AI芯片迎加速发展期我们可以投资在什么领域？.docxVIP

华领集团 hualinggroup.cn 引领中国产业变革趋势的智慧型投资集团 以“MA+PE”为核心价值连接点，连接起投资管理、财富管理、创新咨询三大业务板块 布局智能经济与绿色经济两大产业，致力于打造融产业、资金、资本于一体的产业金融生态圈。 AI芯片迎加速发展期，我们可以投资在什么领域？ 科技不断地给人们惊喜，人工智能成为现在科技的代表。在今年的九月，人工智能芯片在德国的柏林国际消费电子产品展览会上进行了发布，这是华为企业的首款可以内置神经网络的人工智能芯片，也是全世界的第一款。 半导体是整个电子产业的心脏，无论是在PC时代、移动互联网时代还是即将到来的AI时代，都离不开半导体尤其是处于核心地位的芯片支撑。AI时代的到来使各主要国家、科技巨头纷纷卡位布局芯片领域，不仅现有玩家愈演愈烈收购吞并，如博通欲强娶高通，软银大手笔收购ARM；玩家也纷纷试水，如苹果、特斯拉欲自研芯片，阿里频繁布局AI芯片初创公司。 什么是AI芯片： 芯片，又称微电路（microcircuit）、微芯片（microchip）、集成电路（英语：integrated circuit, IC）。是指内含集成电路的硅片，体积很小，常常是计算机或其他电子设备的一部分。 人工智能芯片是软件定义芯片，相比于传统CPU、GPU芯片，具有可重构计算和深度学习两大重要因素。可重构计算是指硬件架构和功能可以动态地、实时地跟随软件的变化而变化；深度学习，就是通过算法给机器设计一个精神网络，通过模拟大脑神经元之间传递、处理信息的模式，从多个角度和层次来观察、学习、判断、决策。当然，即使最先进的IBM的TrueNorth也只有人类100亿个神经元的万分之一功能。 在应用方面，当前人脸识别、语音识别等多个领域已经成为热点研究方向。 AI芯片分类 一项深度学习工程的搭建，可分为训练（training）和推断（inference）两个环节： 环节一：训练环境通常需要通过大量的数据输入，或采取增强学习等非监督学习方法，训练出一个复杂的深度神经网络模型。训练过程由于涉及海量的训练数据（大数据）和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU 集群训练几天甚至数周的时间，在训练环节GPU?目前暂时扮演着难以轻易替代的角色。 环节二：推断（inference）环节指利用训练好的模型，使用新的数据去 推断 出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然推断环节的计算量相比训练环节少，但仍然涉及大量的矩阵运算。在推断环节，除了使用CPU 或GPU 进行运算外，FPGA 以及ASIC 均能发挥重大作用。 下面介绍一下各种芯片在技术和应用上的特点: GPU：以英伟达为主，AMD 为辅。依靠通用及灵活的强大并行运算能力，广泛契合当前人工智能监督深度学习以及生成式对抗网络(GAN)/强化学习所需要的密集数据和多维并算处理需求，在3-5 年内GPU 仍然是深度学习市场的第一选择。 AI 将至的大趋势下，数据中心市场空间巨大。我们华领认为，深度学习上游训练端由GPU 主导并基本为英伟达所垄断。下游推理端虽可容纳CPU/FPGA/ASIC 等芯片，但竞争态势中英伟达依然占大头。 英伟达依靠Volta 构架升级以及广泛成熟的开发生态环境，自上而下的对训练、推理兼顾，扩张版图。以2016 年为例，全年服务器市场出货量约在1110 万台，在只有7%用于人工智能workload，其中约3.4%配置GPU，总量仅2.6 万台。所以全球新增服务器中GPU 的渗透仅为0.24%，在2020 年前全球服务器GPU渗透率将达4 倍以上增长。 FPGA（Field Programmable Gate Array，现场可编程门阵列）：依靠电路级别的通用性，加上可编程性，适用于开发周期较短的IoT 产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。 FPGA 可灵活支持各类深度学习的计算任务，性能上根据百度的一项研究显示，对于大量的矩阵运算 GPU 远好于 FPGA，但是当处理小计算量大批次的实际计算时 FPGA 性能优于 GPU。另外 FPGA 有低延迟的特点，非常适合在推断环节支撑海量的用户实时计算请求（如语音云识别）。FPGA 厂商包括Xilinx、Altera（英特尔）、Lattice 及Microsemi。 ASIC（Application Specific Integrated Circuit，专用集成电路）：细分市场需求确定后，以T