[[241691]]
圖片來源：視覺中國

AI芯片投資地圖

AI 芯片設計是人工智能產業鏈的重要一環。自2017年5月以來，各 AI 芯片廠商的新品競相發布，經過一年多的發展，各環節分工逐漸明顯。

AI芯片新品競相發布(自2017年5月以來發布的 AI 芯片一覽)

AI 芯片的應用場景不再局限于云端，部署于智能手機、安防攝像頭、及自動駕駛汽車等終端的各項產品日趨豐富。除了追求性能提升外，AI 芯片也逐漸專注于特殊場景的優化。

目前，人工智能產業鏈中，包括提供 AI 加速核的 IP 授權商，各種 AI 芯片設計公司，以及晶圓代工企業。

AI芯片投資地圖

如上圖所示，按部署的位置來分，AI 芯片可以部署在數據中心(云端)，和手機，安防攝像頭，汽車等終端(邊緣)上。

按承擔的任務來分，可以被分為用于構建神經網絡模型的訓練芯片，與利用神經網絡模型進行推斷的推斷芯片。訓練芯片注重絕對的計算能力，而推斷芯片更注重綜合指標，單位能耗算力、時延、成本等都要考慮。

訓練芯片受算力約束，一般只在云端部署。推斷芯片按照不同應用場景，分為手機邊緣推斷芯片、安防邊緣推斷芯片、自動駕駛邊緣推斷芯片。為方便起見，我們也稱它們為手機 AI 芯片、安防 AI 芯片和汽車 AI 芯片。

由于AI芯片對單位能耗算力要求較高，一般采用14nm/12nm/10nm等先進工藝生產。臺積電目前和 Nvidia、Xilinx 等多家芯片廠商展開合作，攻堅 7nm AI 芯片。

五大場景塑造352億美元市場

AI 芯片市場規模及競爭格局

根據中金公司對相關上市 AI 芯片公司的收入統計，及對 AI 在各場景中滲透率的估算，2017年 AI 芯片市場規模已達到 39.1 億美元，具體情況如下：

1. 2017 年全球數據中心 AI 芯片規模合計 23.6 億美元，其中云端訓練芯片市場規模 20.2 億美元，云端推斷芯片 3.4 億美元。
2. 2017 年全球手機 AI 芯片市場規模 3.7 億美元。
3. 2017 年全球安防攝像頭 AI 芯片市場規模 3.3 億美元。
4. 2017 年全球自動駕駛 AI 芯片的市場規模在 8.5 億美元。

龐大的市場前景和戰略意義使得AI芯片贏得了巨頭們的熱切關注。Nvidia 在 2017 年時指出，到 2020 年，全球云端訓練芯片的市場規模將達到 110 億美元，而推斷芯片(云端+邊緣)的市場規模將達到 150 億美元。

Intel 也在剛剛結束的 2018 DCI 峰會上，也重申了數據業務驅動硬件市場增長的觀點。Intel 將 2022 年與用于數據中心執行 AI 加速的 FPGA 的 TAM 預測，由 70 億美元調高至 80 億美元。

而同時，中金公司也注意到：

1. 手機 SoC 價格不斷上升、AI 向中端機型滲透都將為行業創造更廣闊的市場空間。
2. 安防芯片受益于現有設備的智能化升級，芯片需求擴大。
3. 自動駕駛方面，針對豐田公司提出的算力需求，我們看到當下芯片算力與 L5 級自動駕駛還有較大差距。(英飛凌公司給出了各自動駕駛等級中的半導體價值預測，可以為我們的 TAM 估算提供參考。)

歷代 Apple 手機芯片成本趨勢

自動駕駛算力需求加速芯片升級

英飛凌對各自動駕駛等級中半導體價值的預測

結合以上觀點，及我們對 AI 在各應用場景下滲透率的分析，中金公司預測：

1. 云端訓練芯片市場規模在 2022 年將達到 172 億美元，CAGR~54%。
2. 云端推斷芯片市場規模在 2022 年將達到 72 億美元，CAGR~84%。
3. 用于智能手機的邊緣推斷芯片市場規模 2022 年將達到 38 億美元，CAGR~59%。
4. 用于安防攝像頭的邊緣推斷芯片市場規模 2022 年將達到 18 億美元，CAGR~41%。
5. 用于自動駕駛汽車的邊緣推斷芯片市場規模 2022 年將達到 52 億美元，CAGR~44%。

