以深度學習為核心的新一代人工智能技術(shù)，近年來在機器視覺、語音識別等領(lǐng)域迅速發(fā)展，已經(jīng)開始像水電煤一樣賦能于各個行業(yè)。作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，人工智能受到了各國政府的高度重視，我國也將其提升到了國家戰(zhàn)略層面。本輪人工智能產(chǎn)業(yè)的迅猛發(fā)展主要得益于算法、數(shù)據(jù)和算力三大要素。目前我國在數(shù)據(jù)和算法方面具備一定優(yōu)勢，而為人工智能產(chǎn)業(yè)發(fā)展和應用落地提供強大算力支撐的芯片是較大短板，極大依賴于進口。本文從人工智能芯片發(fā)展現(xiàn)狀和主流技術(shù)路徑入手，通過分析人工智能芯片國產(chǎn)化現(xiàn)狀與瓶頸問題，進而得出發(fā)展思路建議。

一、人工智能芯片市場分析

根據(jù)中商產(chǎn)業(yè)研究院數(shù)據(jù)，2017年全球人工智能芯片市場規(guī)模達到44.7億美元，約占全球半導體市場總規(guī)模的1.1%；預計2020年有望突破百億大關(guān)，發(fā)展空間巨大。而我國的人工智能芯片行業(yè)發(fā)展尚處于起步階段，2017年我國人工智能芯片市場規(guī)模為33.3億元，同比增長75%；預計隨著5G、物聯(lián)網(wǎng)、大數(shù)據(jù)等應用的發(fā)展，人工智能芯片的發(fā)展未來3年將迎來新一輪的爆發(fā)，市場前景十分廣闊（見圖1、圖2）。

二、人工智能芯片技術(shù)路徑對比分析

人工智能芯片是一個方興未艾的領(lǐng)域，尚未形成統(tǒng)一的標準和方案。最初的深度學習場景采用的芯片是CPU，但CPU的并行計算能力太低，很快便無法滿足深度學習對算力的需求。目前業(yè)界主流的技術(shù)路徑主要有GPU、FPGA、ASIC等，針對神經(jīng)網(wǎng)絡算法而言，在通用性和性能功耗比等方面各有優(yōu)劣（見表1）。

GPU，即圖形處理器，最初是用作繪圖運算的微處理器，可以快速地處理圖像上的每一個像素點，后來發(fā)現(xiàn)，其海量數(shù)據(jù)并行運算的能力與深度學習需求不謀而合，因此較早被引入深度學習。GPU目前已成為深度學習訓練的首要選擇。GPU的關(guān)鍵性能是并行計算，適合深度學習計算的主要原因一是高帶寬的緩存有效提升了大量數(shù)據(jù)交互時的效率。GPU的緩存結(jié)構(gòu)為共享緩存，相比于CPU，GPU線程之間的數(shù)據(jù)通信不需要訪問全局內(nèi)存，而在共享內(nèi)存中就可以直接訪問。二是多計算核心提升并行計算能力。GPU具有數(shù)以千計的計算核心、可實現(xiàn)10～100倍于CPU的應用吞吐量。

FPGA，即現(xiàn)場可編程門陣列，一種集成大量基本門電路及存儲器的芯片，可通過燒入FPGA配置文件定義這些門電路及存儲器間的連線，進而實現(xiàn)特定功能。FPGA沒有預先定義的指令集概念和確定的數(shù)據(jù)位寬，可基于應用場景的高度定制，因此FPGA在應用于深度學習時具備可定制、可重構(gòu)的特點。此外，F(xiàn)PGA適合用于低延遲的流式計算密集型任務處理，所以FPGA做面向海量用戶高并發(fā)的云端推斷，相比GPU具備更低計算延遲的優(yōu)勢。FPGA廣泛使用的主要瓶頸是成本高昂，且使用者必須具備電路設計能力。 

ASIC，即專用集成電路，是不可配置的高度定制專用芯片。不同于GPU和FPGA的通用性和靈活性，定制化的ASIC一旦流片后則無更改余地，若市場深度學習方向一旦改變，ASIC前期投入將無法回收，意味著ASIC具有較大的市場風險。但ASIC作為專用芯片性能高于GPU和FPGA，如能實現(xiàn)高出貨量，其單顆成本可做到遠低于FPGA。

類腦芯片，其架構(gòu)是一款模擬人腦的新型芯片編程架構(gòu)，完全不同于傳統(tǒng)的馮諾依曼架構(gòu)。這種芯片的功能類似于大腦的神經(jīng)突觸，處理器類似于神經(jīng)元，而其通信系統(tǒng)類似于神經(jīng)纖維，可以允許開發(fā)者為類腦芯片設計應用程序。通過這種神經(jīng)元網(wǎng)絡系統(tǒng)，計算機可以感知、記憶和處理大量不同的情況。類腦芯片尚處于實驗室研發(fā)階段，如IBM研發(fā)的真北芯片（TrueNorth）。

從功能上看，深度學習可分為訓練（Training）和推斷（Inference）兩個環(huán)節(jié)。基于上述各類人工智能芯片的性能特點，在訓練環(huán)節(jié)，主要以GPU為主；在云端推斷環(huán)節(jié)，除了使用GPU進行運算外，F(xiàn)PGA和ASIC也發(fā)揮了重大作用；終端推斷環(huán)節(jié)，所用芯片則主要以ASIC為主。

