计算机行业人工智能研究系列：AI芯片市场正快速起航，国内边缘芯片面临更大机遇.docxVIP

正文目录 TOC \o 1-2 \h \z \u HYPERLINK \l _TOC_250017 一、人工智能芯片发展现状及趋势 5 HYPERLINK \l _TOC_250016 深度学习算法对芯片要求更为苛刻，通用 CPU 性价比相对较差 5 HYPERLINK \l _TOC_250015 GPU、FPGA 以及 ASIC 各有优劣，成为当前 AI 芯片行业的主流 6 HYPERLINK \l _TOC_250014 短期内 GPU 仍将是 AI 芯片主导，长期看三大技术路线将呈现并行态势 11 HYPERLINK \l _TOC_250013 国内外 AI 芯片市场需求将保持较快增长势头，云端、边缘均具备潜力 12 HYPERLINK \l _TOC_250012 二、AI 芯片主要应用场景 12 HYPERLINK \l _TOC_250011 数据中心（云端） 12 HYPERLINK \l _TOC_250010 自动驾驶 13 HYPERLINK \l _TOC_250009 2.3 安防 15 HYPERLINK \l _TOC_250008 智能家居 16 HYPERLINK \l _TOC_250007 机器人 18 HYPERLINK \l _TOC_250006 三、国内外 AI 芯片厂商概览 19 HYPERLINK \l _TOC_250005 整体排名 19 HYPERLINK \l _TOC_250004 芯片企业 20 HYPERLINK \l _TOC_250003 IT 及互联网企业 21 HYPERLINK \l _TOC_250002 创业企业 24 HYPERLINK \l _TOC_250001 四、投资建议 25 HYPERLINK \l _TOC_250000 五、风险提示 26 图表目录 图表 1 人工智能发展历程 5 图表 2 深度学习算法发展历程 5 图表 3 人工智能深度学习算法的算力需求特点 6 图表 4 AI 深度学习芯片产品图谱 7 图表 5 GPU、FPGA、ASIC 性能特点对比 7 图表 6 CPU 与 GPU 架构对比 8 图表 7 主流 GPU 处理器与 CPU 在深度学习训练时长比较 8 图表 8 Alveo U200 数据中心加速器卡 9 图表 9 英特尔? Agilex? F 系列 FPGA 9 图表 10 赛灵思 FPGA 产品图像吞吐量和时延指标表现优异 9 图表 11 国内外主要企业专用芯片进展情况 10 图表 12 谷歌 TPU 芯片 10 图表 13 寒武纪 MLU100 智能芯片 10 图表 14 英伟达及 AMD GPU 架构演进路线图 11 图表 15 2018-2023 年全球 AI 芯片市场规模（亿美元） 12 图表 16 全球人工智能硬件平台 AI 芯片配置情况 13 图表 17 自动驾驶数据量预测 14 图表 18 英特尔自动驾驶完整硬件系统 15 图表 19 英伟达 Xavier 芯片 15 图表 20 英特尔和英伟达主要自动驾驶芯片性能指标对比 15 图表 21 国内面向安防 AI 芯片的企业及主要产品 16 图表 22 国内主要语音芯片厂商及产品情况 17 图表 23 2014-2021 年全球工业机器人产量及增速 18 图表 24 2017 年主要国家和地区工业机器人产量（台） 18 图表 25 2007-2017 年中国工业机器人产量及同比增速 18 图表 26 国内机器人芯片企业及产品 19 图表 27 全球 AI 芯片企业排名（TOP24） 19 图表 28 主要 AI 芯片类型及企业 20 图表 29 英特尔 AI 全栈解决方案框架 21 图表 30 谷歌云端、边缘端 AI 芯片应用情况 22 图表 31 阿里巴巴参与投资的 AI 芯片相关创投公司 23 图表 32 百度 AI 芯片合作、合资及自研情况 24 一、 人工智能芯片发展现状及趋势 深度学习算法对芯片要求更为苛刻，通用 CPU 性价比相对较差 经历了 60 多年的起起伏伏之后，人工智能终于迎来了第三次爆发。第三次爆发的核心引爆点是深度学习算法的出现，但其背后的支撑是数据和算力。对整个 AI 行业来讲，算法、数据和算力三大基本要素中，数据尤其是海量数据的获取和处理难度在下降，算法也在深度学习模型的基础上不断优化， 而负责将数据和深度算法统一协调起来的芯片能否获得大的飞跃，成为市场关注的焦点。 图表1 人工智能发展历程 资料来源:wind， 图表2 深度学习算法发展历程 资料来源:英伟达官网、 深度学习算法对芯片性能需求主要表现在三个方面：一、海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备