Position:Home > News
行业资讯 News Center
人工智能系列报告之五:人工智能芯片行业,大有可为
HEAVEN-SENT Capital Management GROUP http://www.ggttvc.com | Time:2018-01-04 | reading:534

前 言

人工智能的发展离不开基础层的发展,基础层包括大数据、计算力和算法。

从人工智能发展的发展历程来看,自2006年深度学习算法提出以来,算法效果在持续迭代,2015年,机器在imageNet比赛中已经超越了人类,具备了商用化的价值并且在持续优化中;伴随这互联网与移动互联网时代智能硬件的普及,数据量也在以指数级别的速度增长;唯独只有算力,由于摩尔定律的限制,算力的迭代滞后于人工智能产业的发展,算力已经成为限制人工智能产业落地的瓶颈,半导体芯片产业将迎来变革。下文主要对计算力行业进行分析。

深度学习:计算量呈几何倍数递增,对硬件提出更高要求

深度学习是目前最主流的人工智能算法。深度学习的“深度”便指的是图模型的层数以及每一层的节点数量。神经网络复杂度不断提升,从最早单一的神经元,到2012年提出的AlexNet(8个网络层),再到2015年提出的ResNET(150个网络层),层次间的复杂度呈几何倍数递增,对应的是对处理器运算能力需求的爆炸式增长。

深度学习带来计算量急剧增加,对计算硬件带来更高要求。但CPU和GPU基本框架结构都不是为人工智能设计,如果要用通用处理器搭建一个人脑规模突触的神经网络,可能需要建一个电站来给它供电。以AlphaGo为例,下一盘棋动用了1000个CPU和200个GPU,每分钟的电费就高达300美元,而网络规模只有人脑的千分之一。因此CPU和GPU无法满足人工智能产业落地的需求。

未来想要突破这一困局主要靠两个手:

(1)设计全新的处理器(芯片)架构(本文阐述)

(2)设计更高级更快更有效的算法(将在算法章节阐述)

变革下的机会:人工智能计算芯片发展大潮来临

区别于过去intel垄断的PC时代,在当前开放生态的时代,各类新兴的取代解决方案被提出,并逐步面世:

GPU离散化和分布式的特征适合处理深度学习所需要的非线性离散数据。在该领域,英伟达已经建立了相当领先的技术优势。但谷歌在应用GPU的案例表明GPU在深度学习模型建立的过程中发挥了很好的效果,但是在人工智能模型应用环节效果不佳,不能完全满足人工产业落地的需求,进而自主研发ASIC芯片——TPU。诸多IT巨头也纷纷跟随研究与设计FPGA和ASIC芯片。

FPGA是用于解决专用集成电路的一种方案。专用集成电路是为特定用户或特定电子系统制作的集成电路。人工智能算法所需要的复杂并行电路的设计思路适合用 FPGA 实现。FPGA 在本质上是用硬件来实现软件的算法,因此在实现复杂算法方面有一些难度,具有较高的软硬件技术门槛。

ASIC是一种为专门目的而设计的集成电路。其计算效率更高体现在数据读取逻辑、运算方法与传统CPU、GPU不同。由于功能专用,因此,ASIC的产品定制化程度高且功耗低,是人工智能的终极解决方案,可以在终端广泛铺开,但是由于过分定制化导致单一芯片开发成本高,需要走量才能摊薄成本,同时灵活性较差。

类脑芯片是一种相对处在概念阶段的集成电路。其设计原理与前文三类芯片不同,已完全拟人化为目标,追求在芯片架构上不断逼近人脑。四者的对比和代表企业可以参考下文。

变革中往往孕育了机会。人工智能的兴起与推广,开放的研究生态,多条技术路线,引爆了国内半导体的创业热潮的同时也带给中国一轮弯道超车的机遇。

芯片行业概括与产业链分析

芯片(计算力)产业链包含了芯片设计,芯片制造,封装和测试3个部分,芯片制造与封装测试环节与人工智能产业关联度较低,属于电子制造业范畴,因此不在本文分析范围内。

其中IC设计是半导体产业中附加值最高的环节,占到全行业的利润空间的60%左右,这是由芯片设计行业的定价机制决定的。按国际通用的低盈利芯片设计公司的定价策略8:20定价法,也就是硬件成本为8的情况下,定价为20,即常规产品销售毛利率为60%。这个定价比例并不高,Intel过往定价策略为8:35,而AMD历史上曾达到过8:50。下表为芯片行业典型玩家的利润率水平情况。

纵观全球,在这个高门槛,高毛利率,市场空间又足够广阔的行业,涌现了intel,高通,英伟达等大批市值超过千亿美元,以及无数市值超过百亿美元的半导体企业,这些企业聚集在IC设计层,但同时他们也均为外资企业。

国产替代刚需:芯片产业迭代带来弯道超车机会

在传统芯片领域,中国已经落于国际的下风。70年代,中国没赶上CPU的发展,在传统芯片设计和制造领域,一步落后,步步落后,目前世界领先的工艺已经进化到了7nm级别,但中国还要从28nm从头追起。因此,以IHS的数据为例, 2016年全球半导体市场规模达到3389.3亿美元,同比小幅增长1.1%。其中中国进口2271亿美元,占到67%。虽然坐拥庞大的电子制造业,90%的笔记本电脑,90%的智能手机,以及其他的大量电子设备均在中国制造,但中国芯片自产率仅有5%,实属不堪。

