AI芯片产业研究报告 2024 - 英赛富咨询.docx

—1—

AI芯片产业研究报告

一、AI芯片分类

AI芯片，作为一种专门为人工智能应用设计的高性能微处理器，其主要目的是满足深度学习、机器学习等复杂计算任务的需求。这类芯片能够在有限的时间内处理大量数据，

并高效地执行大量并行计算。通过提供强大的计算能力，AI芯片为神经网络的训练和推理提供了基础支持。

按照不同技术架构AI芯片可分为GPU、FPGA、ASIC。GPU最初是专门用于游戏图形加速，但它们可以用于加速深度学习和神经网络的训练和推理。FPGA是可重新配置的硬件，可以专门定制用于特定的AI任务。ASIC是专用AI芯片，能够提供比通用处理器更高的效率和性能。

不同技术架构的AI芯片技术特性对比如下：

图1-不同技术架构AI芯片对比

—2—

二、AI芯片微架构

AI芯片是由硬件实现的一组图形函数的集合，这些函数主要用于绘制各种图形所需要的运算。这些和像素、光影处理、3D坐标变换等相关的运算由GPU硬件加速来实现。图形运算的特点是大量同类型数据的密集运算——如图形数据的矩阵运算，GPU的微架构就是面向适合于矩阵类型的数值计算而设计的，大量重复设计的计算单元，这类计算可以分成众多独立的数值计算—大量数值运算的线程，而且数据之间没有像程序执行的那种逻辑关联性。

图2-Nvidia芯片Ampere架构

AI芯片微架构的设计研发是非常重要的，先进优秀的微架构对实际性能的提升是至关重要的。目前市面上有非常丰富的AI芯片微架构，比如Pascal、Volta、Turing（图灵）、Ampere（安培）、Hopper，分别发布于2016年、2017年、2018年、2020年、2022年，代表着英伟达GPU的最高工艺

—3—

水平。

GPU微架构的运算部份由流处理器(StreamProcessor，SP)、纹理单元（Texturemappingunit,TMU)、张量单元（TensorCore）、光线追踪单元（RTCores）、光栅化处理单元（ROPs）组成。这些运算单元中、张量单元、光线追踪单元由NVIDIA在伏特/图灵微架构引入。

Nvidia不同架构AI芯片性能对比如下：

图3-Nvidia不同架构GPU性能对比

三、IT行业AI芯片应用

（一）“云-边-端”协同应用框架

—4—

图4-AI云-边-端协同应用框架

如图4所示，AI芯片应用已形成规范的“云-边-端”协同应用场景框架，可分为云计算层、边缘层、终端层3个层面。云计算层主要承载云端训练和云端推理任务，包括智能数据分析、模型训练任务等。边缘计算层负责范围内的数据计算和存储工作；同时负责将连续数据汇总至计算层，最终由云计算层完成分析挖掘、数据共享工作，下发结果或模型至边缘和终端层。终端层主要承担推理任务，包括数据收集、环境感知、人机交互以及部分推理决策控制任务等。

（二）不同场景AI芯片需求

按照“云-边-端”应用场景框架，不同层面芯片性能需求、特性需求差异显著。云端芯片具有高吞吐率、高处理能力、高精度、低时延、可扩展、高内存高带宽的特性。边缘端芯片性能、稳定性、扩展性均在云端芯片和终端芯片之间。终端芯片具有体积小、低时延、低能耗、低成本、高安全性的特性。

具体情况如下图所示：

—5—

图5-不同场景AI芯片需求

四、IT行业AI芯片玩家

（一）国外玩家

国外玩家主要为Intel、Nvidia和AMD三家。云端芯片主要厂商为英伟达（Nvidia）、超威（AMD），其主要产品分别为Tesla、Instinct；终端芯片包括集成芯片和独立芯片两大类别，主要厂商为英特尔（Intel）、英伟达（Nvidia）、超威（AMD）,主要产品分别为IntelHD系列、NvidiaGeforce系列、AMDRadeon系列。

当前，NVIDIA的AI芯片在国际市场处于垄断地位。全球AI芯片市场份额如下图6所示，

—6—

图6-全球GPU市场格局

（二）国内玩家

目前AI芯片领域，玩家众多，包括华为海思、海光信息、龙芯中科、景嘉微电子、芯动科技、兆芯等。各品牌主业、代表产品、主要应用场景如下表所示：

—7—

表1-国内AI芯片玩家信息

公司

地区

主业

代表性产品

主要应用场景

华为海思

深圳

前身为华为集成电路设计中心，2004年注册成立实体公司，目前有麒麟、昇腾、鲲鹏、巴龙系列芯片产品线。

昇腾（HUAWEIAscend)310是一款高能效、灵活可编程的人工智能处