以下是五個應用場景的詳細分析。

云端訓練芯片 ：英偉達稱霸

AI 芯片工作流程

訓練是指通過大量的數據樣本，代入神經網絡模型運算并反復迭代，來獲得各神經元“正確”權重參數的過程。CPU 由于計算單元少，并行計算能力較弱，不適合直接執行訓練任務，因此訓練一般采用“CPU+加速芯片”的異構計算模式。目前 Nvidia 的 GPU+CUDA計算平臺是最成熟的 AI 訓練方案，除此還有：

1. 第三方異構計算平臺 OpenCL + AMD GPU 或 OpenCL+Intel/Xilinx 的 FPGA。
2. 云計算服務商自研加速芯片(如 Google 的 TPU)這兩種方案。

各芯片廠商基于不同方案，都推出了針對于云端訓練的 AI 芯片。

云端訓練芯片對比

從整個云端訓練芯片的市場競爭格局來看，目前 Nvidia GPU 的優勢暫時明顯，即便是 Google 的一些深度學習訓練任務，同樣離不開 Nvidia GPU;在 GPU 之外，云端訓練的新入競爭者是谷歌的 TPU ，但目前并不對外直接銷售;

英特爾方面，則在積極布局 CPU+FPGA 異構計算，并持續優化 Xeon CPU 結構;同樣深耕 FPGA 的還有 Xilinx ;GPU銷量一直甚好的 AMD 也開始切入深度學習訓練任務。

云端推斷芯片：百家爭鳴

推斷是指借助現有神經網絡模型進行運算，利用新的輸入數據來一次性獲得正確結論的過程。推斷過程對響應速度一般有較高要求，因此會采用 AI 芯片(搭載訓練完成的神經網絡模型)進行加速。

相比訓練芯片，推斷芯片考慮的因素更加綜合：單位功耗算力，時延，成本等等。初期推斷也采用 GPU 進行加速，但由于應用場景的特殊性，依據具體神經網絡算法優化會帶來更高的效率，FPGA/ASIC 的表現可能更突出。

主要云端推斷芯片對比

除了 Nvidia、Google、Xilinx、Altera(Intel)等傳統芯片大廠涉足云端推斷芯片以外，Wave computing、Groq 等初創公司也加入競爭。中國公司里，寒武紀、比特大陸同樣積極布局云端芯片業務。未來，云端推斷芯片將針對智能語音識別、智能搜索等應用場景，呈現百花齊放的態勢。

手機端的推斷芯片：格局穩定

手機芯片市場目前包括 (1) 蘋果，三星，華為這類采用芯片+整機垂直商業模式的廠商，以及 (2) 高通，聯發科，展銳等獨立芯片供應商和 (3) ARM，Synopsys、Cadence 等向芯片企業提供獨立 IP 授權的供應商。

采用垂直商業模式廠商的芯片不對外發售，只服務于自身品牌的整機，性能針對自身軟件做出了特殊優化，靠效率取勝。獨立芯片供應商以相對更強的性能指標，來獲得剩余廠商的市場份額。

手機 AI 芯片對比

從 2017 年開始，蘋果，華為海思，高通，聯發科等主要芯片廠商相繼發布支持 AI 加速功能的新一代芯片(如下圖)，AI 芯片逐漸向中端產品滲透。

由于手機空間有限，獨立的AI 芯片很難被手機廠采用。在 AI 加速芯片設計能力上有先發優勢的企業(如寒武紀)一般通過 IP 授權的方式切入。

智能手機 SoC 市占率分析( 2017 )

對這些廠商來說，中金公司認為 AI 化的主要作用是提升芯片附加價值與產品單價。根據 IHS的數據，隨著硬件性能的增強及針對于 AI 的運算結構不斷滲透，蘋果 A11 芯片的成本已達到 27.5 美元。

芯片成本持續上漲有望帶動垂直模式廠商整機售價走高，在出貨量相同的情況下為現有芯片廠商貢獻更多的營業收入。高通、聯發科、展銳等獨立芯片供應商則會受益于芯片本身 ASP 的提升。

安防邊緣推斷芯片：四方鼎立

視頻監控行業在過去十幾年主要經歷了“高清化”、“網絡化”的兩次換代，而隨著 2016年以來 AI 在視頻分析領域的突破，目前視頻監控行業正處于第三次重要升級周期——“智能化”的開始階段。

