©科技新知 原創

​作者

| 樟稻 編輯  | 伊頁轉瞬之間，ILSVRC比賽（又稱ImageNet比賽）已經停辦了四年。作為機器視覺領域最受追捧也是最具權威的學術競賽之一，自2010年開辦以來，全球各知名AI企業皆以取得此項比賽最高名次為殊榮。2012年，Krizhevsky團隊採用GPU架構結合CNN（卷積神經網路）演算法，在大賽中將影象識別錯誤率降到15。4%，以領先第二名10%的懸殊差距奪下桂冠。AlexNet的橫空出世，使得全球範圍內掀起了一波深度學習熱潮，這一年也被稱作“深度學習元年”。

卷積神經網路、深度學習等技術的不斷突破，使晶片算力持續提升；新架構的出現繼而解決神經網路算力問題，掀起AI晶片的研究熱潮；2014年9月，國家積體電路產業投資基金（亦稱大基金）設立，此後，千億美元投入半導體產業，更是使晶片行業沸騰。各項條件日益成熟後，2015年至2016年，是AI晶片發展的一個小高潮。一時間，大批創業公司爭相湧入，如今翻看國內AI晶片創業公司的成立時間表，幾乎都是在2015年左右。此後三年，AI晶片技術和產品研發進入“百家爭鳴”階段，這一時期，賽道內誕生了很多新技術、新架構和新模式。但好景不長，進入2020年，AI晶片行業的熱度不斷下降，關於行業泡沫化的呼聲越發高漲。顯然，自2017年到2020年，AI晶片經歷了融資火熱到泡沫出清的過程。按照行業的發展規律，AI晶片無疑面臨兩種結局，一種是徹底無人問津，另一種則是泡沫出清後再次起熱，現階段，行業似乎處在後一種局面。本篇文章旨在對於國內AI晶片行業的現有局勢進行分析，力圖還原一個真實的賽道近況。

01

更快、更高、更強

“圍棋人機大戰”作為人工智慧發展史上里程碑式的事件，在各路媒體報道下，成為一場專門為AI打造的全球科普盛會，人們籍此瞭解到人工智慧已經滲透到日常工作和生活中。少為人知的是，此次人機大戰的主角，擊敗李世石和柯潔的AlphaGo，前後共經歷了5個版本的迭代。

在最早的版本中，AlphaGo採用了176塊GPU來解決運算問題，但AlphaGo的技術並沒有因此止步，隨後在第二版本中採用48塊TPU配合分散式計算解決運算問題，第三版本後因為最佳化深度學習演算法，僅採用4塊TPU和單機即可完成任務，並且超過之前的成就。

而GPU、TPU的源頭，皆來自我們熟悉的CPU，中央處理器。

現今，在算力、演算法和大資料三駕馬車的拉動下，全球人工智慧進入第三次爆發期。作為引領人工智慧的深度學習演算法，對現有的晶片算力提出了更高的要求，傳統的通用CPU由於計算效率低，難以適應Al的計算要求。這時，GPU出現了，同屬晶片技術架構，不同的是，GPU中超過80%部分為運算單元（ALU），而CPU僅有20%。市面上有一種說法，“CPU是大學教授，做的是高數難題。GPU是一群小學生，做的是普通加減乘除”。此說法不甚準確，但GPU確實更擅長於大規模並行運算。

任何事物的產生、發展都有其自身的規律和內在動因。

晶片架構從CPU向GPU演進，背後是通用處理器的架構已經無法適應人工智慧演算法的高需求，在這一主因的推動下，除了GPU外，也出現了FPGA（現場可程式設計門陣列）、ASIC（專用積體電路）等異構晶片，以及類腦神經元結構晶片。而TPU，則是谷歌在2015年6月I/O開發者大會上推出的計算神經網路專用晶片，正是搭載於AlphaGo系統才讓其名聲大振，本質上TPU是一種ASIC晶片方案。現在，基本湊夠了目前市面上最常用的三類AI晶片的技術架構，即GPU，FPGA，ASIC，三者在架構上各有出入，特性自然有所區別。

這裡可以參考保羅·克魯格曼提出的“不可能三角”原理，即不同架構的晶片在通用性、效能、功耗方面有各自的優點和缺點。

拿定製化程度為說，GPU的通用性較好，FPGA，ASIC則分別是半定製化和定製化。以ASIC為例，該類晶片定製化程度較高，因此可以更有針對性地進行硬體層次的最佳化，從而獲得更好的效能，但這同樣使ASIC晶片的設計和製造過程需要耗費大量的資金和工程週期。功能特性的不同也決定了應用場景不同，目前，按照行業內普遍達成的認知，AI晶片根據所在伺服器在網路中的位置可以分為雲端AI晶片，邊緣及終端AI晶片。其中，雲端晶片部署位置包括公有云、私有云或者混合雲等基礎設施，主要用於處理海量資料和大規模計算。終端AI晶片主要應用於嵌入式、移動終端等領域，如攝像頭、智慧手機、邊緣伺服器、工控裝置等，主要涉及自動駕駛、安防等領域。實際上，即使在同一個應用場景，按照具體承擔的任務，還能繼續分為訓練晶片和推理晶片，訓練是指對大量的資料在平臺上進行學習，並形成具備特定功能的神經網路模型；推理則是利用已經訓練好的模型輸入新資料透過計算得到各種結論。

