《2019年中国AI芯片行业研究报告.pdf》由会员分享，可在线阅读，更多相关《2019年中国AI芯片行业研究报告.pdf（49页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、亿欧智库 究 报 告Copyrights reserved to EO intelligence, March 2019AI芯，中国芯，世界芯2019 China AI Chip Industry Research ReportAI芯片即为面向人工智能应用的芯片。人工智能与芯片的发展需紧密合作，但过去碍于跨学科合作困难，加上人工智能算法并未成熟，世界各国对于人工智能的多项投入最后都以失败告终。不过，现在与之前不同的是，AI芯片或称神经网络芯片被Google证实可以大幅加快人工智能模型的训练速度，训练加快意味算法/模型迭代加快，也使得人工智能产品的优化速度加快，有助于人工智能产业的发展。人工智
2、能不再是科幻电影中的幻想，而是真实存在你我的生活之中，其中AI芯片正是实现这个可能的关键。对于人工智能与芯片行业来说，AI芯片也是吹皱一池春水，推进两个产业新发展的关键。序言 INTRODUCTION3研究背景与目的 在20世纪80年代时，日本即已开始尝试开发新一代的人工智能计算机，但当时碍于芯片算力不足，加上采用专家系统并不能让机器去学习“人类不知道”的事情，导致计划失败，因此人们认为人类无法在短期内实现人工智能。 20世纪80年代到现在，人工智能已经向前踏一大步，科学家在国际象棋和围棋的人机竞赛上的成果使世人惊艳，ImageNet计算机视觉竞赛的成果更是直接让AI算法落地发展成商业产品。
3、期间，有两则事件对于AI芯片的发展很重要：第一，陈天石博士团队的“DianNao”系列论文让科学界看到，在冯诺依曼架构下亦能实现AI专用芯片。第二，Google推出使用（AI芯片）TPU运算架构的AlphaGo，接连打败李世石和柯洁，让半导体和人工智能产业看到专用芯片的商业价值已到。 中、美两国自然不想错过这个趋势，纷纷推出相对应的政策引领行业发展，中国政府的新一代人工智能发展规划将神经网络芯片（即AI芯片）视作整个人工智能发展战略的基础元件，加强扶持行业发展，使中国不在未来芯片的发展上再次掉队。 现在，中国已经存在超过20家以上的新创AI芯片设计企业，融资总额超过30亿美元，但是市场上仍未见
4、针对此景研究的行业研究报告，因此本报告将作为市场上第一份专以“AI芯片”行业发展现状和趋势研究的公开报告。研究背景与目的亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report4研究方法 本报告采用的研究方法为桌面研究、企业调研和专家访谈，其中企业调研涉及的企业数量超过10家企业，包含国际芯片企业、国内芯片企业、以及新创AI芯片企业等等，调研问题以企业现况、发展规划、和行业信息为主。主要研究发现 本报告的研究发现主要有3个：1. AI芯片行业生命周期正处于幼稚期，市场增长快，2022年将从2018年的42.7亿美元，发展
5、至343亿美元，但芯片企业和客户的合作模式仍在探索中。为了生存，行业逐渐出现上下游整合的趋势。2. AI芯片是芯片产业和人工智能产业整合的关键，尤其是AI系统芯片。因为位于产业链顶端，产品落地不易，使得AI芯片企业需开展系统集成商服务，向下游整合，而AI系统集成商则为了加深客户合作，进而将芯片设计整合加入事业版图。3. 云端（含边缘端）服务器、智慧型手机、和物联网终端设备等三个场景，是目前AI芯片企业的主要落地市场，少数企业则是面向未来的自动驾驶汽车市场。这些市场的特征都是千万量级出货量或百亿美元销售额。研究方法和主要研究发现亿欧智库 2019年中国AI芯片行业研究报告2019 China A
6、I Chip Industry Research Report5章节安排介绍章节安排介绍 Part 1. 人工智能与芯片的缘起：介绍人工智能的发展与芯片发展历程相关的重大事件，芯片与人工智能的三阶段发展故事。 Part 2. 技术、政策与经济环境：介绍目前AI芯片的底层架构分类以及中国政府对于AI芯片（神经网络芯片）发展的支持政策，最后点出AI芯片市场发展前景。 Part 3. 半导体与AI芯片产业：介绍AI芯片行业发展现况，从半导体行业开始介绍，再让读者了解芯片设计的产业变化、开发技术、开发成本、融资情况、落地场景等，相关的信息会在各小节进行介绍和分析。 Part 4. 参与者分析：根据企业
