将不存在所谓的人工智能，而是人工智能和其他产业的融合，也就是AI+。
展望未来，AI+将无处不在。
按照当前人工智能实现的基本功能来分类，主要有四部分：
图像认知能力、语音语义理解能力、数据分析能力、整合多种能力的机器人。
下面我们将分别按这几种基本功能来介绍人工智能的应用：
图像认知能力的应用。
最常见的应用包括视频安防人脸识别、客流统计、智能交通管理等面向企业的应用，还有视频直播中的鉴黄系统等方面。
而在面向个人应用方面，包括拍照软件中的图片分类检索功能和相册管理等。
语音语义理解能力的应用。
语音是人机最自然的交互方式，现在已经被验证的应用包括客服机器人，呼叫中心，私人助理Siri，亚马逊的Echo音响等。
未来，随着语音语义理解能力的提升，语音有望成为新一代的入口，并衍生出各种应用。
数据分析能力的应用。
数据分析应用范围非常广，在金融中有市场营销分析，风险管控、智能投顾等。
在财务审计方面自动生成报表，文案辅助上自动给招聘文案打分并提出修改建议，人力资源上自动寻找合适的候选者，编程辅助上自动显示相关的函数用法信息。
智能机器人。
软体机器人可以让机器人更接近生物，做出很多人做不好的事情，例如精细抓取、肌肉仿生、穿越障碍等；微型机器人广泛应用于各领域，未来有希望跟纳米技术结合，在医疗领域取得突破；集群机器人可以进行协同搬运，海洋探测等，应用领域会进一步拓展。
人工智能整体仍处市场早期，但是未来空间巨大。
根据国外调查机构Tractica的统计预测数字，2016年全球人工智能收入为6.4亿美元，到2025年预计将增长至368亿美元。
从人工智能的主要构成来看，规模最大的细分市场分别是机器学习应用、自然语言理解、计算机视觉、虚拟个人助手和智能机器人等。
在未来10年甚至更久的时间里，人工智能将是众多智能产业技术和应用发展的突破点，市场空间非常巨大。
2、智能手机时代ARM公司的“戴维斯双击”
在产业发展史中，每一场重要的产业变革总会带来新的重大机遇。
如果能够在新兴产业中占据核心产业链位置，必将能够充分享受新兴产业爆发性增长带来的红利。
ARM在智能手机时代的经历就是最好的例证。
ARM公司历史简介如下：
ARM公司1978年在英国成立。
1985年，ARM设计了第一代32位、6MHz的处理器，用它做出了一台RISC指令集的计算机。
ARM采用的RISC指令集，全称是"精简指令集计算机"（reducedinstructionsetcomputer），它支持的指令比较简单，虽然功能远不如英特尔处理器强大，但是功耗小、价格便宜。
当时处理器行业的霸主是英特尔，它采用的是X86的CISC指令集，占据着PC处理器市场绝大多数的市场份额。
ARM处理器能力不足，根本无法撼动英特尔在PC处理器的市场份额。
ARM处理器另辟蹊径，在嵌入式设备市场找到了发展空间。
它被广泛用在各种嵌入式设备中，包括苹果公司的牛顿PDA。
这些嵌入式设备不需要处理器性能多么强大，而对功耗价格却有很高的要求，这与ARM处理器的特性正好一拍即合。
尽管找到了市场立足点，但是整个20世纪90年代，ARM公司的业绩平平，处理器的出货量徘徊不前。
直到进入21世纪之后，由于手机的快速发展，ARM处理器迎来了快速增长。
而在2007年，ARM迎来了历史性的机遇——智能手机时代的到来。
2007年，乔布斯发布了第一代iPhone，使用的就是三星制造、ARM设计的芯片。
此后的每一款iPhone都采用了ARM架构，稍后推出的谷歌Android手机同样采用了ARM架构。
ARM架构成为了智能手机的“事实标准”。
2015年，包括高通、三星、联发科等在内的全球1384家移动芯片制造商都采用了ARM的架构，全球有超过85%的智能手机和平板电脑的芯片都采用的是ARM架构的处理器，超过70%的智能电视也在使用ARM的处理器。
在此期间，ARM公司营业收入从2008年的3亿英镑增长到2013年的7.14亿英镑，同期净利润从0.44亿英镑增至2亿英镑，净利润CAGR为35.6%。
从股价表现来看，ARM股价受08年金融危机影响下跌到2008年底的80多英镑，此后两年多，连续上涨到2011年初的600多英镑，期间涨幅超过600%。