現階段，由於雲端平臺具備支援應用於各領域的全種類演算法模型的能力，因此需要對AI晶片的選配需對其效能、成本、適配性及通用性進行綜合考慮。短期來看，CPU、GPU兩類晶片仍將作為雲端應用場景AI晶片的主流選擇。

而在終端應用場景中，以自動駕駛應用場景為例，對演算法模型推斷過程的即時性有極高的要求，現實駕駛場景中，極短時間內就需要Al晶片給出反饋，因此具備低時延特性的FPGA在自動駕駛應用場景中具備較廣闊的應用前景。總之，相較於雲端應用場景，終端應用場景中ASIC及FPGA晶片應用佔比相對較高，應用佔比呈增長趨勢。此外，三種AI晶片結構有一個共同的地方，即GPU、FPGA、ASIC都是採用馮·諾依曼架構，這就出現了馮·諾依曼瓶頸，也就是說，CPU再快，也要等記憶體（記憶體牆）。現今，儘管FPGA和ASIC足以應對部分應用場景所需，但科學家仍在嘗試將新一代架構的類腦晶片作為解決深度學習計算需求的底層架構。

可以說，AI晶片的迭代，應了奧林匹克的那句經典格言——“更快、更高、更強”。

02

三大玩家誰主沉浮？

現今，隨著中國人工智慧行業的不斷髮展，人工智慧已進入規模化應用初期階段。這背後有諸多因素推動，對AI晶片賽道進行PEST模型分析可知，經濟（Economic）和技術（Technological）因素起到了關鍵性作用。作為人工智慧市場的一部分，人工智慧應用領域的繁榮也正在推動AI晶片市場需求加速擴容。公開資訊顯示，中國AI晶片市場規模由2017年的47。8億元增長至2020年的136。8億元，年複合增長率達42。0%。預計至2025年，中國AI晶片市場規模增長至687。5億元，五年年複合增長率達38。1%，行業具有較高的市場潛力。

蛋糕愈發誘人，想要分享的人自然就多。目前，AI晶片行業主要有三大型別玩家：傳統晶片巨頭，網際網路大廠和AI晶片創業公司。

傳統晶片巨頭研發實力極強，例如英偉達，AMD，英特爾等；網際網路大廠跨界佈局AI晶片，例如阿里巴巴，百度，騰訊；AI晶片創業公司則主要分為兩種，晶片系和算法系，兩者區別在於，前者創始團隊多是以晶片設計起家，後者則是以人工智慧演算法產品起家。由於網際網路大廠佈局AI晶片背後的商業邏輯和傳統晶片巨頭以及AI晶片創業公司有較大的出入，因此，先來分析後兩者的市場地位。市場上，傳統晶片巨頭行業地位難以撼動。以英偉達為例，很長一段時間內，全球主流的硬體平臺都在使用英偉達的GPU進行加速，亞馬遜網路服務、谷歌雲、阿里雲、騰訊雲等計算平臺都使用了英偉達的GPU產品提供深度學習演算法訓練服務。

這裡需要補充的是，半導體產業鏈包含設計、製造，封測，應用，主要的商業模式分為垂直整合模式和垂直分工模式，前者企業業務需包含設計和製造/封測，後者則專營一項業務，像是英偉達和華為海思僅有晶片設計，沒有製造業務，稱作fabless；而臺積電和中芯國際僅代工製造，不涉及晶片設計，稱作foundry。

目前，AI晶片企業大多自己做晶片設計，把流片、封測、量產都外包給專門的服務商。

而晶片設計的商業模式有，IP設計、晶片設計代工和晶片設計三種。IP設計相對於晶片設計是在更頂層的產業鏈位置，以IP授權收費為主，晶片設計代工則是提供代工設計服務的企業，大部分的人工智慧新創企業是以晶片設計為主。

即便AI晶片設計的費用相對而言比較低，但不俗的晶片開發費用，加上長達1-3年的開發週期，以及未知的落地能力，這些都是造成AI晶片創業公司極易夭折的原因。又由於傳統晶片巨頭與AI晶片創業公司之間財力的差距，傳統巨頭的晶片可以選擇更先進的製造工藝，創業公司只能負擔相對成熟的工藝。大公司可以透過製造工藝的碾壓，獲得更好的效能，再透過其渠道、使用者生態的優勢，賣出更多的晶片來收回成本。

AI晶片創業公司也並不是沒有優勢，其大多由相關領域內具有豐富經驗的人士組成團隊，在研發產品上並不弱勢，部分企業的技術甚至較傳統晶片企業較優，且憑藉FPGA、ASIC晶片結構，AI晶片創業公司在終端特定領域的優勢正在凸顯。