7、背景分类，AI芯片行业共有三类参与者，分别是AI芯片系、AI算法和传统芯片。本章节将针对三类企业进行竞争优势分析。 Part 5. 企业案例：介绍国内的AI芯片设计参与者中，分别在云端服务器、物联网终端设备以及自动驾驶系统开发上典型的厂商。 附录 企业人才图谱：表列新创AI芯片企业的芯片开发核心人员。亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report人工智能与芯片的缘起071.1 芯片与神经网络大事纪 1.2 人工智能芯片的发展参与者分析304.1 AI芯片企业分类 4.2 竞争态势分析 4.3 未来发展122.1
8、 技术 2.2 政策 2.3 经济365.1 地平线 5.2 寒武纪 5.3 云知声183.1 产业链 3.3 开发技术 3.5 融资情况43附录半导体与AI芯片产业技术、政策与经济环境企业案例企业人才图谱目录 CONTENTS3.2 产业变化 3.4 开发成本 3.6 落地场景当人类第一台基于逻辑运作的计算机被发明后，人工智能的讨论也同时兴起，科学家一度以为逻辑运作是人类大脑和计算及运作的基础，所以根据逻辑芯片计算机运作的人工智能可以快速取代人类。然而现实却与此相反，人类的神经元与逻辑芯片不同，但却很有效率，科学家从此学习到神经网络是人工智能的未来，也依此发展算法，最后在芯片制程大幅进步的当
9、代，迎来了基于神经网络设计的AI芯片。7人工智能与芯片的缘起Introduction to AI and ChipCHAPTER 1Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱8芯片大事
10、纪神经网络大事纪1962年：Rosenblatt出版神经动力学原理，及其1957年设计的模拟计算器，被视作深度神经网络模型的算法原型。1969年：Minsky与Papert出版感知器，指出人造神经元的运算极限严重受限于计算机的算力不足，造成神经网络领域在1970年代面临寒冬。1985年：Hinton与Sejnowski发表基于玻尔兹曼机的“多层神经网络”。1986年：Rumelhart和Hinton发表“BP反向传播算法”。1989年：Mead出版“Analog VLSI and NeuralSystems”，开创基于仿生芯片的神经形态工程领域。2006年：Hinton提出受限玻尔兹曼机模型与
11、深度信念网络成功训练多层神经网络，解决反向传播算法局部最佳解的问题，并把多层类神经网络称作“深度学习”。2012年：Krizhevsky与Hinton的团队在ImageNet大赛中，将图像识别错误率降到18%，并 在 NIPS 会 议 上发 表 图 像 识别 论 文“ImageNet Classification with DeepConvolutional Neural Networks”，1993年：Yann LeCun的团队使用DSP在一台486电脑上实现深度学习算法，其作为推理芯片，已可辨识手写的数字。1994年：Michael Gschwind等人使用FPGAs实现神经网络的算法应用
12、。2009年：Rajat Raina和吴恩达发表利用GPU完成深 度 学 习 训 练 的 论 文 “ Large-scaleDeep Unsupervised Learning usingGraphic Processors”。2014年：陈天石博士的研究团队，从这年开始发表以DianNao为名的系列论文（包含DaDianNao、PuDianNao、ShiDianNao、Cambricon-X），开启人工智能芯片（ASIC）的研究领域。2015年：Jason Cong在2015年的FPGA大会上，发 表 一 篇 论 文 “ Optimizing FPGA-based Accelerator D
13、esign for DeepConvolutional Neural Networks”，使得FPGAs迅速大火。2016年：Google发表为TensorFlow框架设计的TPU芯片。亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report人工智能芯片的发展人工智能的算法在训练模型时，需要大数据和高算力计算机设备，缺一不可AI芯片让人工智能更容易部署，推进商业落地9人工智能算法的应用与芯片的发展历程是不可分割的，因为人工智能算法需要在计算机设备上实现，而芯片又是计算机设备运作的核心零件，所以芯片的计算能力发展瓶颈就成为
