2019年中国AI芯片行业研究报告亿欧智库2019349页

亿欧智库年中国AI芯片行业研究报告研究报告CopyrightsreservedtoEOintelligence,March2019AI芯，中国芯，世界芯2019ChinaAIChipIndustryResearchReportAI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。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2019ChinaAIChipIndustryResearchReport4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2019ChinaAIChipIndustryResearchReport5章节安排介绍章节安排介绍Part1.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。Part2.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。Part3.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。Part4.参与者分析：根据企业背景分类，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。Part5.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2019ChinaAIChipIndustryResearchReport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304.1AI芯片企业分类4.2竞争态势分析4.3未来发展122.1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IntroductiontoAIandChipCHAPTER1Part1.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Part2.技术、政策与经济环境2.1技术2.2政策2.3经济Part3.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Part4.参与者分析4.1AI芯片企业分类4.2竞争态势分析4.3未来Part5.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“AnalogVLSIandNeuralSystems”，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“ImageNetClassificationwithDeepConvolutionalNeuralNetworks”，1993年：YannLeCun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：MichaelGschwind等人使用FPGAs实现神经网络的算法应用。2009年：RajatRaina和吴恩达发表利用GPU完成深度学习训练的论文“Large-scaleDeepUnsupervisedLearningusingGraphicProcessors”。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：JasonCong在2015年的FPGA大会上，发表一篇论文“OptimizingFPGA-basedAcceleratorDesignforDeepConvolutionalNeuralNetworks”，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2019ChinaAIChipIndustryResearchReport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。YannLeCun的团队使用DSP在一台486电脑上实现深度学习算法。RajatRaina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Part1.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Part2.技术、政策与经济环境2.1技术2.2政策2.3经济Part3.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Part4.参与者分析4.1AI芯片企业分类4.2竞争态势分析4.3未来Part5.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2019ChinaAIChipIndustryResearchReport10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19