但前文提及的,产业的迭代会带来格局的变化。中国企业在通用AI芯片领域与国际水平Intel,英伟达等相比,有短期内难以逾越的差距。但在AI计算专用芯片领域,国内外研究起步时间差距不大。国内有涌现了像地平线,寒武纪这样优秀的企业。面对此次浪潮,中国的企业是有机会的。原因是:

1、CPU和GPU的架构不能很好的匹配深度学习,目前的AI芯片主要针对神经网络和深度学习算法定制,芯片的硬件设计上比传统的CPU和GPU要简单,并非高不可攀,中国的企业也能做到。

2、中国对半导体产业的支持力度很大,发展中国芯的战略明确且坚定,AI芯片可能会成为一个新的战略方向。

3、中国有巨大的电子消费市场,以华为,小米,OPPO,VIVO为例,电子产品的品牌效应正逐步向中国制造转移。面对国内大量下游巨头客户,中国的芯片企业具有得天独厚的商业优势和客户渠道优势。

4、国内在AI领域的进展很快,特别在应用方面,在很多领域甚至比美国做得还好,这能为AI芯片提供重要的市场基础。

需求广阔:人工智能芯片产业前景光明

当前看来,不管是国内的百度,阿里,腾讯,华为,还是美国的谷歌,facebook,亚马逊,微软,都在朝人工智能方向发展。人工智能应用落地的巨大需求会衍生出了庞大的AI芯片需求空间。

以赛迪咨询的报告为参考,预计 2016年人工智能芯片市场规模将达到23.88亿美元,而到2020年人工智能芯片市场规模将达到146.16亿美元。市场空间广阔,行业平均增速预计超过50%。

参考英伟达行业专家,目前国内人工智能芯片市场可分为云端市场和终端市场,云端市场可分为云端训练市场和云端推理市场,参考。

在云端训练市场,主要的玩家英伟达和AMD,采用GPU解决方案;在云端推理市场,普遍采用FPGA解决方案。云端市场的市场空间预计未来在百亿美元规模左右,当前已经有规模化的企业方,市场的增速相当惊人。以英伟达为例,2017年英伟达在数据机房的业务(云端训练)增速达到115%,是英伟达增长最快的业务。

在终端推理领域,由于领域众多,市场上的参与者也选择各自专注的方向进行拓展,但是该领域市场还欠缺规模化的企业。Mobieye是率先成功商业化落地的企业,在汽车智能芯片市场取得不错的成绩;国内寒武纪联合华为率先在移动终端领域完成落地,同样引发的行业的关注。从市场规模上看,终端人工智能芯片会面向广大C端,C端设备对于功耗有较高的要求,需要配备ASIC类别的人工智能加速芯片。伴随着AI应用的逐步推广和落地, AI芯片在终端的需求量会逐步释放。


总 结

人工智能产业对于算力的巨大需求带来了半导体芯片产业变革的机遇。在这个市场,中国与国外处在了比较接近的起跑线上,门槛相较于CPU时代并不是遥不可及的。因此中国在落后了几代的半导体领域有了弯道超车的机遇。

同时,中国导体的最大消费国,也是人工智能推进和应用的领军者,每年进口与消费2200亿美元半导体芯片,伴随着国家对半导体产业的重视以及国产化目标的逐步兑现,中国未来一定会出现一批市值在千亿以上的芯片企业。

行业典型企业分析:寒武纪

2017年3月,由中国科学院计算技术研究所(中科院计算所)陈云霁、陈天石两兄弟创立的寒武纪科技完成国家集成电路产业基金,阿里巴巴等单位投资的1亿美元A轮融资,此轮融资令寒武纪估值达到10亿美元。这也是中国第一家集成电路产业的独角兽公司(估值超过10亿美元)。

寒武纪拥有自主架构的芯片和自主开发的指令集。其芯片实现的功能是在计算机中模拟神经元和突触的计算,对信息进行智能处理,每秒可以处理160亿个神经元和超过2万亿个突触,功耗却只有原来的十分之一,未来有希望把整个AlphaGo的系统都装进手机。

寒武纪的AI芯片在两个大型产业都可以有广泛的应用,一个是云端,一个是终端。在目前云计算蓬勃发展的情况下,云端服务器面临更大的大数据计算压力,AI芯片逐渐必不可少。终端的智能化程度和计算要求不断提升,也需要使用AI芯片。2017年9月2日,华为在德国IFA展上发布麒麟970处理器,首先用于华为Mate 10智能手机上,其背后的AI芯片就是来自寒武纪。这是业内目前极少的C端商业化落地案例。

本文节选自集团近期即将出版的《人工智能行业报告及投资建议》特别报告,作者系集团旗下天堂硅谷金融研究院以及多个聚焦人工智能领域的投资团队。

©2016 CopyRight 硅谷天堂 All Rights Reserved. Design BY:JUX