14、人工智能的发展瓶颈。虽然根据摩尔定律，每隔18个月芯片性能将提高1倍，但按照CPU架构的“万能芯片”，即便到21世纪，个人电脑和智能手机的芯片算力都能满足人类工作需求时，CPU仍无法满足人工神经网络的运算需求，CPU执行人工智能任务的运算时间过长，造成人工智能产品落地困难。于是，深度学习领域需要新一代的人工智能加速芯片缩短运算时间，不仅提升算法的训练效率，也提升算法的推理能力，缩短延时达成替代人类工作的需求。以现代人工智能主流的神经网络来说，神经网络和芯片的发展过程历经三个阶段，早期芯片算力低导致神经网络被视作不可能实现，直到2016年采用TPU架构的AlphaGo击败人类棋士，人工智能才被视
15、作是一个可能实现改变人类的技术。2016200919821969196219561985Rosenblatt 出 版 神 经动力学原理，开 启人工神经网络研究。19932014美国达特茅斯会议 揭开人工智能研究 的序幕。日本开始第五 代计算机项目 研究计划。Hinton与Sejnowski发表 “多层神经网络”，之 前被视为不可能实现。Minsky与Papert出版感 知器，抨击多层神经 网络无法被计算机实现。Yann LeCun的团队使用 DSP在一台486电脑上实 现深度学习算法。Rajat Raina和吴恩达 利用GPU训练深度学 习算法。AlphaGo采用TPU架构， 并击败人类世界冠
16、军 棋士李世石。李天石博士的团队接连 发表以DianNao为名的人 工智能专用加速芯片。第一阶段：因为芯片算力不足，所以神经网络被打入冷宫第二阶段：通用芯片CPU的算力大幅提升，但仍无法满足神经网络的需求第三阶段：GPU和和新架构的AI芯片推进人工智能落地亿欧智库：人工智能与芯片发展的三个阶段来源：公开资料整理、亿欧智库Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3
17、.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report10第一阶段：芯片算力不足，导致神经网络在1970年代被打入冷宫人工神经网络是现在的深度学习算法的主流，但是一开始并非以此为主，期间也曾收到多次挑战。像是Minsky与Papert1969年出版感知器，大力抨击单层神经网络训练出来的图像识别算法连对称图形都无法正确识别，多层神经网络也无法被
18、当代和未来计算机的芯片运算效能实现，该书直接造成人工神经网络的相关发展进入10年寒冬。第二阶段：芯片算力提升，但CPU无法满足神经网络的算力需求1982年，日本推出第五代计算机计划，这是人类第二次大规模地想要利用计算机实现人工智能，美国同时也投入不少的资源在其中，当时新一代计算机主流是Lisp Machine和Thinking Machine，人工智能则是采用专家系统。虽然比起1960年代，1980年代的计算机运算能力已经大幅提升，但是这两套系统依然无法解决图像和音讯识别的大问题，且解决局部问题的效率又被采用CPU架构的通用电脑所击败，专家系统则被诟病为“无法解决人类不知道的问题”，因此计划以
19、失败告终。1980年代另一件重要的事情是，现代人工智能企业常用的神经网络算法的雏形，都在当时被提出，只不过都是透过台式电脑实现，数据也不多，算法跟模型仍处于早期阶段，仅有少数案例实现商用。像是Yann LeCun于1993年利用DSP和486电脑开发的手写数字识别系统，后来被安迅资讯公司（NCR Corproration）改造成于辨识支票金额的设备，并在90年代末期部署于银行和ATM上。1997年，IBM的Deep Blue虽然击败当时的国际象棋世界冠军，但其采用的人工智能算法与现代流行的神经网络不同，尤其在计算机架构上，采用暴力破解法来解决算力不足的问题，不足以被称作跨时代的产品。即便重新让
20、世人对人工智能感兴趣，但面对围棋等算力更高的需求时，该计算机和算法都没有能力解决，也因此仅有学术界感兴趣，商界仍是缺乏兴趣。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019
21、年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report11第三阶段：芯片算力持续提升，新架构解决神经网络算力问题2006年，Hint根据受限玻尔兹曼机与深度信念网络提出“深度学习”。隔一年，2007年，英伟达开发出统一计算架构（CUDA），透过CUDA，研究人员可以轻松使用C语言开发GPU，为两年后吴恩达带领学生Raina采用GPU架构实现深度学习算法的训练立下根基。2010年至今不到十年的时间，人工智能成长快速，不仅在围棋界打败人类，也解决了计算机视觉的重要应用问题：图像辨识错误率上达到（或超过）人类水平的目标。2013年，Hinto
