计算机AI芯片助中国芯弯道超车由浅入深度学习

请阅读最后一页信息披露和重要声明行业研究行业跟踪报告证券研究报告＃industryId＃计算机＃investSuggestion＃推荐(＃investSuggestionChange＃维持）＃relatedReport＃相关报告《人脸识别行业报告：浮云渐散，刷脸时代来临》2017-09-23《首个系统性发展规划落地，AI迎来新机遇》2017-07-21《AlphaGo三胜柯洁，人工智能进化几何》2017-05-30＃emailAuthor＃分析师：袁煜明[e-mail]0190515040001＃assAuthor＃研究助理：洪依真[e-mail]投资要点＃summary＃战略级政策频吹春风，中国“芯”有望借AI芯片弯道超车。我国传统芯片产业长期落后美日韩等发达国家，尽管占有9成以上PC和智能手机的制造量，但芯片自给率仅10%左右。而产业向AI芯片的升级带来了绝佳机会，寒武纪、海思等优势企业有望推动中国“芯”实现弯道超车。近年国家战略级政策对AI芯片相关产业频吹春风，国内终端市场大，国产AI芯片有望借国产化趋势与智能手机、安防摄像头等终端率先形成放量。深度学习要求极高的并行计算能力，大数据、算力、训练方法等领域的突破使AI芯片作为上游产业率先爆发。人工神经网络通过训练与预测的过程实现应用，对并行计算能力要求高，训练偏好高性能，应用对简单指令重复计算和及时性要求高。随着大数据存取、算力以及深度学习训练方法等方面的瓶颈被突破，芯片作为AI领域的上游成为了率先爆发的产业。CPU难以满足并行计算要求，AI芯片站上舞台。CPU的串行结构难以应对AI计算在简单指令下的并行算力要求，AI芯片应运而生。其中，GPU因其易编程性和良好的并行计算能力最早最广泛被应用于AI计算。AI芯片各有千秋，非冯架构下的非类脑芯片占据上风，GPU仍是主流，FPGA和ASIC增速较快。按照是否为冯诺依曼架构及是否为类脑芯片可对市场中用于AI计算的芯片进行分类：冯诺依曼架构下均是非类脑芯片，主要包括传统的CPU和GPU；非冯架构下包括类脑与非类脑芯片，其中非类脑芯片包含ASIC（寒武纪、谷歌TPU等）、FPGA和部分新GPU（Nvidia的Tesla系列等），类脑芯片包括IBM的TrueNorth等。在主要的AI芯片中，GPU峰值性能高、通用性好，但功耗大，适用于数据中心和训练过程；FPGA效率高、灵活性好，但峰值性能弱、成本高，适用虚拟化云平台和预测过程；ASIC效率高、功耗比佳，但量产前成本高，适用智能终端和AI平台；类脑芯片能耗低、感知力强，但缺乏训练、精度低。英伟达新推Volta架构，GPU有望保持领导地位，Intel加码CPU+FPGA，而以寒武纪为代表的ASIC厂商在终端的落地前景更为广阔。英伟达Volta架构提升了GPU预测效率，Intel不断推进CPU+FPGA架构，未来或呈现GPU发展高端复杂算法、高性能计算和数据中心；ASIC发展智能终端、AI平台与算法IP化；FPGA应用于变化较快的行业应用和虚拟化云平台这样的格局，其中注重终端寒武纪等ASIC的落地前景更为广阔。推荐标的：软件SoC：中科创达；芯片制造：富瀚微；服务器：中科曙光、浪潮信息。风险提示：ASIC研发进度不及预期、终端落地反馈不佳＃title＃AI芯片助中国“芯”弯道超车，由浅入“深”度学习＃createTime1＃2017年9月25日请阅读最后一页信息披露和重要声明-3-行业跟踪报告图19、FPGA内部结构...............................................................................-18-图20、Volta架构的新GPUV100在预测阶段性能提升约10倍，是CPU的30倍..................................................................................................................-21-图21、英伟达GPU应用体系.....................................................................-22-表1、近三年部分AI+芯片产业支持政策......................................................-6-表2、部分终端产品对AI芯片的应用...........................................................-8-表3、四类人工智能芯片特点对比..............................................................-15-表4、现有用于AI计算的部分芯片对比.....................................................-15-表5、全球科技巨头在云端FPGA的布局....................................................-23-表6、部分ASIC专用芯片介绍..................................................................-24-表7、全球知名公司研发的类脑芯片...........................................................-25-请阅读最后一页信息披露和重要声明-4-行业跟踪报告报告正文1、AI芯片迎政策春风，中国“芯”突破可期1.1、芯片产业具备战略性、先导性和基础性，中国“芯”奋起直追发达国家的ICT产业建立在强势的芯片基础之上。芯片产业是一国工业的支柱之一，其下游的ICT产业在美、日、韩等发达国家中的地位尤为重要。