人工智能的三大核心，是深度學習算法、數據和算力。在這三大要素中，大數據的獲取和處理難度在下降，算法也在深度學習模型的基礎上不斷優化，而統一協調數據和算法的AI芯片能否獲得大的飛躍，成為市場關注的焦點。

根據Gartner數據，全球各大芯片公司、互聯網巨頭和創業企業都在AI芯片市場競爭，預計到2023年全球市場規模將達到323億美元，其中數據中心、個人終端和物聯網芯片是增長重點。

深度學習算法對芯片性能需求主要為：大數據在計算和存儲單元之間的高速通信需求；專業計算能力需求，深度學習算法中有大量卷積、殘差網絡、全連接等特殊計算需要處理，需要需要提升運算速度，降低功耗；大數據對芯片提出的新要求，非結構化數據增多，對傳統芯片結構造成較大壓力。

通用CPU在深度學習中可用但效率低。比如在圖像處理領域，主要用到的是CNN（卷積神經網絡），在自然語言識別、語音處理等領域，主要用到的是RNN（循環神經網絡），雖然這兩種算法模型有較大差別，但本質都是向量和矩陣運算。

正因為CPU在AI計算上的弱點，給了可以實現海量并行計算且能夠計算加速的AI芯片開拓了市場空間。AI芯片，包括基于傳統架構的GPU、FPGA以及ASIC，也包括類腦芯片和可重構AI芯片等。

AI芯片還可以按照部署位置劃分為云端芯片和邊緣端芯片。云端芯片部署位置包括公有云、私有云、混合云等，主要用于處理大數據和大規模運算，還能夠支持語音、圖片、視頻等非結構化應用的計算和傳輸，可用多個處理器并行完成相關任務；邊緣端AI芯片主要應用于嵌入式、移動終端等，如攝像頭、智能手機、邊緣服務器、工控設備，此類芯片一般體系小、耗電低，性能要求略低，一般只具備少量AI能力。

同時AI芯片按照任務還可以劃分為訓練芯片和推理芯片。訓練芯片通過大量標記過的數據在平臺上進行“學習”，并形成具備特定功能的神經網絡模型；推理則是利用已經訓練好的模型輸入新數據通過計算得到各種結論。訓練芯片對算力、精度要求高且需要一定的通用性，推理芯片更注重綜合能力，包括算力能耗、時延、成本等。

訓練芯片由于對算力的要求，只適合在云端部署，多采用“CPU+加速芯片”，加速芯片可以是CPU、FPGA或者ASIC。AI訓練芯片市場集中度高，英偉達和谷歌領先，英特爾和AMD正在發力。推理芯片在云端和終端都可以進行，門檻低，市場參與者多，比如英偉達、谷歌、賽靈思、寒武紀等。終端推理芯片市場較為分散，參與者有英偉達、英特爾、ARM、高通、寒武紀、地平線、云知聲等。

GPU、FPGA、ASIC各有特點和優勢。GPU是由大量核心組成的大規模并行計算架構，專為多任務并行運算處理設計的芯片。以英偉達的GPUTITANX為例，其在深度學習中所需的訓練時間是CPU的1/10以下，但缺點是功耗高。

FPGA靈活性最高，可根據用戶需求，用硬件描述語言對FPGA的硬件電路進行設計。同時FPGA具有算力強、功耗優勢明顯、成本可控等優勢，但是技術難度大，目前國內公司差距明顯。基于此，FPGA被廣泛應用在AI云端和終端推理，亞馬遜、微軟都推出了基于FPGA的云計算服務，國內包括騰訊云、阿里云和百度大腦也有所布局，但差距較大。從市場上看，FPGA被賽靈思、英特爾、Lattice和Microsemi壟斷，其中賽靈思和英特爾市場份額超過90%。

ASIC是對特定用戶需求設計的定制芯片，性能強、體積小、功耗低、可靠性高。ASIC是一種技術方案，產品和功能可以是多樣的。越來越多的公司開始采用ASIC芯片進行深度學習算法加速，比如Google的TPU。但是ASIC研發周期長，商業應用風險大。國內寒武紀開發的Cambricon系列處理器就在此列中，華為海思的麒麟980處理器搭載的NPU就是寒武紀的處理器IP。

整體來看，短期GPU仍然主導AI芯片市場，GPGA使用更為廣泛。長期來看GPU、FPGA和ASIC三大技術路線將并存。GPU主要方向是高級復雜算法和通用型人工智能平臺，FPGA在垂直領域有較大空間，ASIC長遠來看適用于面向各種場景的定制化需求。

目前國內人工智能芯片行業發展處于起步階段，在GPU和DSP設計上處于追趕狀態。但全球芯片生態上并沒有形成全封閉式壟斷，國內芯片廠商尤其是專用芯片設計廠商，還是存在彎道超車的機會，其主打的應用場景為云端數據中心、自動駕駛、智能家居和機器人領域。隨著5G和物聯網等應用的成熟落地，相關芯片產品的市場空間將進一步擴大。
責任編輯人：CC