22、n的团队采用GPU架构结合现在计算机视觉常用的卷积神经网络（CNN）算法，在ImageNet的比赛中，一举将识别错误率降到18%，让众人第一次看到神经网络的算力需求可被现行设备满足。不过GPU架构的芯片，并非针对神经网络架构设计的芯片，其中包含许多运行神经网络时不需要的架构设计，因此效率提升有限，直到后来2014年（寒武纪创办人）陈天石博士团队提出的DianNao论文，深度学习领域才出现第一块针对人工智能加速的专用芯片设计，谷歌TPU项目的负责人当时也参与DianNao的研究。于2016年击败李世石和2017年击败柯洁的AlphaGo便是采用TPU架构的计算机，AlphaGo在围棋对弈上历经5
23、个版本，第一版本采用176块GPU来解决运算问题，第二版本采用48块TPU配合分布式计算解决运算问题，第三版本后因为优化深度学习算法，仅采用4块PTU和单机即可完成任务，并且超过之前的成就。亿欧智库：历代AlphaGo的架构和赛况版本硬件ELO赛况AlphaGo Fan176个GPU，分布式31445:0 对阵 樊麾AlphaGo Lee48个TPU，分布式37394:1 对阵 李世石AlphaGo Master4个TPU，单机485860:0 对阵五位职业棋手 3:0 对阵 柯洁AlphaGo Zero （训练40天）4个TPU，单机5185100:0 对阵 AlphaGo Lee 89:1
24、1 对阵 AlphaGo MasterAlphaZero (训练34小时)4个TPU,，单机4430 (估计)60:40 对阵 AlphaGo Zero来源：公开资料整理、亿欧智库Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2
25、寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report芯片设计属于半导体产业链的顶层，一般人难以触达相关企业和产品，对于消费者来说，产品体验优先于芯片参数。但国家政府相当重视AI芯片的发展，将此视作全面提升国家技术的基础，给予扶持。半导体分工体系成熟度高，有助于大量AI芯片设计企业的创立，无需担心流片问题。12技术、政策与经济环境Technology, Policy, and EconomyCHAPTER 2技术：AI专用芯片已成趋势CPU与GPU是软件配合硬件做开发，FPGA和A
26、SIC是硬件配合软件做开发面向人工智能加速用途的芯片即为AI芯片13一般而言，执行人工智能任务的AI芯片可分成4种架构，第一种是CPU，第二种是GPU，第三种是FPGA，第四种是ASIC。若依照人工智能系统开发的角度来说，可再区分成两种类别：第一类，CPU和GPU，称作软件配合硬件；第二类，FPGA和ASIC，称作硬件配合软件。早期，由于计算机硬件开发困难，做人工智能研究的学者或工程师并不了解芯片设计，做芯片设计的学者或工程师不了解人工智能，因此在神经网络的研究上，多是优化算法，少见优化硬件，像是90年代采用DSP结合CPU做设备开发的情况较为罕见。后来2009年利用GPU来执行深度学习算法，
27、也是站在软件优化的角度，并非人工智能专用芯片。直到陈天石博士团队的DianNao论文发表后，AI芯片才走到专用芯片开发的阶段。CPU、GPU、FPGA和ASIC技术架构的芯片在人工智能系统开发上，可根据系统开发、算力、价格和部署位置作以下对比分析：第一、CPU在人工智能系统开发上，是属于低算力且高价格的芯片，无法直接用在人工智能产品上，除少数并行架构的服务器采用外，企业目前已放弃使用CPU。第二、GPU和CPU一样都不是专为人工智能设计的芯片，但天生多核的优势，较CPU更为适用人工智能开发，可是价格昂贵，且算力也不算太高，性价比低于专门为服务器设计的AI加速芯片。亿欧智库：4种技术架构的芯片在
28、人工智能系统开发上的对比系统开发芯片架构中文算力价格部署位置软件配合硬件CPU中央处理器低高/GPU图形处理器中高云、边硬件配合软件FPGA现场可编程门阵列高中云、边、终ASIC专用集成电路高低云、边、终来源：亿欧智库 注：云为云端设备，边为边缘端设备，终为终端设备Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片
