人工智能算法与应用必须以计算机硬件作为物理载体方能运转，其效果、效率与核心计算芯片的计算能力密切相关。

当前以深度学习为代表的人工智能技术对于底层芯片计算能力的需求一直在飞速增长。

人工智能运算常常具有大运算量、高并发度、访存频繁的特点，且不同子领域（如视觉、语音与自然语言处理）所涉及的运算模式具有高度多样性，对于芯片的微架构、指令集、制造工艺甚至配套系统软件都提出了巨大的挑战。

(资料图片仅供参考)

随着人工智能技术日趋成熟，数字化基础设施不断完善，以及大模型不断的推出，将推动AI芯片市场高速增长，Omedia预计2025年全球人工智能芯片市场规模将达到726亿美元。#人工智能##算力#

算力芯片行业概览

AI 分布式计算的市场主要由算力芯片(55-75%)、内存(10-20%) 和互联设备（10-20%）三部分组成。

AI运算指以“深度学习”为代表的神经网络算法，需要系统能够高效处理大量非结构化数据（文本、视频、图像、语音等）。需要硬件具有高效的线性代数运算能力，计算任务具有：单位计算任务简单，逻辑控制难度要求低，但并行运算量大、参数多的特点。对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求。#芯片#

芯片厂商一方面在智能分析算法方面需要具有很强的技术积累；另一方面，在集成电路设计工艺上有越来越多的产品采用更先进的工艺，如40nm甚至28nm工艺，以进一步提高芯片处理速度并降低芯片功耗。针对不同应用场景，AI芯片还应满足：对主流AI算法框架兼容、可编程、可拓展、低功耗、体积及价格等需求。

人工智能的基础层是数据和算力。

从技术架构来看，当前主流的AI算力芯片主要包括图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、神经拟态芯片（NPU）等。

其中，GPU、FPGA均是前期较为成熟的芯片架构，属于通用型芯片。

ASIC属于为AI特定场景定制的芯片。另外，中央处理器（CPU）是计算机的运算和控制核心，是信息处理、程序运行的最终执行单元，是计算机的核心组成部件。

GPU

GPU（GraphicsProcessingUnit，图形处理器）能够并行计算的性能优势满足深度学习需求。GPU最初承担图像计算任务，目标是提升计算机对图形、图像、视频等数据的处理性能，解决CPU在图形图像领域处理效率低的问题。由于GPU能够进行并行计算，其架构本身较为适合深度学习算法。因此，通过对GPU的优化，能够进一步满足深度学习大量计算的需求。

GPU基础架构示意图：

资料来源：英伟达CUDA文档

GPU 在商业领域的具体应用体现在：1.商业计算和大数据处理；2.人工智能处理器；3.智算中心。

从全球市场格局来看，当前GPU行业呈英伟达、英特尔和AMD三寡头格局。

Joe Peddie Research 最新数据显示，英伟达2022年Q2独显市场份额约为79%、AMD约占20%，二者合计比例高达99%。

2022年8月31日，英伟达表示，美国官员让其停止向中国出口两种顶级AI计算芯片，分别是A100和H100芯片，此举可能削弱中国企业开展图像识别等先进工作的能力。

AMD也在8月31日提醒其中国业务，将暂停向中国出口一些高端GPU，AMD证实，已经收到美国商务部的新许可要求的通知，阻止其向中国和俄罗斯出口MI250集成电路。

GPU的国产替代进程刻不容缓，在紧张的局势背景下，未来国内优秀厂商有望推动高端GPU国产替代进程。

国内GPU产业链情况：

来源：科创板日记，国金证券

FPGA

FPGA 是一种集成电路芯片，最大特点是现场可编程性。

FPGA于1985年由赛灵思创始人之一Ross Freeman发明，并在现有的可编程器件（如PAL、GAL、CPLD等）的基础上进一步发展而来。FPGA 主要由可编程I/O单元、可编程逻辑单元、可编程布线资源等组成。

作为专用集成电路（ASIC）领域中的一种半定制电路，FPGA可以根据使用者的需求通过配套EDA软件多次重复编程配置以实现特定功能。

FPGA结构图：

在AI市场，FPGA芯片可以作为加速卡加速人工智能算法的硬件级运算速度，高密度FPGA面向云侧并行运算需求，中低密度面向端侧推断任务转移。

在云侧与端侧的不同任务中，FPGA芯片均已与GPU及ASIC等芯片一起成为人工智能处理芯片的重要选择之一。

全球市场格局方面来看，海外厂商主导全球FPGA 市场，赛灵思和英特尔形成双头垄断，国内企业持续加大FPGA 芯片的布局，成长空间巨大。

国内FPGA头部厂商包括复旦微电（高可靠FPGA 技术领先，率先推出亿门级FPGA 和PSoC 芯片，应用领域不断丰富）和紫光国微（国内特种集成电路行业领先者，产品覆盖500 多个品种，特种领域FPGA 持续更新）、安路科技（国内民用FPGA龙头）。

Frost&Sullivan数据显示人工智能领域FPGA芯片2020年中国销售额达到5.8亿元，占中国FPGA芯片市场份额的3.9%，2021年至2025年年均复合增长率将达到16.9%。

资料来源：Frost&Sullivan

ASIC

ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路）是一种根据产品的需求进行特定设计和制造的集成电路，能够更有针对性地进行硬件层次的优化。

由于ASIC能够在特定功能上进行强化，因此具有更高的处理速度和更低的能耗。相比于其他AI芯片，ASIC设计和制造需要大量的资金、较长的研发周期和工程周期，在深度学习算法仍在快速发展的背景下存在一旦定制则难以修改的风险。

由于ASIC开发周期长，仅有大厂有资金与实力进行研发。同时，ASIC是全定制芯片，在某些特定场景下运行效率最高，故某些场景下游市场空间足够大时，量产ASIC芯片可以实现丰厚的利润，因此头部厂商纷纷切入ASIC领域。

英伟达延续GPU路线，22年发布H100芯片，目前广泛应用于云端训练和推理；AMD利用自身技术积累，将CPU和GPU集成在一起，推出InstinctMI300芯片。

Google是ASIC芯片的先驱，21年推出TPUv4，运算效能大幅提升。

英特尔19年收购HabanaLab，22年推出Gaudi2ASIC芯片；IBM、三星等头部厂商亦纷纷切入ASIC领域。

目前市场上主流ASIC有TPU芯片、NPU芯片、VPU芯片以及BPU芯片，它们分别是由Google、寒武纪、Intel以及地平线设计生产。

资料来源：Google、平头哥、寒武纪、华为海思官网，国信证券

早前，美国已限制对华销售最先进、使用最广泛的AI训练GPU—英伟达A100以及H100，国产算力芯片距离英伟达最新产品存在较大差距，但对信息颗粒度要求较低的推理运算能实现部分替代。

在训练芯片方面，头部企业重点布局相关芯片研发，打破国外企业长期垄断局面。华为、寒武纪、百度等企业相继发布云端训练芯片，华为昇腾910 芯片成为全球单芯片计算密度最大的芯片之一。我国的AI芯片行业仍处于起步期，市场空间充足。

在新一轮人工智能浪潮革命下，算力的核心地位凸显，算力芯片成为最紧缺的环节，在复杂的国际环境和产业链高需求的背景下，国内算力芯片有望迎来广阔的国产替代空间。

关注乐晴智库，洞悉产业格局！

标签：