前端攝像頭裝備終端推斷芯片，可以實時對視頻數據進行結構化處理，“云+ 邊緣”的邊緣計算解決方案逐漸滲透。中金公司預計，應用安防攝像頭的推斷芯片市場規模，將從 2017 年的 3.3 億美元，增長至 2022 年的 18 億美元，CAGR~41%。

邊緣推斷芯片 在安防端的主要應用，基于將視頻流在本地轉化為結構化數據。這樣既節省云端存儲空間，也提升系統工作效率。因此，積極布局智能安防的除了英偉達、Movidius(計算機視覺創企)，還有傳統視頻解碼芯片廠商。業內，海思、安霸與 Nvidia 、Movidius形成有力競爭。

安防 AI 芯片對比

中金公司認為 ，目前整個 安防 AI 芯片市場競爭格局穩定，現有廠商憑借與下游客戶長期的合作，有望繼續受益于安防智能化的升級，屬于新進入者的市場空間有限。

安防 AI 芯片下游客戶穩定，為海康威視、大華股份等視頻監控解決方案提供商。客戶與傳統視頻解碼芯片廠商的長期合作具有粘性，同樣推出新產品，初創公司的競爭優勢弱一些，尤其是在安防 AI 芯片性能差異化很難做到很大的情況下。

自動駕駛邊緣推斷芯片：一片藍海

除了智能手機，安防外，自動駕駛汽車也是人工智能的落地場景之一。

車用半導體強大需求已經使供給端產能開始吃緊，而用于自動駕駛的推斷芯片需求，同樣有望在未來 5 年內實現高速增長。中金公司預計，其市場規模將從 2017 年的 8.5 億美元，增長至 2022 年的 52 億美元，CAGR~44%。

自動駕駛算力需求加速芯片升級

若想使車輛實現真正的自動駕駛，要經歷在感知-建模-決策三個階段，每個階段都離不開終端推斷芯片的計算。不管是環境感知還是避障規劃，自動駕駛都對芯片算力提出了很高的要求。而受限于時延及可靠性，有關自動駕駛的計算不能在云端進行，因此邊緣推斷芯片升級勢在必行。

根據豐田公司的統計數據，實現 L5 級完全自動駕駛，至少需要 12TOPS 的推斷算力，按現行先進的 Nvidia PX2 自動駕駛平臺測算，差不多需要 15 塊 PX2 車載計算機，才能滿足完全自動駕駛的需求。

自動駕駛平臺對比

近些年來，各傳統車載半導體供應商紛紛涉獵自動駕駛業務，推出了各自的自動駕駛，或輔助駕駛平臺;但下一代產品，中金公司預計 Mobileye 和新秀 Nvidia 有望實現領先。

下一代自動駕駛 AI 芯片流片及投產時間預估

自動駕駛芯片市場仍處于初期起步階段，對比其他終端應用場景 ，自動駕駛不僅計算復雜程度***，車規級要求也為芯片設立了更高的準入門檻， 其硬件升級落地相對緩慢。

目前各廠商下一代的自動駕駛平臺最早計劃于 2019 年量產，現今上市平臺中，芯片大多只支持 L2/3 級。

雖然 NXP 等傳統半導體廠商深耕于汽車電子多年，獲得了一定的客戶粘性，但在自動駕駛業務上，整個市場還未形成非常明顯的競爭格局。客戶也在不斷測試芯片廠商的產品，來實現***選擇。

從客戶的偏好來看，傳統大廠愿意自行搭建平臺，再采購所需芯片，而新車廠偏向于直接購買自動駕駛平臺。

各芯片廠商合作方比較

介于實現完全自動駕駛非常復雜，目前還在起步階段，中金公司認為初創公司在整個行業的發展中是有機會的，并看好技術領先，能與車廠達成密切合作的初創公司。

智東西認為，GPU 已經在訓練芯片方面站穩腳跟，但隨著人工智能場景化的逐步深入，針對性更強的 TPU 和更為靈活的 FPGA 將瓜分新市場，而邊緣計算(推斷)方面，多樣化的場景應用給傳統玩家、芯片廠商和新興創企提供了充足的競爭平臺。

注：本文內容為中金公司的AI芯片專題報告，將從市場著手解讀現有的芯片品類，并對目前主要的本土AI芯片企業進行盤點。