29、企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report14第三、FPGA又称作半定制化芯片，起初的设计是针对客户多变的需求，还有灵活性而来，主要部署在通讯设备、军品和航空航天产品上。但早在1990年代便有人尝试使用FPGA开发AI相关用途，不过碍于芯片价格高和开发技术门槛高，未见大规模部署。不过，现在已经大量部署在服务器，作为AI加速芯片。第四、ASIC为专用集成电路，即依照产品需求的全定制化芯片
30、，又称专用芯片，大部分的芯片设计企业都可提供ASIC芯片。由于针对人工智能应用时，GPU算力不够和FPGA不够便宜，因此AI芯片的终端应用主战场是在ASIC架构的芯片上。冯诺依曼瓶颈是限制CPU和GPU应用的主因，这个问题也困扰着FPGA和ASIC，但后二者可重新设计底层架构暂时解决应用需求不过，上述四种技术架构的芯片目前都是采用冯诺依曼架构，按照此架构设计的芯片在计算上是采取1进1出的方式，将前一次的计算结果储存在内存中，然后依序读取完成任务。举例来说，如果计算问题可拆分成10个步骤，在计算第一个步骤后，会先将结果储存在存储器中，再继续执行第二步骤，以此类推，然后在最后一个步骤时，才将先前的
31、计算结果提取出来，最后再一次完成。这样的设计造成只有最多16核的CPU，难以在短时间内完成深度学习的任务。虽然GPU的核心数高达1000核以上，使得运算时间减少，算力大幅提升，但GPU是针对计算机图像设计的芯片，与计算机视觉是两个不同的技术方向，因此不属于人工智能专用芯片。人工智能开发者想要在GPU上完成任务，采取的措施都是不断优化算法和模型，但GPU的功耗大，成本高，除了服务器外，并不适合配置在终端，于是延时问题成了应用上的一大困境。即便FPGA和ASIC也都是采用冯诺依曼架构，且特化后的芯片也不适宜执行一般任务，但如果他们不作为设备的核心运作芯片，仅执行人工智能任务，作为加速器使用，完成任
32、务后再将结果回传到CPU上，就可以大幅缩短深度学习算法训练或模型推理的时间，而且仅执行模型推论结果的设备相当省电，算力需求也不高。于是，目前企业都会想要在云端和终端部署FPGA或ASIC架构的芯片，作为执行人工智能加速任务，像是语音识别和图像识别。虽然FPGA和ASIC可满足部分应用场景所需，可是在长久的规划上，科学家是将新一代架构的类脑芯片作为解决深度学习计算需求的底层架构。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2
33、产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report政策：AI芯片发展是国家战略高度的规划行动计划（2018-2020年）将扶持神经网络芯片的发展和规模化应用。神经网络芯片是人工智能的关键基础元件与国内技术短板15中国政府在2015年7月时提出以“互联网+”为核心的产业横向连接升级指
34、导意见，其中人工智能被视为其中一个项目。接着，在2016年4月发布机器人产业发展规划中，人工智能逐渐成为政策发展的核心项目。2017年7月提出的新一代人工智能发展规划分别制定2020年、2025年、2030年三阶段的战略目标，其中，第一阶段的促进新一代人工智能产业发展三年行动计划（2018-2020年） ，将重点扶持神经网络芯片，冀望AI芯片量产且规模化应用。关于积极推进“互联网+”行动的指导意见。首次聚焦人工智能技术，将其依托于互联网+产业，期待在智能家居、智能终端、智能汽车、机器人等领域应用领域，培育发展人工智能新兴产业、推进产品创新和提升终端产品智能化水平。机器人产业发展规划（2016-
35、2020年）。为了落实2025中国制造，规划十大标志性产品、五大关键零部件和基础能力建设发展目标，并重点围绕人工智能和相关感测技术，为新一代机器人技术铺垫。新一代人工智能发展规划。从国家战略的高度，规划三步骤实现2030年，中国人工智能技术与研究领域达到世界领先水平的目标。促进新一代人工智能产业发展三年行动计划（2018-2020年）。为了落实新一代人工智能发展规划的第一个战略目标，该计划制定四个任务，分别为：智能化终端产品的应用、基础元件的发展、智能制造的深化和基础设施的构建。作为基础元件的神经网络芯片，是此阶段的发展重点。国务院2015.072017.12 工业和信息化部国务院2017.0
36、72016.04 国家发展和改革委员会亿欧智库：中国人工智能与人工智能芯片政策来源：公开信息整理Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2
