人工智能早已悄然融入日常生活：手機應用推薦你喜歡的視頻內容、智能語音助手幫你安排當天的日程、自動駕駛汽車讓你的通勤更加輕松，而這些神奇的智能體驗背后，都離不開一個至關重要的推手——AI芯片。

就像大腦賦予人類思考的能力，AI芯片則賦予機器以智能。無論是數據中心的算力需求，還是邊緣設備的智能升級，抑或是自動駕駛等前沿應用的實現，都離不開高性能、高效率的AI芯片。它的性能不僅影響著人工智能夠的廣度和深度，也決定著應用場景能否帶來令人驚艷的體驗。

隨著AI技術的持續火熱發展，AI芯片市場逐漸成為科技領域的焦點，它不僅牽動著全球科技巨頭神經，也激發了無數初創公司的創新熱情。此次，AI硬件創業公司AGIGA的CEO王曉冉與我們分享了關于AI芯片發展及當前AI芯片市場格局的見解。

PART.01AI芯片的發展歷程

隨著人工智能的迅猛發展，傳統通用芯片已無法滿足人工智能任務對于算力、功耗和延遲的特殊需求，AI芯片應運而生。AI芯片的發展主要經歷了從CPU主導到GPU崛起，再到專用AI芯片涌現的歷程。

01從通用芯片到AI專用芯片

王曉冉表示，如今大家都知道人工智能有“算力、算法、數據”三大支柱，而在半導體設計領域，其實也有三大關鍵支柱，即面積、功耗和性能。而AI芯片的發展，本質上是圍繞著這三個支柱進行持續優化、創新和突破的過程。

早期AI計算多采用通用CPU，但由于CPU主要用于執行串行計算、擅長邏輯和復雜任務，對于AI發展所需要大規模并行計算需求，其性能瓶頸明顯、能耗比不佳，因此難以滿足AI模型快速迭代和大規模數據處理的需求。隨后，GPU憑借其強大的并行處理能力成為AI計算的重要支撐。

GPU初時是為圖形渲染而設計的，具有大量的計算核心，適合并行計算。在深度學習發展的早期，研究人員發現GPU可以顯著加速神經網絡的訓練過程，例如，在圖像識別任務中，使用GPU可以將訓練時間從數周縮短到幾天甚至幾小時。2007年，英偉達發布了通用計算平臺CUDA，幫助開發者將GPU用于圖形渲染之外的并行計算任務，CUDA的出現極大降低了AI研究人員和工程師使用GPU的門檻，使英偉達GPU成為AI計算領域的標準硬件。隨著深度學習的發展，GPU也逐漸成為AI計算的主流硬件，許多深度學習框架，如TensorFlow和PyTorch，都對GPU進行了良好支持，進一步推動了GPU在AI研究和工業界的應用，從學術實驗室到大型互聯網公司的數據中心，GPU被廣泛用于訓練各種深度學習模型。

然而，雖然GPU在AI計算中有很大優勢，但它仍然是一種通用性較強的芯片，在一些特定的AI任務中，如移動設備上的實時語音識別或在自動駕駛汽車上進行低功耗、高實時性環境感知計算，仍然存在能耗高、效率不夠高等問題。于是，專為人工智能設計的AI芯片開始興起，它們通過高度定制化的架構和先進的工藝節點，在縮減芯片面積的同時大幅降低功耗、提高性能。

02AI芯片的類型

AI芯片一般可以從設計工藝和應用場景兩個維度來劃分為不同類型。從設計工藝看，AI芯片主要包括ASIC（專用集成電路）和FPGA（現場可編程門陣列）兩種。

ASIC芯片：為特定應用或算法定制開發的專用芯片，具備高性能、低功耗、小面積的優勢，但開發成本高、周期較長，典型代表如谷歌TPU、華為昇騰芯片等。

FPGA芯片：通過可編程邏輯單元實現不同算法，靈活性高，開發周期短，但在性能、功耗、面積效率方面遜于ASIC，典型產品來自AMD和英特爾。

王曉冉表示，從應用場景的角度，AI芯片大體可分為訓練芯片和推理芯片兩類。訓練芯片主要用于AI模型的訓練過程，這一場景強調極高的計算性能、高精度浮點運算以及數據吞吐能力，典型代表包括英偉達Tesla V100/H100系列、谷歌TPU v3/v4等。推理芯片則用于已訓練模型的實際應用部署，強調低功耗、低延遲、高效率的實時計算能力，典型代表包括谷歌Edge TPU、華為昇騰310、蘋果A系列芯片中的神經引擎，以及英偉達Jetson系列等。

PART.02AI芯片產業鏈及行業格局

AI芯片產業鏈主要分為上游芯片設計工具與IP提供商、中游芯片設計與制造廠商、下游終端應用等主要環節。上游環節由EDA工具公司和IP核授權商組成，中游環節包含芯片設計公司以及芯片制造代工廠，下游則涉及AI芯片的終端應用場景，包括云端數據中心、邊緣計算設備以及消費電子終端等。目前，全球AI芯片產業鏈整體呈現明顯的區域化特征，上游EDA和IP環節主要被歐美企業主導，中游制造環節以臺積電等亞洲企業占據主導地位，而芯片設計與應用端則呈現多元化競爭格局。

01各產業環節的代表性企業

AI芯片的上游環節，EDA工具公司和IP核授權商提供了必不可少的軟件工具和知識產權。新思科技和Cadence作為主要的EDA工具公司，提供的芯片設計、仿真和驗證工具極大地提高了芯片設計效率與可靠性；而IP核授權領域以ARM為代表，其CPU和GPU核IP廣泛應用于各類AI芯片。此外，如Imagination、CEVA以及RISC-V架構提供商也在神經網絡加速等AI專用IP方向快速發展。

