头豹词条报告系列：AI算力芯片

AI算力芯片行业分类 AI芯片是一种全新的处理器，被设计用于处理人工智能任务。不同类型的AI芯片具有不同的特点和优势，例如1）ASIC是专用AI芯片，能够提供比通用处理器更高的效率和性能，2）GPU最初是专门用于游戏图形加速， 但它们可以用于加速深度学习和神经网络的训练和推理，3）FPGA是可重新配置的硬件，可以专门定制用于特 定的AI任务，4）CPU是通用处理器，虽然效率可能不如其他类型的AI芯片，但它们适用于一般的AI计算任务。 5）NPU则是专门用于神经网络计算的处理器，能够提供更高的效率和能效。最近出现的边缘AI芯片则是一种专 门用于设备本身上执行AI任务的处理器，不需要连接到云服务，具有低能耗和低成本等优点。总之，AI芯片是重 要的工具，可以让人工智能技术应用到更多领域，提高效率和性能，并在未来继续有着重要的作用。 按照芯片架构进行分类 ASIC芯片是一种专门为特定应用程序而设计的定制化芯片。相对于通用处理器，ASIC芯片可以提供更高的性能和更低的功耗。ASIC芯片可以用于各种不同的应用程序，例如机器学习、人工智能、加密货币挖掘等。 ASIC芯片的设计相对较复杂，需要一系列的工艺和流程，并且需要大量的研发投入。但一旦设计完成，ASIC芯片可以显著提高特定应用程序的性能，使其更快、更高效。ASIC芯片的主要优势在于其特定性质，能够对特定应用程序进行高度优化，从而实现较高的性能和较低的功耗。另一方面，由于ASIC芯片无法轻易地重新编程或改变其功能，也让其相对较难以适应不同应用的需求，成本也相对较高。尽管有这些限制，但ASIC芯片仍然是许多现代电子设备的核心，可以帮助实现更高效、更快速的计算和处理。 ASIC（应用特定集成电路） GPU芯片（Graphics Processing Unit，图形处理 器）最初是为了加速游戏图形而设计的，但随着科技的发展，GPU已经被广泛应用于许多领域，特别是在人工智能和机器学习方面。GPU芯片具有大量的核心，可以同时进行许多简单的操作，使其特别适用于执行并行的计算任务。与CPU相比，GPU芯片可以提供更高的计算能力和效率，同时保持较低的功耗。除了在游戏 FPGA芯片的运行效率和性能与ASIC芯片相比还有一定差距。 NPU芯片 （Neural Processing Unit）是一种特殊的处理器，专门为神经网络应用程序而设计。NPU芯片实现了一种称为“指令级并行处理”的方法，使得在进行人工智能和机器学习操作时，这种芯片可以处理数百万的乘加运算。与GPU芯片相比，NPU芯片可以提供更高的性能和效率，特别是在移动设备和物联网设备等资源受限的环境中。NPU芯片可以加速神经网络的训练和推理，并在许多领域中得到广泛应用，例如图像识别、语音识别、自动驾驶、机器人、智能音箱等。 NPU（神经处理器） NPU芯片通常被嵌入于处理器或系统芯片中，以实现高速和高效的神经网络计算。需要注意的是，由于NPU芯片是专门为神经网络应用程序而设计的，因此它不适用于所有类型的计算任务。此外，NPU芯片的设计通常相对较复杂，需要大量的研究和开发，因此成本也较高。 边缘AI芯片是一种专门用于支持边缘计算和人工智能应用的芯片，也被称为AIoT（AI of Things）芯片。 边缘AI芯片在功能和处理能力方面与GPU、NPU等芯片相似，但是其设计目的是通过将人工智能算法移至网络边缘，实现低时延、高可靠性和更高的隐私保护。边缘AI芯片通常内置多种传感器、计算、网络等元素，可以集成复杂的AI算法和模型，并支持特定的边缘计算任务，从而实现将人工智能应用移至物联网前端（例如智能门锁、智能机器人等）或本地设备（如智能手机、智能汽车等）处理。与传统的人工智能应用程序相比，边缘AI芯片的优点在于其能够减少网络流量和传输延迟，提高数据处理效率和隐私保护，同时为物联网领域中越来越多的智能化设备提供更好的支持。