智能计算芯片：人工智能产业硬件基础与第一桶金-计算机行业AI系列报告之一20170921-华泰证券-42页-2mb

人工智能产业硬件基础与智能计算芯片分析

核心内容概述

随着深度学习算法的成熟和大数据技术的发展，人工智能技术在多个行业应用中实现突破性进展，推动了智能计算芯片需求的增长。智能计算芯片作为人工智能产业的硬件基础，具有重要的战略意义和投资价值。本文主要分析了CPU、GPU、FPGA和ASIC等芯片类型及其在人工智能中的应用前景，同时对相关公司进行了投资建议。

主要观点

• 人工智能大时代到来：人工智能技术在语音、图像识别等感知智能领域准确率超过95%，并在围棋、德州扑克等复杂决策领域取得突破，成为各国重点发展的产业。
• 国家产业支持政策频繁出台：中国将人工智能写入政府工作报告，提升至国家战略高度，预计2020年国内人工智能核心产业规模将达1500亿元，带动相关产业规模超1万亿元。
• 智能计算芯片需求旺盛：人工智能对计算能力要求高，GPU、FPGA和ASIC等芯片在不同场景下具有独特优势，2020年国内智能计算芯片市场规模有望突破100亿元。

关键信息

1. CPU：数据中心传统支柱，AI时代结合专用芯片多元化发展

• 功能与分类：CPU是计算机的运算和控制核心，分为CISC和RISC架构，其中CISC广泛用于PC和低端服务器，RISC用于中高档服务器和移动设备。
• AI中的应用：尽管CPU在性能和效率上不如GPU，但其作为控制核心，未来将更多与GPU、FPGA等搭配使用。
• 重点公司：
  • Intel：占据全球数据中心CPU市场90%以上份额，推出Nervana平台和Lake Crest架构，布局无人驾驶和AI芯片。
  • AMD：推出Ryzen和EPYC系列CPU，与中科曙光合作研发国产化服务器CPU，推出Vega架构GPU和RadeonInstinct平台。

2. GPU：智能时代的通用高性能计算芯片，生态完整迅速崛起

• 功能与分类：GPU主要分为集成显卡和独立显卡，集成显卡适用于嵌入式设备，独立显卡适用于高性能计算。
• AI中的应用：GPU凭借强大的并行计算能力和通用性，成为人工智能计算的主流方案，特别是在深度学习领域。
• 重点公司：
  • NVIDIA：从PC显卡巨头转型为AI计算领导者，推出Tesla P100和V100等高性能GPU，构建完善的AI计算生态。
  • AMD：推出Vega架构GPU和RadeonInstinct平台，与Intel合作推出Kaby Lake-G处理器，布局异构计算和AI领域。

3. FPGA：可编程配置灵活，高性能低功耗优势明显

• 特点：FPGA可通过编程灵活修改电路，适用于特定算法，性能优于CPU但能耗较低。
• AI中的应用：在人工智能计算中，FPGA因灵活性和低能耗被重点应用，但开发成本较高。
• 重点公司：
  • Xilinx：全球领先的FPGA厂商，提供高性能计算方案。
  • Intel：通过收购Altera，进入FPGA市场。
  • Microsemi：专注于低功耗FPGA解决方案。
  • Lattice：提供灵活的FPGA产品，适合AI应用。
  • 深鉴科技：专注于AI芯片设计，与FPGA结合应用。

4. ASIC专用电路：神经网络处理器是人工智能计算终极解决方案

• 特点：ASIC是高度定制化的芯片，专门用于神经网络计算，性能和功耗比远超GPU和FPGA。
• AI中的应用：ASIC芯片因性能和效率优势，被认为是AI计算的终极解决方案。
• 重点公司：
  • 华为：推出麒麟970芯片，集成NPU，实现端云协同AI计算。
  • 苹果：A11处理器支持AI计算，提升设备智能化。
  • 寒武纪科技：专注于AI芯片研发，与华为等企业合作。
  • 中星微：推出NPU，应用于AI领域。

投资建议

• 重点推荐：
  • 景嘉微：拥有成熟GPU产品，具备国产安全优势。
  • 中科曙光：获得AMD最新架构CPU授权，与寒武纪、英伟达合作。
  • 科大讯飞：与寒武纪合作，布局AI算法和应用。
  • 中科创达：与华为深度合作，推动AI软硬生态发展。

风险提示

• 技术风险：国产智能芯片技术进步不达预期。
• 应用风险：AI行业应用进展不达预期。

图表目录

• 图表1：CHIME语音识别竞赛历届冠军准确率
• 图表2：ImageNet图像识别竞赛历届冠军准确率
• 图表3：围棋人机大战
• 图表4：德州扑克人机大战
• 图表5：人工智能在众多行业领域应用进入落地阶段
• 图表6：全球人工智能投资额及投资笔数
• 图表7：孙正义复活方程式
• 图表8：2015年以来IT和互联网巨头AI领域布局
• 图表9：全球AI市场规模
• 图表10：中国AI市场规模
• 图表11：美国干预中国收购海外半导体企业
• 图表12：2016年全球数据中心AI应用统计
• 图表13：Intel 2017年中报各业务营收
• 图表14：Intel人工智能NERVANA平台
• 图表15：Intel人工智能架构LakeCrest微结构
• 图表16：Intel全领域“端到端”方案
• 图表17：PC端CPU市场份额
• 图表18：AMD服务器端EPYC与IntelXeon芯片性能对比
• 图表19：AMD PC端Ryzen芯片与Intel I7芯片全面对比
• 图表20：集成显卡GPU市占率
• 图表21：独立显卡GPU市占率
• 图表22：CPU和GPU微结构对比
• 图表23：Nvidia Tesla V100相比于P100的性能提升
• 图表24：英伟达近十年来年报业绩表现
• 图表25：“Kaby Lake-G”处理器
• 图表26：AMD最新VegaGPU性能测试
• 图表27：AMD APU功能示意
• 图表28：ARM的Mali-G51 GPU
• 图表29：Imagination的Power VR系列
• 图表30：军用图形显控产品应用示意
• 图表31：主动防护雷达系统
• 图表32：FPGA架构图
• 图表33：CPU和FPGA协同工作
• 图表34：Xilinx近年来年报业绩表现
• 图表35：IBM神经网络处理器结构
• 图表36：Google TPU架构
• 图表37：ARM发布DynamIQ架构
• 图表38：Mobileye EyeQ5芯片的电路系统块图
• 图表39：寒武纪芯片微结构
• 图表40：华为麒麟970芯片重要技术参数
• 图表41：华为麒麟970芯片内部架构
• 图表42：华为麒麟970芯片功能亮点
• 图表43：搭载NPU的华为麒麟970芯片图像识别领域的超强性能
• 图表44：华为端云协同AI移动战略
• 图表45：华为与中科创达共筑AI生态
• 图表46：苹果A11CPU性能提升
• 图表47：苹果A11GPU性能提升
• 图表48：百度发布DuerOS智慧芯片
• 图表49：中星微NPU

结论

人工智能产业的快速发展推动了智能计算芯片的需求增长，智能计算芯片作为核心硬件基础，具有广阔的发展前景和投资价值。不同类型的芯片在AI领域各有优势，GPU、FPGA和ASIC等在不同应用场景中发挥重要作用。随着国家政策的支持和产业生态的完善，国产智能计算芯片有望在人工智能领域实现突破。