2017-人工智能芯片的竞争-GPU正红，ASIC拥抱未来_21页-1mb

人工智能芯片竞争分析报告总结

核心内容

人工智能芯片是人工智能发展的核心硬件支撑，其主要作用是加速AI算法的执行和训练过程。随着深度学习算法的广泛应用，传统CPU在处理海量数据时面临性能瓶颈，因此，GPU、FPGA和ASIC等专用芯片成为AI加速的主要解决方案。

AI芯片按使用场景可分为云端（服务器端）和终端（移动端）芯片。云端芯片需支持高精度浮点运算，以满足复杂神经网络的训练需求；终端芯片则更注重能效和低功耗，以适应移动设备的限制。

主要观点

• GPU：具有成熟的生态系统，是最早应用于深度学习的芯片，适合训练阶段的浮点运算需求。其性能远超CPU，但存在并行计算利用率不高、结构固定、能效偏低等问题。
• FPGA：具有较高的灵活性和能效，适合需要动态调整的AI应用，但计算单元有限、功耗和成本仍较高，主要适用于军工和工业领域。
• ASIC：性能和能效全面领先，专为特定AI任务设计，具备高定制化能力。虽然开发成本高，但随着规模效应，其成本将逐步下降，未来有望成为AI芯片的主流。

关键信息

1. AI加速需求与CPU的矛盾

• AI算法需要大量数据训练，对并行计算和能效有极高要求。
• CPU的架构设计不适合处理海量并行计算任务，而GPU、FPGA和ASIC则提供了更优的解决方案。

2. GPU的优势与局限

• 优势：GPU在浮点运算和并行计算方面表现优异，已形成完整的生态系统，是当前AI加速的主要力量。
• 局限：
  • 并行计算优势无法充分发挥；
  • 硬件结构固定，不支持灵活编程；
  • 能效远低于FPGA和ASIC。

3. FPGA的灵活性与局限

• 优势：FPGA具有高灵活性，可重复编程，适合需要定制化的AI应用。
• 局限：
  • 基本单元计算能力有限；
  • 功耗和速度仍有提升空间；
  • 成本较高，适合高端企业用户。

4. ASIC的性能与前景

• 优势：
  • 性能和能效全面领先，如Google的TPU1是传统GPU的14-16倍，寒武纪的DIANNAO系列是GPU的118倍；
  • 适合特定AI任务，如卷积神经网络（CNN）和多层感知（MLP）；
  • 随着规模效应，成本将逐步降低，未来将成为AI芯片的核心。
• 局限：初期开发成本高，灵活性低，适合巨头企业进行定制化开发。

5. 类脑芯片的探索

• 类脑芯片是基于神经形态工程，模仿人脑信息处理方式，具有低功耗、实时处理非结构化信息和自主学习能力。
• 目前仍处于初期阶段，商业化尚需时间。

6. AI芯片应用场景

• 云端：需要高性能、高精度计算，适合大规模深度学习训练。
• 终端：强调低功耗、高能效，适用于手机、车载、安防等移动应用。

推荐标的

行业趋势与风险

行业趋势

• GPU仍占据当前AI加速市场主导地位，但ASIC和FPGA正在快速崛起。
• 未来AI芯片将呈现多元化发展，不同芯片将根据应用场景进行优化和部署。
• 中国企业在AI芯片领域有较强竞争力，如寒武纪、中科曙光等。

核心假设风险

• 中美IT合作受阻：政治因素可能影响AI芯片的全球合作与技术交流。

图表与数据

• 图1：深度学习是实现人工智能的一种算法
• 图2：AI具有训练和执行两个过程
• 图3：人工神经网络需要海量数据
• 图4：传统结构已经不能满足计算的需求
• 图5：AI的三种专用芯片：GPU、ASIC、FPGA
• 图6：GPU具有先天的运算能力
• 图7：AI芯片的云端和终端应用场景
• 图8：蒙代尔不可能三角帮助理解芯片的折中
• 图9：英伟达V100加强AI能力
• 图10：英伟达主导GPU市场
• 图11：华为麒麟970芯片核心架构

表格总结

表1：CPU与GPU对比

表2：三类AI芯片各有优缺

表3：主要人工智能ASIC芯片对比

表4：科技巨头纷纷布局ASIC芯片

表5：各科技机构类脑芯片布局

表6：ASIC性能全面领先

表7：行业重点公司估值表

结论

AI芯片行业正迎来快速发展，GPU、FPGA和ASIC各具特点，适用于不同应用场景。GPU在当前AI爆发阶段具有先发优势，而ASIC在性能和能效方面表现更优，未来将成为AI芯片的核心。FPGA作为中间方案，具备灵活性但成本较高。寒武纪、中科曙光、中科创达和富瀚微等公司有望在AI芯片领域占据重要位置。