需要注意的是，由于边缘AI芯片的应用领域比较特定，因此其适应性和可扩展性相对较低。 边缘AI芯片 成本、提高用户体验、加强安全性等。根据工信部的数据统计，中国人工智能产业链中应用层企业比例超过 80%，这些企业依靠场景应用的落地，成为了人工智能产业的主要驱动力。计算机视觉（34%）、机器人 （17%）、自然语言处理（7%）、机器学习（18%）、生物识别（2%）等领域是中国人工智能企业十大应用 技术领域中居于前列的技术。企业服务、机器人和通用方案、安防、汽车等领域是当前中国人工智能应用的主要方向，未来随着应用场景的不断扩大，预计边缘/终端芯片的需求将会持续增长。随着中国在人工智能领域不断 增大的投入和不断完善的产业链布局，中国的人工智能行业将有更多的机遇和发展空间。根据IT桔子投融资数据库显示，2021年中国人工智能芯片相关领域融资事件共计92起，融资总金额达到300亿人民币。同时，随着人 工智能在各个行业的应用逐步深入，人工智能企业需要在技术创新、场景应用、产品规划、市场定位等方面持续创新和进步，以顺应行业发展的趋势和要求。另外，AI芯片的行业特征也体现在技术门槛高且代码重要，芯片的 设计和制造需要高端科技和专业人才，这对新进入市场的企业提出了更高的要求。对于已经进入市场的企业，他们需要依靠技术创新不断提升自身竞争力，以应对不断变化的市场和技术发展，根据领英人才数据库，2021年 全球人工智能领域专业技术人才数量达到190万，其中美国人工智能专业领域人才总数达到85万人，占比高达 44.7%，高居榜首，而中国人工智能领域专业技术人才数量达到5万人，位居全球第七。值得一提的是，随着应用场景和需求不断扩大，AI芯片将从单一领域发展成为多领域的应用，这将需要企业在AI芯片技术、产品规划和 市场定位上做出相应的调整和创新。对于AI芯片行业从业人员而言，他们需要掌握相关技术，不断学习和更新知识才能适应行业发展的速度和变化。总的来看，AI芯片行业的发展前景非常广阔，但需要企业和从业人员持续创 [4] 新和进步。 [5 AI芯片商业模式呈现多样化，主要分为IP授权与流片两种模式 AI芯片的商业模式可以分为芯片制造和应用开发两个方面。在芯片制造方面，企业通过研发和生产AI芯片，为其他企业和终端用户提供芯片产品。在应用开发方面，企业通过基于AI芯片的应用开发，为客户提供智能化或自动化的解决方案。 人工智能芯片行业主要存在两种商业模式：IP授权和流片模式。在IP授权模式中，IP设计公司将自主设计的芯片功能单元（如CPU、GPU、DSP、NPU等）授权给其他IC设计公司使用。对于企业而言，在使用IP授 权模式进行芯片设计时，需要向授权方支付一定的授权费用以购买IP设计的使用权，同时在最终芯片产品销售中，需要支付给授权方芯片最终售价的1%~3%的版税。授权费用的支付可以覆盖IP开发的成本，而 版税则是IP设计公司的主要盈利来源。以生命周期5000万颗的计算，如果按照每颗40元的价格来计算各种IP授权购买费，大概需要支付20亿人民币。而对于单项ARM CPU授权，则每次需要支付约1亿美元的费 用。除了IP授权，在自研部件方面，除了比较复杂的APU外，其余自研部件还包括多模通讯基带 （2G/3G/4G/5G等）、相机ISP（图像信号处理器）、各种控制开关、微核等。这一部分的成本很难估算，并且需要长期的研发成果来支撑。暂时估算这部分成本为10亿人民币。因此，在人工智能芯片的设计 过程中，企业需要考虑到设计成本、IP授权费用、研发成本等多个方面的成本，并寻求商业模式的平衡点，以实现盈利和可持续发展。但由于优质IP资源经常集中在科技巨头手中，缺乏自主设计、竞争力较弱 的公司往往无法提供具有综合竞争力的解决方案，容易失败退出市场或被收购。流片模式虽然需要较大的前期投入，但是一款成功的芯片产品能够带来丰厚的利润。通常，芯片产品的定价采用8:20原则，即芯片 硬件成本与最终产品售价比例为8:20。这个比例会因公司对市场话语权的不同而上下波动。