在政策和资本的双重推动下，国内AI芯片市场发展迅猛。伴随国内人工智能芯片市场的发展，多位工业级创始人团队开始投入AI SIC。2016-2017年为导入期，2018年为整合期，在多笔融资过亿的资本项目推动下这些创始人团队所在的公司在2018年相继推出了可量产的人工智能芯片产品。2018年行业整合后，多个国产AI SIC可以供货，将能够满足下游安防厂商、互联网厂商、机器人厂商的旺盛需求。
未来中国人工智能芯片市场规模将超75亿元
目前，我国的人工智能芯片行业发展尚处于起步阶段。随着大数据的发展，计算能力的提升，人工智能近两年迎来了新一轮的爆发。据前瞻产业研究院发布的《中国人工智能芯片行业市场需求分析与投资前景预测》统计数据显示，2016年中国人工智能芯片市场规模仅仅达16亿元。截止至2017年中国人工智能芯片市场规模增长至33亿元，同比增长75%。初步测算2018年中国人工智能芯片市场规模将达45.6亿元左右，同比增长37.1%。并预测至2020年中国人工智能芯片市场规模将达到了75.1亿元，同比增长33.9%。
2016-2020年中国人工智能芯片市场规模统计及增长情况
数据来源：前瞻产业研究院整理
国内企业专攻某类领域，需完善自身产业链
从全球范围内各大人工智能芯片企业产品布局情况来看，各个种类的人工智能芯片领域几乎都能看到国外半导体巨头的影子，反观国内的人工智能芯片企业，由于它们大部分是新创公司，所以在人工智能芯片领域的渗透率较低，这些企业主要聚集在ASIC、类脑和DSP领域，如寒武纪主打ASIC芯片，中星微电子在DSP芯片领域有所研究，而近几年兴起的类脑芯片领域，西井科技有所涉足。
2018年，国内人工智能芯片取得长足的发展，越来越多的企业开始布局该行业。一方面，新版、升级版人工智能芯片相继发布，新版本芯片取得突破性发展。以华为为例，在华为全连接大会上，发布两款 AI 芯片——华为昇腾910和昇腾310，昇腾910 是目前单芯片计算密度最大的芯片，计算力远超谷歌及英伟达，而昇腾310芯片的最大功耗仅8W，是极致高效计算低功耗AI芯片。另一方面，芯片领域迎来众多新玩家，百度、阿里巴巴、亚马逊等互联网公司相继进入人工智能芯片领域，推出或计划推出相应产品。
2018年全球范围内具有代表性的人工智能芯片产品分析情况
资料来源：前瞻产业研究院整理
国内厂商竞争优势不明显，但在特定领域有成功案例
目前国内人工智能芯片设计企业的商业模式分为IP设计、芯片设计代工、芯片设计三种类型。IP设计相对于芯片设计是在更顶层的产业链位置，以IP核授权收费为主;芯片设计代工和制造业的代工一样，提供代工设计服务的企业，并不能再产品上贴上自己的标签，也不能对外宣布该产品为自己设计的芯片;大部分的人工智能新创企业是以芯片设计为主，但目前国内只有少数人工智能芯片设计企业会进入传统芯片企业的产品领域，如寒武纪与英伟达竞争服务器芯片市场、地平此案与英伟达及恩智浦竞争自动驾驶芯片市场，其余是在物联网场景上布局(如提供语音辨识芯片的云知声、提供人脸辨识芯片的中星微电子、提供边缘计算芯片的耐能科技)。
国内人工智能芯片设计企业分析情况
资料来源：前瞻产业研究院整理
专用人工智能芯片领域的竞争格局：国际巨头谷歌与英伟达在机器学习终端解决方案模块及软件与固件上处于垄断地位，可以看出未来在人工智能端的应用领域已经不再单单是人工智能算法、IP到芯片的竞争，而国内的人工智能算法/IP/芯片龙头公司像寒武纪，地平线为了存活，就必须与应用领域系统公司紧密合作，共同推出更佳的嵌入式或独立式解决方案模块及软，固件，否则就要像谷歌和英伟达一样推出自己整套的解决方案。虽然比特大陆及嘉楠耘智进入人工智能芯片领域较晚，但其在挖矿机业务及挖矿生态系的系统整合经验，反而比只具备算法/IP/芯片的人工智能设计公司还有机会。
行业融资总额超30亿美元，但超大型融资事件较少
据不完全统计，目前中国的一级投资市场上，以人工智能芯片设计为主要业务的企业中，有20家参与融资活动，按照投融资阶段分类，有4家企业在A轮之前阶段，11家企业在A轮阶段，3家在B轮阶段，仅有2家在C轮阶段之后。
2018年底中国人工智能芯片行业融资轮次企业数量分布情况
数据来源：前瞻产业研究院整理
截至2018年底，中国人工智能芯片企业融资总额超过30亿美元，但仅有3家企业融资总金额超过2亿美元，分别是比特大陆、地平线与寒武纪;有2家企业融资总额在5000万美元到2亿美元之间，分别是熠知电子和触景无限;其余15家企业的融资总金额都在5000万美元以下。
2018年底中国人工智能芯片行业融资总额企业数量分布情况
数据来源：前瞻产业研究院整理
行业创新技术正逐步解决两大困境，三大技术趋势将出现
人工智能芯片行业在发展的过程中正面临两大困境：一是冯•诺依曼的“内存墙”—— 在 AI 芯片实现中，由于访问存储器的速度无法跟上运算部件消耗数据的速度，再增加运算部件也无法得到充分利用，即形成所谓的冯·诺伊曼“瓶颈”，或“内存墙”问题，是长期困扰计算机体系结构的难题。另一个是摩尔定律“失效”—— 由于基础物理原理限制和经济的原因，持续提高集成密度将变得越来越困难。
而随着近几年可以存储模拟数值的非易失性存储器发展迅猛，它可以同时具有存储和处理数据能力，可以破解传统计算体系结构的一些基本限制，有望实现类脑突触功能，随即上述两项困境也将逐步得到解决。
从英伟达的V100 GPU芯片和谷歌的Cloud TPU芯片的相继发布可以看出云端人工智能芯片在架构层面，技术发展呈现三大趋势：
一是芯片存储的需求越来越高。未来云端人工智能芯片会有越来越多的片上存储器，以及能够提供高宽带的片外存储器。
二是芯片的处理能力将推想每秒千万亿次，并支持灵活伸延和部署。对云端 AI 芯片来说，单芯片的处理能力可能会达到每秒千万亿次的水平。实现这一目标除了要依靠CMOS工艺的进步，也需要架构的创新。比如在谷歌第一代TPU中，使用了脉动阵列架构，而在 英伟达的V100 GPU中，专门增加了张量核来处理矩阵运算。
三是专门针对推断需求的FPGA和ASIC芯片将会越来越多。推断和训练相比有其特殊性，更强调吞吐率、能效和实时性，未来在云端很可能会有更多专门针对推断的ASIC芯片出现。
扫码加好友，拉您进群
全部版块
我的主页
收藏