37、019 China AI Chip Industry Research Report经济：市场规模庞大，国内半导体产能不足中国芯片市场产能不足，芯片设计后的生产阶段主要由国外半导体制造商负责2023年全球人工智能芯片市场将超300亿美元16根据中国信通院的数据报告，中国的人工智能市场规模在2018年预计超过300亿人民币，而2019年后将超500亿人民币的规模。市场年度增长率，将从2017年的52.8%上升至2018年的56.3%，然后逐年下降，在2020年剩下42.0%的增长率。其中，2017年芯片销售金额占人工智能市场规模的22%，约47.7亿人民币。根据Gartner的预测数据，全球人工
38、智能芯片市场规模将在未来五年内呈现飙升，从2018年的42.7亿美元，成长至343亿美元，增长超过7倍，显见AI芯片市场增长空间大。112.4141.9216.9339.0500.0710.026.3%52.8%56.3%47.5% 42.0%02004006008001,0001,2002015201620172018E2019E2020E亿欧智库：中国2015-2020年人工智能市场规模及预测（亿元人民币）金额增长率 来源：中国信通院2017年 芯片占比 22%4.2734.301020304020182023E亿欧智库：全球人工智能芯片市场规模预测（十亿美元）增长 703.3%来源：Ga
39、rtnerPart 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report1
40、7中国半导体产能不足，芯片设计后需委托国外企业制造然而，中国长期面临集成电路的进口额大于出口额的情况，根据海关总署的统计，2018年进口总额正式突破3000亿美元，约达3121亿美元，同比2017年增长19.8%。相较之下，集成电路的出口总额在2018年时仅846亿美元，不及进口额的三分之一，且同年原油进口额约为2400亿美元，显见中国极度依赖国外芯片制造商，目前国内芯片制造技术尚待提升，但由于半导体的分工模式相当成熟，国内芯片设计企业不需担心芯片生产问题。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术
41、2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report231.2 217.6 229.9 227.1 260.4 312.1 87.6 60.9 69.0 61.4 66.9 84.6 010020030
42、0400201320142015201620172018亿欧智库：中国集成电路2013-2018年进出口金额统计（百万美元）进口出口来源：中国海关总署原油 进口 240.0芯片设计位于半导体产业链的顶端，AI芯片之于半导体产业是一样的关系。半导体产业的分工模式相当成熟，这有助于AI芯片设计企业进入市场，因为可以免去制造相关的投资。然而，AI芯片行业现正出现芯片与人工智能产业双向整合的趋势，不论是新设AI芯片业务的企业或者是AI芯片新创公司，都面临人才、开发、资本和落地问题。本章将介绍AI芯片产业的发展。18半导体与AI芯片产业Semiconductor and AI Chip Industry
43、CHAPTER 3产业链：AI芯片设计是半导体产业链的顶层AI芯片虽是新兴领域，但强敌环伺，上下游产业整合早已开始成熟的半导体垂直分工模式推进AI芯片行业兴起19半导体产业链主要分成，设计-制造/封测-系统：上游：主要是芯片设计，按照商业模式，可再细分成三种：IP设计、芯片设计代工和芯片设计，IP设计即设计芯片用的IP核（IP core）。中游：包含两大类，分别是晶圆制造和封装测试，但晶圆不仅是在封装时测试，制造后会有一次测试，封装后再有一次。下游：产业链的下游分成销售和系统集成（system integration）企业，提供软硬件集成解决方案的企业会被归属在系统集成商中，像是人工智能解决方
44、案商。按半导体上游与中游的集成与否，市场分成分成两种商业模式：半导体的商业模式主要有两种，是按照产业链整合程度作区分：第一，垂直集成模式，又称IDM，归属于该模式的企业业务需包含设计和制造/封测。IDM模式的代表企业是英特尔和三星。第二，垂直分工模式，采取分工模式的企业仅只专营一项业务，像是英伟达和华为海思仅有芯片设计，没有制造业务，称作fabless；而台积电和中芯国际仅代工制造，不涉及芯片设计，称作foundry。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3.
