近幾年來，人工智能行業飛速發展。麥肯錫預測人工智能可在未來十年為全球GDP增長貢獻1.2個百分點，為全球經濟活動增加13萬億美元產值，其貢獻率可以與歷史上第一次“工業革命”中蒸汽機等變革技術的引入相媲美。

從產業鏈來看，人工智能可以分為技術支撐層、基礎應用層和產品層,各層面環環相扣，基礎層和支撐層提供技術運算的平臺、資源、算法，應用層的發展離不開基礎層和技術的應用。

人工智能產業鏈

資料來源：凱聯資本投研部

基礎層分為硬件和軟件。硬件即具備儲存、運算能力的芯片，以及獲取外部數據信息的傳感器；軟件則為用以計算的大數據。這里我們著重分析硬件部分的智能芯片。

1、智能芯片

按技術架構來看，智能芯片可分為通用類芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、類腦計算芯片（IBMTureNorth）。對于絕大多數智能需求來說，基于通用處理器的傳統計算機成本高、功耗高、體積大、速度慢，難以接受。因此以CPU、GPU、FPGA、ASIC和類腦芯片為代表的計算芯片以高性能計算能力被引入深度學習。

AI半導體分類

資料來源：谷歌，凱聯資本投研部

2017年各AI企業公開芯片數據

資料來源：中國科學院自動化研究所，凱聯資本投研部

(1)GPU

大規模數據量下，傳統CPU運算性能受限。遵循的是馮諾依曼架構，其核心就是：存儲程序，順序執行。隨著摩爾定律的推進以及對更大規模與更快處理速度的需求的增加，CPU執行任務的速度受到限制。GPU在計算方面具有高效的并行性。用于圖像處理的GPU芯片因海量數據并行運算能力，被最先引入深度學習。CPU中的大部分晶體管主要用于構建控制電路（如分支預測等）和Cache，只有少部分的晶體管來完成實際的運算工作。GPU 與 CPU 的設計目標不同，其控制電路相對簡單，而且對Cache的需求較小，所以大部分晶體管可以組成各類專用電路和多條流水線，使GPU的計算速度有了突破性的飛躍，擁有驚人的處理浮點運算的能力。

GPU與CPU結構對比

資料來源：谷歌，凱聯資本投研部

(2)FPGA

FPGA（可編程門陣列，Field Programmable GateArray）是一種集成大量基本門電路及存儲器的芯片，最大特點為可編程?？赏ㄟ^燒錄FPGA配置文件來來定義這些門電路及存儲器間的連線，從而實現特定的功能。此外可以通過即時編程燒入修改內部邏輯結構，從而實現不同邏輯功能。FPGA具有能耗優勢明顯、低延時和高吞吐的特性。不同于采用馮諾依曼架構的CPU與GPU，FPGA 主要由可編程邏輯單元、可編程內部連接和輸入輸出模塊構成。FPGA每個邏輯單元的功能和邏輯單元之間的連接在寫入程序后就已經確定，因此在進行運算時無需取指令、指令譯碼，邏輯單元之間也無需通過共享內存來通信。因此，盡管FPGA主頻遠低于CPU，但完成相同運算所需時鐘周期要少于CPU，能耗優勢明顯，并具有低延時、高吞吐的特性。

FPGA結構圖

資料來源：谷歌，凱聯資本投研部

(3)ASIC

ASIC 芯片是專用定制芯片，為實現特定要求而定制的芯片。除了不能擴展以外，在功耗、可靠性、體積方面都有優勢，尤其在高性能、低功耗的移動端。谷歌的TPU、寒武紀的GPU，地平線的BPU都屬于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，與CPU和GPU相比，TPU把控制縮小了，因此減少了芯片的面積，降低了功耗。其缺點在于開發周期長、投入成本大，一般公司難以承擔。

張量處理器（tensor processing unit，TPU）是Google為機器學習定制的專用芯片（ASIC），專為Google的深度學習框架TensorFlow而設計。與GPU相比，TPU采用低精度（8 位）計算，以降低每步操作使用的晶體管數量。降低精度對于深度學習的準確度影響很小，但卻可以大幅降低功耗、加快運算速度。Google在2016年首次公布了TPU。2017年公布第二代TPU，并將其部署在Google云平臺之上，第二代TPU的浮點運算能力高達每秒180 萬億次。

AI芯片主要性能對比

資料來源：學術論文，凱聯資本投研部

2、智能芯片架構

架構創新是解決成本不斷上漲的關鍵。隨著市場對芯片計算能力的需求提高，芯片制造工藝也在不斷提高，與之而來的是芯片制造成本不斷漲高，解決這個問題的關鍵則是架構創新。目前 AI 芯片主要架構有CPU+GPU、CPU+FPGA、CPU+ASIC等。

主流AI處理器的制程和架構

資料來源：電子發燒友，凱聯資本投研部

3、智能芯片的應用

深度學習主要分為訓練和推斷兩個環節：在數據訓練（training）階段，大量的標記或者未標記的數據被輸入深度神經網絡中進行訓練，隨著深度神經網絡模型層數的增多，與之相對應的權重參數成倍的增長，從而對硬件的計算能力有著越來越高的需求，此階段的設計目標是高并發高吞吐量。

推斷（inference）則分為兩大類——云側推斷與端側推斷，云側推斷推斷不僅要求硬件有著高性能計算，更重要的是對于多指令數據的處理能力。就比如Bing搜索引擎同時要對數以萬計的圖片搜索要求進行識別推斷從而給出搜索結果；端側推斷更強調在高性能計算和低功耗中尋找一個平衡點，設計目標是低延時低功耗。

因此從目前市場需求來看，人工智能芯片可以分為三個類別：

1) 用于訓練（training）的芯片：主要面向各大AI企業及實驗室的訓練環節市場。目前被業內廣泛接受的是“CPU+GPU”的異構模式，由于AMD在通用計算以及生態圈構建方面的長期缺位，導致了在深度學習GPU加速市場 NVIDIA一家獨大。面臨這一局面，谷歌今年發布TPU2.0 能高效支持訓練環節的深度網絡加速。我們在此后進行具體分析；

2) 用于云側推斷（inferenceoncloud）的芯片：在云端推斷環節，GPU不再是最優的選擇，取而代之的是，目前 3A（阿里云、Amazon、微軟 Azure）都紛紛探索“云服務器+FPGA”模式替代傳統CPU以支撐推斷環節在云端的技術密集型任務。但是以谷歌TPU為代表的ASIC也對云端推斷的市場份額有所希冀；

3) 用于端側推斷（inferenceondevice）的芯片：未來在相當一部分人工智能應用場景中，要求終端設備本身需要具備足夠的推斷計算能力，而顯然當前ARM等架構芯片的計算能力，并不能滿足這些終端設備的本地深度神經網絡推斷，業界需要全新的低功耗異構芯片，賦予設備足夠的算力去應對未來越發增多的人工智能應用場景。我們預計在這個領域的深度學習的執行將更多的依賴于ASIC。