以深度學習爲核心的新一(yī)代人工(gōng)智能技術，近年來在機器視覺、語音識别等領域迅速發展，已經開(kāi)始像水電(diàn)煤一(yī)樣賦能于各個行業。作爲引領新一(yī)輪科技革命和産業變革的戰略性技術，人工(gōng)智能受到了各國政府的高度重視，我(wǒ)國也将其提升到了國家戰略層面。本輪人工(gōng)智能産業的迅猛發展主要得益于算法、數據和算力三大(dà)要素。目前我(wǒ)國在數據和算法方面具備一(yī)定優勢，而爲人工(gōng)智能産業發展和應用落地提供強大(dà)算力支撐的芯片是較大(dà)短闆，極大(dà)依賴于進口。本文從人工(gōng)智能芯片發展現狀和主流技術路徑入手，通過分(fēn)析人工(gōng)智能芯片國産化現狀與瓶頸問題，進而得出發展思路建議。

一(yī)、人工(gōng)智能芯片市場分(fēn)析

根據中(zhōng)商(shāng)産業研究院數據，2017年全球人工(gōng)智能芯片市場規模達到44.7億美元，約占全球半導體(tǐ)市場總規模的1.1%；預計2020年有望突破百億大(dà)關，發展空間巨大(dà)。而我(wǒ)國的人工(gōng)智能芯片行業發展尚處于起步階段，2017年我(wǒ)國人工(gōng)智能芯片市場規模爲33.3億元，同比增長75%；預計随着5G、物(wù)聯網、大(dà)數據等應用的發展，人工(gōng)智能芯片的發展未來3年将迎來新一(yī)輪的爆發，市場前景十分(fēn)廣闊（見圖1、圖2）。

二、人工(gōng)智能芯片技術路徑對比分(fēn)析

人工(gōng)智能芯片是一(yī)個方興未艾的領域，尚未形成統一(yī)的标準和方案。最初的深度學習場景采用的芯片是CPU，但CPU的并行計算能力太低，很快便無法滿足深度學習對算力的需求。目前業界主流的技術路徑主要有GPU、FPGA、ASIC等，針對神經網絡算法而言，在通用性和性能功耗比等方面各有優劣（見表1）。

GPU，即圖形處理器，最初是用作繪圖運算的微處理器，可以快速地處理圖像上的每一(yī)個像素點，後來發現，其海量數據并行運算的能力與深度學習需求不謀而合，因此較早被引入深度學習。GPU目前已成爲深度學習訓練的首要選擇。GPU的關鍵性能是并行計算，适合深度學習計算的主要原因一(yī)是高帶寬的緩存有效提升了大(dà)量數據交互時的效率。GPU的緩存結構爲共享緩存，相比于CPU，GPU線程之間的數據通信不需要訪問全局内存，而在共享内存中(zhōng)就可以直接訪問。二是多計算核心提升并行計算能力。GPU具有數以千計的計算核心、可實現10～100倍于CPU的應用吞吐量。

FPGA，即現場可編程門陣列，一(yī)種集成大(dà)量基本門電(diàn)路及存儲器的芯片，可通過燒入FPGA配置文件定義這些門電(diàn)路及存儲器間的連線，進而實現特定功能。FPGA沒有預先定義的指令集概念和确定的數據位寬，可基于應用場景的高度定制，因此FPGA在應用于深度學習時具備可定制、可重構的特點。此外(wài)，FPGA适合用于低延遲的流式計算密集型任務處理，所以FPGA做面向海量用戶高并發的雲端推斷，相比GPU具備更低計算延遲的優勢。FPGA廣泛使用的主要瓶頸是成本高昂，且使用者必須具備電(diàn)路設計能力。 

ASIC，即專用集成電(diàn)路，是不可配置的高度定制專用芯片。不同于GPU和FPGA的通用性和靈活性，定制化的ASIC一(yī)旦流片後則無更改餘地，若市場深度學習方向一(yī)旦改變，ASIC前期投入将無法回收，意味着ASIC具有較大(dà)的市場風險。但ASIC作爲專用芯片性能高于GPU和FPGA，如能實現高出貨量，其單顆成本可做到遠低于FPGA。

類腦芯片，其架構是一(yī)款模拟人腦的新型芯片編程架構，完全不同于傳統的馮諾依曼架構。這種芯片的功能類似于大(dà)腦的神經突觸，處理器類似于神經元，而其通信系統類似于神經纖維，可以允許開(kāi)發者爲類腦芯片設計應用程序。通過這種神經元網絡系統，計算機可以感知(zhī)、記憶和處理大(dà)量不同的情況。類腦芯片尚處于實驗室研發階段，如IBM研發的真北(běi)芯片（TrueNorth）。

從功能上看，深度學習可分(fēn)爲訓練（Training）和推斷（Inference）兩個環節。基于上述各類人工(gōng)智能芯片的性能特點，在訓練環節，主要以GPU爲主；在雲端推斷環節，除了使用GPU進行運算外(wài)，FPGA和ASIC也發揮了重大(dà)作用；終端推斷環節，所用芯片則主要以ASIC爲主。

