中国人工智能芯片行业研究（2022）

智能计算芯世界 2022-12-09 00:00 6664浏览 0评论 20点赞

汽车用卸负载电阻低价方案 技术前沿：ADMT4000多圈传感器技术剖析与应用实践

人工智能算法需要在计算机设备上实现，而芯片又是计算机设备运作的核心零件，因此AI芯片的发展主要依赖两个领域：第一个是模仿人脑建立的数学模型与算法，第二个是半导体集成电路即芯片。优质的算法需要足够的运算能力也就是高性能芯片的支持。

本文参考自“中国人工智能芯片行业研究报告（2022）”，报告从行业发展现状、行业解读、行业挑战与机遇等多个维度进行分析。

下载链接：

中国人工智能芯片行业研究报告（2022）

2022年国产服务器CPU研究框架

2021-2022年中国人工智能产业创业与投资报告

SOC芯片研究框架（2022）

《Chiplet延续摩尔定律系列合集》

1、Chiplet延续摩尔定律：先进制程替代之路

2、Chiplet延续摩尔定律，芯片测试与封装有望获益

3、半导体Chiplet引领封测行业新机遇

4、破局后摩尔时代：Chiplet重塑半导体产业链价值

5、后摩尔时代：Chiplet与先进封装

2022年中国AI工业质检行业产业链分析

2019年发布AI芯片行业研究报告认为，人工智能于芯片的发展分为三个阶段：第一阶段由于芯片算力不足，神经网络算法未能落地；第二阶段芯片算力提升，但仍无法满足神经网络算法需求；第三阶段，GPU和新架构的AI芯片促进了人工智能的落地。

目前，随着第三代神经网络的出现，弥合了神经科学与机器学习之间的壁垒，AI芯片正在向更接近人脑的方向发展。

根据亿欧智库数据，中国人工智能企业的十大应用技术领域中，计算机视觉、机器人、自然语言处理、机器学习、生物识别占比居前五；企业服务、机器人和通用方案以及安防、汽车是AI应用的主要方向，边缘/终端芯片需求将持续增长。

AI芯片的实现包含软件和硬件两个方面。既需研究高效率的智能算法，同时要研究如何将这些算法结合在半导体硅片上，形成最终的产品。

AI芯片一般泛指所有用来加速AI应用，尤其是用在基于神经网络的深度学习中的硬件。

AI芯片根据其技术架构，可分为GPU、FPGA、ASIC及类脑芯片，同时CPU可执行通用AI计算，其中类脑芯片还处于探索阶段。

AI芯片根据其在网络中的位置可以分为云端AI芯片、边缘及终端AI芯片；根据其在实践中的目标，可分为训练（training）芯片和推理（inference）芯片。

云端主要部署训练芯片和推理芯片，承担训练和推理任务，具体指智能数据分析、模型训练任务和部分对传输带宽要求比高的推理任务；边缘和终端主要部署推理芯片，承担推理任务，需要独立完成数据收集、环境感知、人机交互及部分推理决策控制任务。

GPU：从图形处理器到通用数据并行处理器

GPU(Graphics Processing Unit)图形处理器最初是一种专门用于图像处理的微处理器，随着图像处理需求的不断提升，其图像处理能力也得到迅速提升。目前，GPU主要采用数据并行计算模式完成顶点渲染、像素渲染、几何渲染、物理计算和通用计算等任务。因其超过CPU数十倍的计算能力，已成为通用计算机和超级计算机的主要处理器。其中通用图形处理器GPGPU(GeneralPropose Computing on GPU)常用于数据密集的科学与工程计算中。

英伟达与AMD仍占据GPU霸主地位，2018年至今，国产GPU也积极发展中，已有部分产品落地。

ASIC与FPGA: AI芯片领域“兵家必争之地” FPGA全称是Field Programmable Gate Array：可编程逻辑门阵列，是一种“可重构”芯片，具有模块化和规则化的架构，主要包含可编程逻辑模块、片上储存器及用于连接逻辑模块的克重购互连层次结构。在较低的功耗下达到GFLOPS数量级的算力使之成为并行实现人工神经网络的替代方案。

ASIC（Application-Specific Integrated Circuit）是指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。ASIC从性能、能效、成本均极大的超越了标准芯片，非常适合AI计算场景，是当前大部分AI初创公司开发的目标产品。

ASIC与FPGA：功能与市场定位不同，竞争关系不明显

FPGA具有开发周期短，上市速度快，可配置性等特点，目前被大量的应用在大型企业的线上数据处理中心和军工单位。ASIC一次性成本远远高于FPGA，但由于其量产成本低，应用上就偏向于消费电子，如移动终端等领域。

目前，处理器中开始集成FPGA，也出现了可编程的ASIC，同时，随着SoC的发展，两者也在互相融合。

基于不同硬件实现方式的AI芯片：系统级芯片

SoC(System-on-chip，片上系统）作为ASIC设计方法学中的新技术，始于20世纪90年代中期，是以嵌入式系统为核心，以IP复用技术为基础，集软、硬件于一体的集成芯片。在一个芯片上实现信号的传输、存储、处理和I/O等功能，包含嵌入软件及整个系统的全部内容。

由于高集成效能，SoC已经成为微电子芯片发展的必然趋势。

基于不同计算范式的AI芯片：类脑芯片

CPU/GPU/GFPGA/ASIC及SoC是目前用的较多的AI芯片，此类AI芯片大多是基于深度学习，也就是深度神经网络（DNN），以并行方式进行计算的芯片，此类AI芯片又被称为深度学习加速器。

如今，模仿大脑结构的芯片具有更高的效率和更低的功耗，这类基于神经形态计算，也就是脉冲神经网络（SNN)的芯片为类脑芯片。

目前，部分企业产品已进入小批量试用阶段 ,类脑芯片最快将于2023年成熟，能效比有望较当前芯片提高2-3个数量级。

AI芯片发展：向着更低功耗、更接近人脑、更靠近边缘的方向

现在用于深度学习的AI芯片（包括CPU、GPU、FPGA、ASIC）为了实现深度学习的庞大乘积累加运算和并行计算的高性能，芯片面积越做越大，带来了成本和散热等问题。AI芯片软件编程的成熟度、芯片的安全，神经网络的稳定性等问题也未能得到很好的解决，因此，在现有基础上进行改进和完善此类AI芯片仍是当前主要的研究方向。