ai芯片 AI芯片的竞争现状

过去的2018年恰逢芯片巨头英特尔成立50周年。回顾过去，看看中外，有助于在喧嚣中探索真正的机遇。

英特尔PC时代的盟友微软，押注FPGA，继续与英特尔合作。微软选择FPGA进行深度神经网络(DNN)评测，必应搜索排名，软件定义网络(SDN)加速，可以减少延迟，释放更多CPU计算能力给其他任务。微软在2010年启动了Project弹射，2015年开始大规模部署到Bing和Azure数据中心。它以可控的代价实现了极快的推理能力，必应搜索的数据吞吐量提高了50%，时延降低了25%。2016年，微软推出“脑波工程”，探索通过英特尔的FPGA实现实时AI。2018年，Bing和Azure数据中心将部分计算能力从CPU迁移到FPGA，现在每个新增的服务器都将一个FPGA集成到一个独特的分布式架构中，形成一个可配置的互联计算层，扩展了CPU计算层。

2.显卡

英伟达从游戏和图像业务起家，凭借GPU的并行计算优势，成为AI芯片尤其是培训领域的主导玩家。其在AI训练芯片的市场份额高达95%。英伟达将其运营收入分为GPU和Tegra处理器，其中GPU业务针对PC和数据中心游戏、计算机辅助设计(CAD)、AI、密码货币等应用场景，Tegra处理器业务针对汽车和嵌入式设备的自动驾驶、AI、娱乐等应用场景。收入构成如图16所示。2018财年，英伟达GPU业务板块收入同比增长39.8%，Tegra处理器业务板块收入同比增长86.2%(包括手机游戏和开发收入同比增长300%)。

图16英伟达的收入构成

自2006年推出CUDA并行计算平台以来，英伟达成功构建了AI和深度学习的生态系统。GPU成为主流深度学习硬件，在云和汽车电子领域拓展地盘，收入和盈利水平一路攀升(见图17)。然而，英伟达继续扩张的努力面临更多挑战。在数据中心领域，英特尔的CPU依然不可或缺；在汽车和无人机领域，特斯拉和DJI凭借平台优势，正在构建自己的软硬件紧密耦合的生态；在一些嵌入式AI应用中，以Xilinx为代表的公司试图证明FPGA等类型的芯片比GPU更适合选择。

图17英伟达财务年度数据(纳斯达克:NVDA)

注:英伟达2018财年于2018年1月28日结束

3.高通公司

高通在2017年占智能手机应用处理器市场份额的42%，高于排名第二的苹果(22%)和排名第三的联发科(15%)的总和。但随着消费电子业务触顶，专利优势逐渐淡化，毛利率持续下降(见图18)，股价近几年疲软。收购恩智浦失败后，高通继续试图涉足车载芯片等人工智能领域，例如，成立了一个1亿美元的基金来支持人工智能初创企业。很明显，高通希望AI芯片在终端设备而不是数据中心迅速发展。

图18高通财务年度数据(纳斯达克:QCOM)

注:高通2018财年将于2018年9月30日结束

4.超微半导体公司

AMD在CPU和台式机/服务器GPU上长期排名第二，毛利率明显低于Intel和NVIDIA(见图19)。2016年以来，AMD的Ryzen CPU等产品反应良好，股价见底反弹。2018年11月，AMD率先宣布推出7纳米数据中心GPU——Radeon本能MI60和MI50加速卡，指的是下一代深度学习、高性能计算和渲染应用[14]。

图19 AMD财政年度数据(纳斯达克:AMD)

注:AMD 2017财年于2017年12月30日结束

5.Xilinx

随着英特尔收购另一家领先的FPGA公司Altera，Xilinx加快了转型步伐。2018年，Xilinx的自我定位从一家FPGA公司调整为“自适应和智能计算领域的领导者”。战略要点包括:加快数据中心市场布局，抢占人工智能推理、视频图像处理、基因组学等应用场景；整合汽车、通信、航天等传统业务；ACAP自适应计算加速平台旨在支持大数据和人工智能应用软件和硬件的开发。

2018年7月，西林以2.5亿美元收购了北京的深度学习型企业沈剑科技。沈剑科技成立于2016年3月，在被收购前已经完成三轮融资。其语音识别加速引擎于2018年在亚马逊AWS推出。

图20 Xilinx财务年度数据(纳斯达克代码:XLNX)

注:Xilinx 2018财年于2018年3月31日结束

2018年10月，Xilinx推出了由其UltraScale+ FPGA芯片支持的Alveo加速卡，搭建了几个独立的xDNN引擎，解决了GPU通过批处理提高性能但增加延迟的问题，声称图像处理的吞吐量比高性能GPU高4倍，延迟比高性能GPU低3倍[16]。

图Xilinx Alveo加速卡(FPGA)、GPU、CPU性能对比

注意:比较结果是在特定的测试场景下获得的，如谷歌V1神经网络。

6.塞瓦

美国的CEVA是DSP的IP(知识产权)龙头企业，其主要收入来源是IP许可费和使用费，所以毛利率很高，研发支出远高于资本支出(见图22)。为汽车、安全、增强现实、智能家居、零售自动化、在线诊断和治疗等领域的图像、视频和语音人工智能开发了一系列智能产品。，包括CEVA-NeuPro系列深度学习IP(最小的NP500针对物联网和可穿戴市场，NP1000针对中端智能手机、高级驾驶辅助系统、AR/VR耳机等。，NP2000针对的是高端智能手机、监控、机器人、无人机，NP3000可以用于企业级监控和自动驾驶)，以及专门为低功耗嵌入式设备设计的CEVA-XM系列图像和计算机视觉处理器IP。