45、半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report亿欧智库：半导体产业链来源：亿欧智库。 注：产业链图谱仅以AI芯片企业为主，并未详列每家企业。晶圆制造封装测试AI系统集成（人工智能方案解决商）IP设计/芯片设计代工/芯片设计20AI芯片设
46、计的三种商业模式，各有强敌存在，AI芯片企业难生存综观人工智能算法与芯片的发展历程，已知人工智能领域的专用芯片尚属于新型设计，因此诱使多位企业家加入芯片设计行列，其中包含AI芯片新创企业、AI算法公司以及传统芯片企业，企业分类细节和相关分析将在第四章说明。芯片设计的商业模式有，IP设计、芯片设计代工和芯片设计三种：IP设计：IP设计相对于芯片设计是在更顶层的产业链位置，以IP核授权收费为主。传统的IP核授权企业是以安谋（arm）为代表，新创的AI芯片企业虽然也会设计出新型IP核，但因授权模式不易以规模效应创造可观收入，新创企业一般不以此作为主要盈利模式。另外还有提供自动化设计（EDA tool
47、）和芯片设计验证工具的cadence和Synopsys，也在积极部署人工智能专用芯片领域。芯片设计代工：芯片设计代工和制造业的代工一样，提供代工设计服务的企业，并不能在产品上贴上自己的标签，也不能对外宣称该产品为自己设计的芯片。芯原科技已经从事相关服务多年，也和恩智浦（NXP）有合作关系。芯片设计：大部分的人工智能新创企业是以芯片设计为主，但在这个领域中存在传统强敌，像是英伟达、英特尔、赛灵思（Xilinx）和恩智浦，因此目前少数AI芯片设计企业会进入传统芯片企业的产品领域，像是寒武纪与英伟达竞争服务器芯片市场，地平线与英伟达及恩智浦竞争自动驾驶芯片市场，其余是在物联网场景上布局，像是提供语音
48、辨识芯片的云知声，提供人脸辨识芯片的中星微，或者是提供边缘计算芯片的耐能科技。芯片设计 代工IP设计芯片设计亿欧智库：中国市场AI芯片企业分类注：未详列中国市场的AI芯片企业。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武
49、纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report产业变化：AI产业与芯片产业双向整合系统芯片是系统集成的终极目标，也同时是人工智能与芯片产业整合的关键点AI产业迎来新世纪，AI系统集成商正寻找新发展21半导体的垂直分工模式虽有助于纯芯片设计企业的生存，不过芯片难以单独实现复杂功能，于是有些企业开始提供芯片集成服务，集成后的产品称作系统或IC（integrated circuit）模块，在人工智能领域则称为AI系统或AI模块。一般而言，人工智能企业会同时提供算法和芯片的集成服务，该类企业比较通俗的称呼是“人工智能方案解决商”，或称AI一站式服务（AI Turnkey）。根据集成的产品类型可再分成，硬件集成和软件集成两类：硬件集成：一般而言，硬件集成商是将不同功能的芯片放在同一块电路板（PCB）上，其中会包含核心处理器、协处理器（加速芯片）、存储器和其他零件。硬件集成初级的产品是板上系统（system on board），但终极目标是将多个芯片集成在一块芯片上形成系统芯片，或称片上系统（