在芯片設計領域，科技巨頭占據重要地位。英偉達憑借其在圖形處理單元方面的深厚技術積累，設計的GPU廣泛應用于AI訓練和推理。近年來陸續推出的Tesla、A100/H100 GPU以及Jetson等系列產品使其在AI芯片市場占據優勢地位。谷歌依靠強大的研發實力，推出的專為人工智能任務設計的TPU（張量處理單元），在深度學習推理方面展現出極高的效率和性能，尤其適用于大規模數據中心的人工智能計算。AMD則借助GPU與如Instinct MI系列的異構芯片迅速崛起。在移動端、邊緣端AI推理芯片市場，華為昇騰系列、寒武紀的思元芯片、高通、蘋果、聯發科等也占有重要位置。

在制造端，全球的AI芯片制造呈現高度集中態勢，臺積電以其先進的工藝節點占據絕對主導地位，目前包括英偉達、AMD、蘋果等絕大部分高端AI芯片均由其代工制造。此外，英特爾通過自有晶圓廠，具備設計與制造一體化能力，也在積極發展AI芯片制造業務。

02中國AI芯片市場現狀

中國的AI芯片企業近年來發展迅猛，涌現出了一批具有代表性的公司。從業務定位、應用場景和技術路徑等維度，目前中國的AI芯片企業大致可劃分為三類：

第一類是以云端AI芯片為主的企業，這些公司主要聚焦高性能計算及數據中心領域的AI訓練與推理芯片，強調芯片性能和大規模AI計算能力，典型代表包括華為海思、寒武紀。華為海思以“昇騰”系列芯片布局云端和邊緣AI計算，在服務器端高性能計算和移動端高效推理場景均有廣泛應用。寒武紀作為中國早期的AI芯片創業公司之一，以其“思元”系列芯片在云端推理及邊緣端推理領域實現技術突破，推動了國產芯片在數據中心和智能終端上的廣泛部署。

第二類是專注于終端與邊緣AI芯片的企業，它們主要提供用于邊緣計算、移動設備或IoT終端的低功耗、高能效推理芯片，典型代表包括地平線、黑芝麻智智能等。王曉冉表示，近年來，這類AI初創企業發展迅速。比如地平線專為自動駕駛、智能安防等邊緣端AI應用場景設計芯片。去年年底，地平線成功在港股上市，成為當年頂流的科技類IPO，市值一度突破700億港幣。此外，黑芝麻智能也聚焦于自動駕駛與汽車智能化領域，其“華山”系列芯片具備高性能、低功耗優勢，已成功應用于車載AI計算平臺，逐漸成長為汽車AI芯片領域的重要參與者。這類企業側重于汽車電子、智能安防、智能家居、消費電子等廣泛場景，注重芯片功耗、延遲、經濟性和性價比。

第三類是以類腦芯片或仿生計算芯片為代表的前沿探索型企業，比如清華大學孵化的靈汐科技等公司，旨在實現更加低功耗、類人腦計算模式的下一代AI芯片。但目前，這類企業的芯片更多處于研發和試驗階段，尚未大規模商業化應用。

王曉冉表示，雖然中國AI芯片企業快速崛起，但與國際廠商相比，中國AI芯片企業仍然在制造能力與軟件生態方面等方面存在差距，還需要持續的技術積累和研發投入。

PART.03大模型推動AI芯片加速發展

隨著生成式AI和大模型應用普及，AI市場需求規模持續擴大，推動AI基礎設施建設進入高速增長階段。

Grand View Research研究顯示，預計2025年至2030年，人工智能產業的復合年增長率將高達35.9%。IDC的新預測還認為，到2030年，人工智能將廣泛影響各行各業，為全球經濟貢獻19.9萬億美元，推動全球GDP增長3.5%。

大模型與生成式AI的迅速崛起，對AI芯片行業也產生著廣泛影響。首先，以GPT等為代表的生成式AI模型，參數規模動輒數百億甚至數萬億級別，使對算力的需求呈現指數級增長，極大地推動了芯片算力需求從單純追求峰值性能轉向持續、高效的規模化計算。為了應對這種變化，AI芯片的設計邏輯正在逐步從傳統的單芯片算力優化，向多芯片、分布式算力架構演進，強調更高效的芯片互聯與數據通信能力，如Chiplet（芯粒）技術和異構計算架構越來越受到重視。

同時，大模型對內存帶寬和存儲架構也提出了更高要求，使得高帶寬內存、更高容量的片上緩存、存算融合技術等逐漸成為AI芯片設計中的關鍵要素。此外，由于大模型的訓練和推理任務差異顯著，AI芯片開始向場景化和定制化方向發展，針對訓練場景的超大規模算力芯片和針對推理場景的高效低功耗芯片逐漸分化，ASIC專用芯片和GPU等通用芯片在不同場景中的定位越來越清晰。

需要注意的是，當前AI芯片行業在快速發展的同時也伴隨著一定的泡沫風險，尤其體現在政策驅動和資本市場熱捧下的出現投資過熱現象。部分企業缺乏扎實的技術積累或清晰的商業模式，盲目追求短期估值和融資規模，導致市場競爭激烈但實際落地能力不足。AI芯片的研發周期長、技術壁壘高，因此相關技術企業也需要用更長期主義的心態去發展。