三、人工(gōng)智能芯片國産化現狀

GPU、FPGA依賴進口，國産化程度低。全球70%的人工(gōng)智能GPU芯片市場都被NVIDIA占據。FPGA行業呈現典型的寡頭競争格局，主要4家生(shēng)産廠家都在美國。根據Gartner的數據，FPGA器件的廠家主要有Xilinx(賽靈思)、Altera(阿爾特拉)、Lattice(萊迪思)和Microsemi(美高森(sēn)美)，這4家公司都在美國，總共占據了98%以上的市場份額。其中(zhōng)全球份額Xilinx占49%，Altera占39%，剩餘的占比12%。國内廠商(shāng)在GPU方面鮮有布局，FPGA方面也僅有複旦微電(diàn)子等少數芯片廠商(shāng)涉足，但與國外(wài)差距巨大(dà)。

ASIC芯片國産化程度較好。由于ASIC芯片的高度定制化和專用性，因此市場集中(zhōng)度不高，芯片供應廠商(shāng)較多，或是由終端應用廠商(shāng)自行研發設計。ASIC主要企業包括Google的TPU系列處理器，以及國内的寒武紀、地平線、深鑒科技等公司。

四、人工(gōng)智能芯片國産化瓶頸問題

（一(yī)）通用芯片被國外(wài)牢牢把控，僅在定制化芯片方面有布局

美國在人工(gōng)智能芯片的各條技術路線均有布局，Nvidia、Xilinx、Google三家龍頭企業分(fēn)别沿着GPU、FPGA、ASIC路線不斷大(dà)力投入人工(gōng)智能芯片研發，三管齊下(xià)，無論哪家公司最終取得成功，都将大(dà)大(dà)增強美國在人工(gōng)智能領域的話(huà)語權和領導力。而相比國内，包括寒武紀、地平線、華爲海思等各家公司都隻基于ASIC技術發展AI芯片，未能進入GPU、FPGA等通用芯片領域。

（二）人工(gōng)智能計算框架及芯片生(shēng)态由國際巨頭主導

計算框架是人工(gōng)智能技術體(tǐ)系的核心，而目前主流的深度學習框架如TensorFlow、Caffe等主要由谷歌、亞馬孫等國際巨頭主導，人工(gōng)智能芯片公司在芯片設計和編譯器開(kāi)發過程中(zhōng)都需要考慮到與主流計算框架之間的适應性。其次，國際芯片巨頭如英偉達等廠商(shāng)已經具備較強的生(shēng)态優勢，市場對其芯片的指令集和配套軟件都較爲熟悉，易于用戶編程開(kāi)發。此外(wài)，EDA等芯片設計的基礎開(kāi)發工(gōng)具也長期受制于人。這些生(shēng)态及軟件問題都極大(dà)限制了國産人工(gōng)智能芯片的發展。

（三）國産人工(gōng)智能芯片需求前景不明朗

鑒于可靠性和風險考量，國内人工(gōng)智能應用層廠商(shāng)使用國産芯片替換的意願不強，而且大(dà)型終端應用廠商(shāng)漫長的芯片驗證周期也加大(dà)了芯片國産替代的難度。目前國内的人工(gōng)智能芯片如寒武紀，主要與深圳海思合作，在華爲産品上試用；地平線以及依圖科技旗下(xià)的Thinkforce等公司主要是自産自銷，難以大(dà)規模推廣。

五、人工(gōng)智能芯片國産化發展思路

（一(yī)）強強聯合，打造國内人工(gōng)智能軟硬件生(shēng)态

在PC時代和移動終端時代，Wintel體(tǐ)系（微軟+Intel）和AA體(tǐ)系（ARM+安卓）通過打造生(shēng)态的模式牢牢把控産業的主導權。而人工(gōng)智能屬于新興領域，尚未形成技術路徑依賴，産業生(shēng)态也未完全成形。建議國内強化頂層設計，加強軟硬件協同布局，鼓勵百度、商(shāng)湯等軟件算法企業與芯片企業合作，重點布局開(kāi)源計算框架+芯片的生(shēng)态體(tǐ)系，把控人工(gōng)智能産業的基礎核心環節。

（二）全面布局，政府層面加強對通用芯片支持力度

在技術路徑上，遵循全面布局、分(fēn)步突破原則，近期重點突破ASIC芯片，遠期突破GPU、FPGA等通用芯片；在應用環節上逐步拓展，從邊緣端逐步擴展到雲端，從推理芯片拓展到訓練芯片；同時探索多種芯片高效協同運行的芯片解決方案。由于ASIC芯片專用性強，不同廠商(shāng)往往需根據應用場景需求自主研發；而GPU、FPGA等通用芯片由于有标準化産品，國内終端應用廠商(shāng)自主研發或國産化替代意願不強。因此，建議政府層面在GPU和FPGA等通用芯片領域加強布局推廣力度。

（三）加強類腦芯片等前沿性領域布局

充分(fēn)發揮國内高校以及科研院所力量，布局類腦芯片等前沿性領域。由于類腦芯片尚屬于理論研究階段，國際巨頭尚未形成技術及知(zhī)識産權壁壘，國内外(wài)在該領域尚處于同一(yī)起跑線，因此建議提前布局以使我(wǒ)國在人工(gōng)智能芯片領域存在換道超車(chē)的可能性。