图22 CEVA财政年度数据(纳斯达克:CEVA)

注:year 2017财年于2017年12月31日结束

注:趋势线为3月份均线。绿色区域是产业扩张期，红色区域是产业收缩期，其余区域是巩固期。

芯片架构ip开源协作机会很少。开源芯片指令集包括OpenRISC和RISC-V等。由于RISC-V使用的BSD开源协议是商业友好的，不存在知识产权问题，因此吸引了谷歌、美光、英伟达、恩智浦、三星、高通、华为等数百家知名厂商和机构，这些厂商和机构饱受知识产权许可费之苦。倪光南院士认为，这种架构可能会与Intel和ARM形成三方对抗。2018年，中国RISC-V产业联盟和RISC-V中国联盟相继成立，意味着国内所有生产、教育、科研各方都充分参与。开源芯片指令集虽然处于探索阶段，但其大势已去，Wave Computing Company也宣布将在2019年开源MIPS指令集。

芯片设计的轻资产特性有助于追赶，开发工具是软肋。我国在AI算法方面有相当大的储备，国际主流深度学习框架大多是开源的，为AI芯片设计扫清了很多技术障碍。与芯片生产相比，设计是轻资产，但先进的制造工艺也推高了芯片设计的成本(见图31)，相当一部分成本来自开发工具，尤其是EDA(电子设计自动化软件)。EDA市场主要被美国Synopsys、Cadence、西门子Mentor Graphics垄断，这是国内亟待解决的薄弱环节。华大九天、新河科技等本土EDA企业越来越受到重视。

图31芯片设计成本随工艺快速上升

芯片制造过程与业务逻辑密切相关。以SMIC为代表的国内芯片制造商早已迎头赶上。然而，先进制造工艺所需的大量前期投资需要通过后期利润来补偿，仅靠政策补贴难以维持。市场对AI芯片的多元化需求，或者说成熟的工艺芯片有足够的订单保证利润，使得芯片公司有可能从低端芯片逐渐过渡到高端芯片。

(3) AI芯片投资方案

建议重点关注边缘计算和物联网对AI芯片的需求。PC时代服务器的处理芯片由英特尔垄断，云计算时代密集计算需求让英伟达GPU几乎成为数据中心除了英特尔CPU之外的标配，随着智能手机的进化和智能音箱、自动驾驶、无人机、安防监控等应用的丰富，云端的部分推理乃至训练算力将迁移至边缘层。边缘层对AI芯片的需求与云端需求大相径庭，一是需求更为多样，二是更强调低功耗、低成本，三是很多情况下技术要求相对较低。不同处理芯片的AI化和异构趋势渐成。从嵌入式终端设备SoC到数据中心加速板卡，CPU、GPU、FPGA、ASIC、DSP以及各种xPU将针对AI任务需要优化指令和电路设计，并越来越多地分工协作完成各种AI任务，处理单元、计算单元和存储单元的晶体管分配将从单个处理芯片上升到多处理芯片的层面进行，追求在各种典型场景下实现能效最大化，尽可能避免利用晶体管不充分的情况。低端芯片是后来者进入AI芯片行业较好的切入点，但利润微薄，不宜久留。AI芯片市场料将保持高速增长，以抢占市场份额优先的做法短期可行，但可持续性有限，特别对于以烧钱著称的芯片行业，必须提高利润率才能保证研发支出，进而占有一席之地。低端芯片相对较低的技术门槛固然便于后来者切入，同时也意味着不利于建立技术优势和护城河，向更高端的芯片发展或者深耕细分领域是可能的解决方案。AI芯片初创公司出售给芯片巨头是一种双赢的退出渠道。一方面，AI芯片初创公司擅长IP和（或）设计能力，但缺乏制造能力；另一方面，现金充裕的芯片巨头在积极扩张，或者至少通过并购构筑防线。这一点在英特尔收购Movidius、赛灵思收购深鉴科技等多笔交易中已有体现。对于一些初创企业而言，这或多或少是一种妥协，毕竟在竞争日趋白热化的情况下，仅靠一己之力调和快速扩张和可持续性之间的矛盾并非易事。避免跟风追热点，确保商业计划可行。芯片行业前期投入大、技术门槛高、回报周期长，而且往往头部赢家通吃。近年来AI芯片无疑在风口浪尖，但没有相应的技术和人才团队，光靠烧钱是不切实际的，无论是地方政府还是机构投资者都应当保持清醒头脑。适当关注基础理论和前沿技术进展。兼具灵活性、高能效和性价比的通用AI芯片是AI芯片发展的长期目标，一种可能方向是根据软件定义硬件的理念实现可重构计算架构。同时，超导计算、量子计算、内存内计算尽管处于探索期，不具备规模化商业应用条件，但中长期看存在颠覆行业格局的可能。AI技术的应用瓶颈可能造成AI芯片产业发展不及预期。发轫于二十世纪五十年代中期和七十年代中期的前两次AI浪潮都因为缺乏真实应用前景终结，为投资者带来的是失望和泡沫。当前这一次AI浪潮得益于大数据支持，以深度学习能力推动了商业应用，但正如“深度学习就是深度调参”这种说法所揭示的，作为AI芯片技术基础的深度学习还能走多远，是必须警惕的问题。

*声明:本文最初由作者撰写。文章内容是作者个人观点。半导体行业观察的转载只是为了传达一种不同的意见，并不代表半导体行业观察同意或支持这种意见。如有异议，请联系半导体行业观察。

今天是《半导体工业观察》第1914期。请注意。

实时专业原创深度