我们耳熟能详的诸多公司，如美国的谷歌、IBM、Intel、微软、Apple、AT&T、英伟达，韩国的三星，日本的Sony、东芝等都属于ICT领域，每年能贡献超百亿美元的利润。这些公司或是自身的产品或是上游均是芯片行业，本国芯片产业的强势不仅让这些公司站稳了脚跟，对其国内人工智能、信息安全、网络建设等诸多领域的推动作用更是不言而喻。IC产业是国家战略性、先导性、基础性行业，对信息安全、“互联网+”建设和人工智能等战略的发展必不可少。芯片是ICT产业的底层硬件，没有芯片的国产化，就更不用说建立于其之上的ICT产业，对我国“互联网+”建设和人工智能战略等新一代信息技术发展乃至国家信息安全造成了巨大影响。中国虽然是世界的制造工厂，是全球个人计算机、手机、家电以及其他多种电子设备的第一大制造国，全球约有90%的个人笔记本电脑及智能手机和大量的电子设备在中国制造，但我国的芯片自给率仍在10%左右，与我国的终端制造规模、发展速度相当不匹配，芯片产业的弱势制约了国内电子信息产品的竞争力，压缩了行业利润。所以国家无论从科技战略发展的角度还是从国内实体经济的角度考虑，都必不可少要重点发展芯片产业。国家在2014年发布的国家战略性、基础性、先导性行业发展。图1、我国集成电路进口额占全球市场份额超6成，逆差近年稍有稳定资料来源：百度文库，兴业证券研究所海思等企业逐渐崛起，中国“芯”在不断追赶。近几年，尽管全球芯片产业仍由Intel、高通、英伟达等巨头把持，我国芯片产业仍呈现出蓬勃的发展力，近三年行业销售额复合增长率超20%。2009年全球纯芯片设计公司50强中，中国第一05001000150020002500300035004000450050002010201120122013201420152016集成电路进口额（亿元）集成电路出口额（亿元）逆差（亿元）请阅读最后一页信息披露和重要声明-5-行业跟踪报告家闯入世界50强的是华为旗下的海思公司，而2014年这个数目达到了9家，2016年增长到了11家，分别是海思、紫光展讯，紫光锐迪科、中兴、大唐、南瑞、华大、ISSI、瑞芯微、全志和澜起科技。此外，虽然2016年全球前20大半导体公司中没有中国企业的身影，但是其门槛44.55亿美元与海思2016年的收入基本相当，而表中的不少公司营收增速非常缓慢，尤其是排名居后的4家增速基本在0%附近，明年海思有望进入全球前20强。图2、国内芯片产业销售额保持20%增速图3、进入全球前50的企业数迅速上升资料来源：中国产业信息网、兴业证券研究所资料来源：ICInsights、兴业证券研究所图4、海思今年有望进入全球半导体前20强资料来源：ICInsights，兴业证券研究所1.2、AI芯片形成突破，战略级政策频吹春风，助力弯道超车11.60%16.22%20.22%19.70%21.50%18.97%0%5%10%15%20%25%0100020003000400050006000201220132014201520162017E销售规模（亿元）同比增速1911024681012200920142016请阅读最后一页信息披露和重要声明-6-行业跟踪报告表1、近三年部分AI+芯片产业支持政策请阅读最后一页信息披露和重要声明-7-行业跟踪报告资料来源：兴业证券研究所1.3、终端引领ASIC芯片落地浪潮，国产化趋势或带来发展良机请阅读最后一页信息披露和重要声明-8-行业跟踪报告表2、部分终端产品对AI芯片的应用资料来源：兴业证券研究所2、大数据与深度学习推动AI芯片进化2.1、人工神经网络与深度学习简介及其对算力的要求人工神经网络的算力要求在于并行计算和矩阵计算能力，以及简单指令下的重复计算。人工神经网络是人工智能和机器学习领域关注度很高的模型，其源于对人脑神经网络的抽象近似模拟，是由大量简单处理节点（神经元）相互联结构成的运算模型。人工神经网络算法目的是在网络的输入和输出之间建立某种映射关系，常用于分类和预测。结构上，前馈型人工神经网络分为输入层、隐藏层和输出层，每一层都可以有多个神经元，与后一层的神经元相互连接，连接的强度称为权值。图1就是一个包含2层隐藏层的人工神经网络，输入层包含6个节点，输入6个初始值后，网络经过两个隐藏计算层的计算得出1个输出值。当输入初始值时，层与层之间的信息传递通过权值矩阵与各节点输出的加权求和计算实现的。最后的输出值则受到两个因素的影响，一个是之前加权计算出的值（激励值）；另一个则是激励函数，也可以理解为一个判断函数，代入激励值会产出一个值，代表着某种现实判断。可以看到，神经网络向前传递的整个过程对于请阅读最后一页信息披露和重要声明-9-行业跟踪报告并行计算和矩阵计算的能力要求较高，尤其当层数增加时，计算量的放大是非常明显的。但同时，这个流程在指令上却非常的简单，只需要重复“输入—输出”这个过程即可。图5、神经网络模型资料来源：百度文库，兴业证券研究所神经网络通过训练和预测过程实现应用。事实上，我们很早就已经接触过简单的机器学习方法了，比如常用的线性回归拟合。我们通过样本期的数据回归得出一个线性方程，并将新的自变量值放入方程从而产生未来的预测值。神经网络其实也是通过类似的训练和预测过程实现应用的，但是线性拟合通过最小化离差平方和获得一个矩阵方程的解，并得出一条直线；神经网络（尤其是深度神经网络）则通过每一层的权重调整几乎可以实现任何形式的函数拟合，在数据量和计算上的要求都是天文数字级别的差异。图6、神经网络应用过程：训练和预测资料来源：兴业证券研究所训练环节对性能要求高，预测环节对简单指令重复计算和低延迟度要求高。用一个具体例子进行演示，我们的目标是让神经网络能够自动判断一张黑白图片上是否显示了6这个数字。首先，我们输入的数据为图中像素点是否为黑，黑则为1，白则为0。一系列的0与1经过层层加权和计算到达输出层，将得到的激励值代入到激励值函数中，如果认为图像是6（比如激励值超过1）则输出1，反之