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 7nm AI 芯片。

AI 芯片投资地图

AI 芯片市场规模： 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 2018 DCI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 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 2022 年将达到 52 亿美元， CAGR～44％。

云端训练芯片： TPU 很难撼动 Nvidia GPU 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 ＋ AMD GPU 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（120 TFLOPS vs． TPUv2 45 TFLOPS），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 的功耗，远不及推断操作节能）。目前 TPU 只提供按时长付费使用的方式，并不对外直接销售，市占率暂时也难以和 Nvidia GPU 匹敌。

Intel

虽然深度学习任务主要由 GPU 承担，但 CPU 目前仍是云计算芯片的主体。 Intel 于 2015年底年收购全球第二大 FPGA 厂商 Altera 以后，也积极布局 CPU＋FPGA 异构计算助力 AI，并持续优化 Xeon CPU 结构。 2017 年 Intel 发布了用于 Xeon 服务器的，新一代标准化的加速卡，使用户可以 AI 领域进行定制计算加速。得益于庞大的云计算市场支撑， Intel 数据中心组业务收入规模一直位于全球首位， 2016－17 年单季保持同比中高个位数增长。 2017年 4 季度起，收入同比增速开始爬坡至 20％左右，但相比 Nvidia 的强劲增长态势仍有差距。

AMD

AMD 虽未单独拆分数据中心收入，但从其计算和图像业务的收入增长情况来看， GPU 销量向好。目前 AMD GPU 也开始切入深度学习训练任务，但市场规模落后于 Nvidia。