一款成功的芯片销售毛利应在60%以上，但公司是否能够实现真正的盈利，还需要扣除前期研发费用和其他运营费用。 因此，芯片流片模式需要寻找市场需求和技术发展的平衡点，以实现商业模式的可持续性发展。自从芯片代工行业迈入10nm工艺后，芯片的生产成本不断攀升，10nm芯片的开发成本已超过1.7亿美元，7nm芯 片接近3亿美元，5nm芯片超过5亿美元。如果要制造基于3nm开发出NVIDIA GPU那样复杂的芯片，设计成本将高达15亿美元。芯片的成本由多个方面组成，包括流片费用、IP授权购买费、自研部件费用、高 通专利费和研发工程师工资奖金等。其中，流片费用是指为芯片进行试生产的成本，试生产几片甚至几十片供测试用，在测试通过后才开始大规模生产。以7nm FinFET工艺为例，流片费用约为3000万美元（参 考麒麟990流片费用，同时兼顾考虑联发科与台积电同属中国台湾地区，可能有优惠），相当于约合2.1亿人民币。例如，华为麒麟990处理器正在使用台积电7nm Plus EUV技术制造，而流片费用就高达3000万 美金。芯片代工行业对于企业而言面临着越来越大的成本压力，因此企业需要更多关注技术提升和创新，寻找平衡点，以实现商业模式的可持续发展。在芯片的生命周期中，需要高效协同进行研发、生产、推广 和销售等各个环节，从而缩短产品从概念到实际推广上市的时间，获取更快的市场反馈和更好的市场机 会。最后，需要将技术和商业模式相结合，不断寻找商业模式和技术的平衡点，以实现可持续的发展。 人工智能芯片的应用范围和深度正在不断扩大和深化 在智能家居领域，人工智能芯片可以实现更加准确、快捷和智能化的语音识别、控制和交互，为用户带来无以伦比的使用体验。在自动驾驶领域，人工智能芯片的活跃应用使得车辆具备更为智能的决策能力和感知能力，提高了行驶安全性和效率。在机器人领域，人工智能芯片赋予了机器人更高的视觉识别和运动控制能力，可实现更为复杂的任务和协作。在医疗领域，人工智能芯片可以用于医学影像分析、疾病诊断及治疗等方面，为提高医疗水平和效率发挥着关键作用。在金融和安防领域，人工智能芯片可以应用于金融风控、反欺诈、安防监控等领域，实现智能化安全监测和风险控制等功能。总之，人工智能芯片在不同领域的应用运用，为人们带来了更加智能、便捷和高效的生活方式。 AI芯片可以根据细分市场结构分类为云端芯片和终端芯片。云端芯片又可分为云端训练和云端推理芯片， 主要应用于海量数据的深度神经网络模型的训练和推理，部署在公有云、私有云、混合云或数据中心、超算等计算基础设施领域。终端芯片则主要承担推理任务，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。目前，云端训练芯片仍然处于市场主导地位，但增长速度最慢，而云端推理芯片 和终端推理芯片市场在未来几年都将保持快速增长。中国是全球最大的AI芯片应用市场之一，不同行业的应用发展不平衡。云计算和安防行业是中国AI芯片应用的主要行业，占比最高；而交通、金融和工业等其 他行业占比相对较低，但增速非常高，未来应用占比将会显著提升。未来数据中心需求依然巨大，云计算依旧是中国最大的AI芯片应用行业；而安防行业也将为AI芯片提供较大的增量。同时，零售、医疗等行业 将持续提高对AI芯片的应用程度并具备较高增速。根据中国新一代人工智能发展战略研究院所公布的数据，2020年人工智能企业核心技术的分布中，大数据和云计算占比最高，达到了41.13%；其次是硬件、 机器学习和推荐、服务机器人，占比分别为7.64%、6.81%和5.64%。物联网、工业机器人、语音识别和自然语言处理的占比分别为5.55%、5.47%和4.76%。2020年，382家基础层和技术层企业的核心技术分 布中，大数据和云计算仍然是最重要的核心技术，其占比为28.27%。其次是人脸、步态和表情识别技术，占比达到13.61%。智能芯片、语音识别和自然语言处理技术的占比分别为