总结起来，ARM公司之前在嵌入式处理器这个小众市场中占据领导地位，业绩一直徘徊不前。
而后随着智能手机市场爆发，ARM处理器作为整个智能手机的底层硬件平台架构，充分享受了下游市场爆发带来的红利。
ARM公司业绩在2008年到2013年出现了爆发性增长，而股价更是表现出“戴维斯双击”。
3、人工智能时代：
底层计算平台存在着大机会
在人工智能时代，人们对计算能力的需求有指数级的提高，计算能力的要求超过了摩尔定律。
随着互联网用户的快速增长，数据体量的急剧膨胀，数据中心对计算的需求也在迅猛上涨。
诸如深度学习在线预测、直播中的视频转码、图片压缩解压缩以及HTTPS加密等各类应用对计算的需求已远远超出了传统CPU处理器的能力所及。
除此之外，未来在激光雷达、无人机、无人驾驶、智能机器人等终端设备方面对计算能力也会有极大的提升。
另一方面，摩尔定律正在失效，传统X86架构下计算能力的提升开始滞后于摩尔定律。
近几年半导体技术改进达到了物理极限，电路越来越复杂，每一个设计的开发成本高达数百万美元，数十亿美元才能形成新产品投产能力。
2016年3月24日，英特尔宣布正式停用“Tick-Tock”处理器研发模式，未来研发周期将从两年周期向三年期转变。
至此，摩尔定律对英特尔几近失效。
因此，计算能力的需求供给出现了一个巨大的缺口。
一方面处理器性能再无法按照摩尔定律进行增长，另一方面数据增长对计算性能要求超过了按“摩尔定律”增长的速度。
处理器本身无法满足高性能计算（HPC：
HighPerformanceCompute）应用软件的性能需求。
巨大的缺口同时也是时代的机遇：
传统X86架构芯片无法满足需求，时代呼唤新一代的计算芯片平台。
谁能成为下一代硬件芯片平台，就有望随着海量计算需求的大爆发，上演ARM在智能手机时代爆发的辉煌。
二、人工智能芯片决胜的主战场在推理环节
提起人工智能芯片，很多人认为人工智能芯片是一条好的赛道，但是胜负已经明了，英伟达就是最终的赢家。
特别是随着2016年以来人工智能的浪潮，英伟达股价从不到20美元一路上涨到160多美元，更是助长了这种情绪的蔓延。
我们的观点很简单：
目前，英伟达的GPU在训练场景中占据着绝对领导地位。
而人工智能整体仍然处于早期阶段，未来人工智能应用的主战场是在推理环节，远没有爆发。
未来胜负尚未可知，各家技术路线都有机会胜出。
从应用场景来看，人工智能芯片主要应用在训练（training）和推理（inference）两个环节。
训练环节的作用是指利用海量数据，选择合适的训练方法，训练出一个人工智能模型。
训练环节最关心的指标是速度快。
国内外的人工智能巨头公司都建立了庞大的GPU集群，以最快速度处理海量数据训练、验证模型的有效性。
而在线推理环节也就是人工智能模型的实际应用环节，是指利用训练出来的模型来在线响应用户的需求。
推理环节又分为两个场景，一个是在云端数据中心响应用户需求，一个是在前端智能设备响应用户需求。
在云端数据中心，各家公有云服务厂商都纷纷部署了高性能云计算服务器，应用于视频编解码、深度学习、科学计算等多种场景。
随着人工智能技术的发展，未来云端数据中心应用场景还会有极大的丰富。
而在前端智能设备，受模型算法以及计算能力的限制，目前应用还不多。
但是基于实时性及隐私安全要求，很多应用都会在前端部署，未来市场空间非常巨大。
我们以无人驾驶和智能服务机器人为例说明。
在无人驾驶中，无人驾驶汽车需要实时处理来自激光雷达、摄像头等多路传感器传输的海量数据并作出实时反映。
如果通过云端反馈处理，则必然会增加时延和不确定性，导致无人汽车安全性下降。
因此，无人驾驶中必须将计算平台部署在前端。
在智能家居中，未来包括智能服务机器人在内的智能家居设备都需要具备实时环境感知能力及语音语义理解能力等，这些也都需要强大的计算平台作为底层支撑。
而基于私密性考虑，不可能把智能家居的数据都上传云端处理。
因此，智能家居的应用也需要计算平台部署在前端设备中。
与训练环节不同，推理环节更重视性能功耗比。
云端数据中心对高并
升级会员 