三、人工智能芯片國產(chǎn)化現(xiàn)狀

GPU、FPGA依賴進口，國產(chǎn)化程度低。全球70%的人工智能GPU芯片市場都被NVIDIA占據(jù)。FPGA行業(yè)呈現(xiàn)典型的寡頭競爭格局，主要4家生產(chǎn)廠家都在美國。根據(jù)Gartner的數(shù)據(jù)，F(xiàn)PGA器件的廠家主要有Xilinx(賽靈思)、Altera(阿爾特拉)、Lattice(萊迪思)和Microsemi(美高森美)，這4家公司都在美國，總共占據(jù)了98%以上的市場份額。其中全球份額Xilinx占49%，Altera占39%，剩余的占比12%。國內(nèi)廠商在GPU方面鮮有布局，F(xiàn)PGA方面也僅有復旦微電子等少數(shù)芯片廠商涉足，但與國外差距巨大。

ASIC芯片國產(chǎn)化程度較好。由于ASIC芯片的高度定制化和專用性，因此市場集中度不高，芯片供應廠商較多，或是由終端應用廠商自行研發(fā)設計。ASIC主要企業(yè)包括Google的TPU系列處理器，以及國內(nèi)的寒武紀、地平線、深鑒科技等公司。

四、人工智能芯片國產(chǎn)化瓶頸問題

（一）通用芯片被國外牢牢把控，僅在定制化芯片方面有布局

美國在人工智能芯片的各條技術(shù)路線均有布局，Nvidia、Xilinx、Google三家龍頭企業(yè)分別沿著GPU、FPGA、ASIC路線不斷大力投入人工智能芯片研發(fā)，三管齊下，無論哪家公司最終取得成功，都將大大增強美國在人工智能領(lǐng)域的話語權(quán)和領(lǐng)導力。而相比國內(nèi)，包括寒武紀、地平線、華為海思等各家公司都只基于ASIC技術(shù)發(fā)展AI芯片，未能進入GPU、FPGA等通用芯片領(lǐng)域。

（二）人工智能計算框架及芯片生態(tài)由國際巨頭主導

計算框架是人工智能技術(shù)體系的核心，而目前主流的深度學習框架如TensorFlow、Caffe等主要由谷歌、亞馬孫等國際巨頭主導，人工智能芯片公司在芯片設計和編譯器開發(fā)過程中都需要考慮到與主流計算框架之間的適應性。其次，國際芯片巨頭如英偉達等廠商已經(jīng)具備較強的生態(tài)優(yōu)勢，市場對其芯片的指令集和配套軟件都較為熟悉，易于用戶編程開發(fā)。此外，EDA等芯片設計的基礎開發(fā)工具也長期受制于人。這些生態(tài)及軟件問題都極大限制了國產(chǎn)人工智能芯片的發(fā)展。

（三）國產(chǎn)人工智能芯片需求前景不明朗

鑒于可靠性和風險考量，國內(nèi)人工智能應用層廠商使用國產(chǎn)芯片替換的意愿不強，而且大型終端應用廠商漫長的芯片驗證周期也加大了芯片國產(chǎn)替代的難度。目前國內(nèi)的人工智能芯片如寒武紀，主要與深圳海思合作，在華為產(chǎn)品上試用；地平線以及依圖科技旗下的Thinkforce等公司主要是自產(chǎn)自銷，難以大規(guī)模推廣。

五、人工智能芯片國產(chǎn)化發(fā)展思路

（一）強強聯(lián)合，打造國內(nèi)人工智能軟硬件生態(tài)

在PC時代和移動終端時代，Wintel體系（微軟+Intel）和AA體系（ARM+安卓）通過打造生態(tài)的模式牢牢把控產(chǎn)業(yè)的主導權(quán)。而人工智能屬于新興領(lǐng)域，尚未形成技術(shù)路徑依賴，產(chǎn)業(yè)生態(tài)也未完全成形。建議國內(nèi)強化頂層設計，加強軟硬件協(xié)同布局，鼓勵百度、商湯等軟件算法企業(yè)與芯片企業(yè)合作，重點布局開源計算框架+芯片的生態(tài)體系，把控人工智能產(chǎn)業(yè)的基礎核心環(huán)節(jié)。

（二）全面布局，政府層面加強對通用芯片支持力度

在技術(shù)路徑上，遵循全面布局、分步突破原則，近期重點突破ASIC芯片，遠期突破GPU、FPGA等通用芯片；在應用環(huán)節(jié)上逐步拓展，從邊緣端逐步擴展到云端，從推理芯片拓展到訓練芯片；同時探索多種芯片高效協(xié)同運行的芯片解決方案。由于ASIC芯片專用性強，不同廠商往往需根據(jù)應用場景需求自主研發(fā)；而GPU、FPGA等通用芯片由于有標準化產(chǎn)品，國內(nèi)終端應用廠商自主研發(fā)或國產(chǎn)化替代意愿不強。因此，建議政府層面在GPU和FPGA等通用芯片領(lǐng)域加強布局推廣力度。

（三）加強類腦芯片等前沿性領(lǐng)域布局

充分發(fā)揮國內(nèi)高校以及科研院所力量，布局類腦芯片等前沿性領(lǐng)域。由于類腦芯片尚屬于理論研究階段，國際巨頭尚未形成技術(shù)及知識產(chǎn)權(quán)壁壘，國內(nèi)外在該領(lǐng)域尚處于同一起跑線，因此建議提前布局以使我國在人工智能芯片領(lǐng)域存在換道超車的可能性。