此外，網際網路大廠如今也正在成為AI晶片市場上不可忽略的一極。

百度作為最早嘗試研發AI晶片的大廠，據市場公佈的資訊，第一代崑崙晶片已於2020年初量產，第二代崑崙晶片將於2021年下半年量產。阿里巴巴則透過收購中天微，將其與達摩院合併成為平頭哥半導體。此後，平頭哥陸續推出“含光”、“玄鐵”等系列晶片。網際網路大廠中，騰訊的動作最為低調，其AI晶片佈局中，最被經常提起的是騰訊多次投資的AI晶片企業燧原科技。今年4月，據業內人士透露，騰訊大概有50人規模的團隊在做晶片，其AI晶片已經進入流片階段。網際網路大廠佈局AI晶片，目的無非兩種，按照應用場景可以劃分為雲端和終端，在雲端，網際網路大廠在雲計算市場有極高的晶片需求，雲計算市場已經成為網際網路大廠第二增長曲線。但云端晶片售價不菲，自研晶片或者入股某家晶片公司，能起到降本增效的作用。而在終端市場，例如AIOT，其目的則是為了吸引使用者進入自己的生態，最終盈利點大多並不在販賣硬體上，而是在增值服務上。有意思的是，作為戰略佈局，網際網路大廠在設計晶片時可以不計成本，這也將造成一些依賴向網際網路大廠輸出產品的晶片廠商生存空間受到擠壓。某種程度上，網際網路大廠既當運動員，又當裁判員。

總之，現階段，三強競爭，各有優勢，短期來看，傳統晶片巨頭在賽道內的話語權更高，考慮到如今邊緣及終端應用場景正在逐步擴大，AI晶片創業公司未必不能實現逆襲。

03

AI晶片需要冷菜熱炒

7月11日，2021年世界人工智慧大會正式閉幕。如今，人工智慧已經滲透到我們生活的方方面面。此前，作為人工智慧硬體，AI晶片的地位一度尷尬。據「科技新知」查證，2021上半年人工智慧賽道共發生融資事件367起，披露總金額超915。94億元，其中融資事件數同比增長了63。1%。具體來看，上半年披露融資總金額排名前三的品牌分別是邊緣人工智慧晶片領域地平線機器人、大華股份、第四正規化。按照細分賽道來看，近十年來，儘管人工智慧領域的“機器人/智慧硬體、資料服務、計算機視覺”三大賽道在融資數量上位居前三，但晶片/半導體相關技術融資比例也在逐漸上調。今年3月，據路透社報道，位元組跳動正在自研雲端AI晶片和ARM伺服器晶片。近日，在騰訊招聘官網出現多個晶片研發崗位資訊，相關人士迴應稱，基於一些業務的需求，騰訊在特定的領域有一些晶片研發的嘗試，比如AI加速和影片編解碼，但並非通用晶片。網際網路大廠之外，前不久閉幕的世界人工智慧大會上，AI晶片創業公司也頻頻露臉，行業一副重新起熱的架勢。儘管如此，AI晶片行業面臨的難題依舊不少，拿寒武紀來說，頭頂“AI晶片第一股”光環，如今千億市值卻遭“腰斬”，前腳限售股解禁，後腳就迎來了股東清倉減持，利空之意溢於言表。一位行業人士對「科技新知」表示，“一些AI晶片公司的商業模式十分奇葩，很多公司活著都是為了更好地向投資人講好故事，以晶片為名拿補助。”此外，市面上很多AI晶片產品，從產品維度來看，即靈活度、通用性等硬性標準，毫無疑問是成功的，但考慮到能否落地，就要打上一個問號。

本來是要給傳統行業賦能，結果要靠傳統行業續命，“手裡拿著錘子，看啥都是釘子。”落地成了AI晶片行業最大的難題。

儘管面臨諸多問題，但AI晶片行業的重新起熱，對於國內晶片領域“缺芯少魂”的行業現狀卻有一定益處。造成國內晶片被卡脖子局面的原因有很多，最關鍵的因素無非是人才和技術。根據《中國積體電路產業人才白皮書（2017-2018年版）》顯示，我國積體電路產業人才缺口還很大，積體電路高階設計人才、製造人才等普遍稀缺。“晶片光砸錢不行，要砸數學家、物理學家。”一定程度上，AI晶片行業發展能夠促進晶片人才發掘。而在技術層面，誠然，AI晶片主要涉及晶片設計領域，其發展遵循自身業務邏輯，跟國家安全和晶片關鍵領域自主可控關係不大，並非是突破晶片的7nm、5nm等尖端製程。但這正印證中國工程院院士倪光南訪談中提到的這句話，“現在包括BAT網際網路企業，做傳統家電的企業都願意進入到這個領域來促進晶片的發展，我相信這樣的形勢下中國的晶片產業會迅速趕上去。”

參考資料：甲子光年《2021年中國AI晶片發展簡報及典型廠商案例》Hanniman《萬字解析：“AI晶片”通識》億歐智庫《2019年中國AI晶片行業研究報告》施羽暇《人工智慧晶片技術體系研究綜述》頭豹《AI晶片三大應用場景應用現狀及趨勢》光遠資本《投資AI晶片，你需要了解什麼？》平安證券《AI晶片市場正快速起航，國內邊緣芯片面臨更大機遇》歪睿老哥《AI晶片，一隻風口裡難以落地的“豬”》