AI芯片行業(yè)深度解析

1、人工智能芯片：AI 巨輪的引擎AI芯片行業(yè)深度解析報(bào)告起因近日，Google 公布其第二代 TPU 產(chǎn)品，Apple 也宣稱正在研發(fā)一款名為“蘋果神經(jīng)引擎(Apple Neural Engine)”的 AI 專用芯片，人工智能芯片浪潮再起。烏鎮(zhèn)圍棋峰會(huì)，谷歌人工智能 AlphaGo 橫掃柯潔等人類頂尖棋手，人工智能再度引發(fā)強(qiáng)烈關(guān)注。核心觀點(diǎn)人工智能芯片前景廣闊：隨著下游領(lǐng)域智能化需求的拉動(dòng)，以及軟硬件技術(shù)不斷取得突破，人工智能技術(shù)再次迎來黃金發(fā)展期，有望引領(lǐng)新一輪技術(shù)革命。作為引領(lǐng)人工智能算法發(fā)展方向的深度學(xué)習(xí)技術(shù)，其中的核心環(huán)節(jié)在于采用 AI 芯片大幅提升計(jì)算能力，國內(nèi)外各大科技巨頭紛紛著力

2、布局，人工智能芯片有望實(shí)現(xiàn)跨越式增長。各類 AI 芯片百花齊放：人工智能芯片主要包括 GPU、FPGA、ASIC 以及類腦芯片等類別，在人工智能時(shí)代，他們發(fā)揮各自優(yōu)勢，呈現(xiàn)百花齊放的態(tài)勢：GPU 并行計(jì)算能力突出，在深度學(xué)習(xí)訓(xùn)練環(huán)節(jié)具備優(yōu)勢；FPGA 高性能低功耗的特性適合于推理環(huán)節(jié)取代傳統(tǒng)的 CPU；ASIC 芯片專門針對人工智能設(shè)計(jì)，有望未來成為主流；類腦芯片作為突破性技術(shù)路線，未來如實(shí)現(xiàn)突破也將推動(dòng)人工智能產(chǎn)業(yè)長遠(yuǎn)發(fā)展。人工智能芯片在云端與終端領(lǐng)域攜手共進(jìn)：芯片是人工智能技術(shù)的核心環(huán)節(jié)， 當(dāng)前各大科技巨頭在云端 AI 芯片領(lǐng)域進(jìn)步較快，通過“云端化”+“AI 芯片集群化”的模式高效為用戶

3、提供最大化便利；對于終端 AI 芯片領(lǐng)域，目前在汽車、機(jī)器人、家居等場景，人工智能技術(shù)已經(jīng)開始得到應(yīng)用，部分科技巨頭也開始切入相應(yīng)市場進(jìn)行布局，終端 AI 芯片領(lǐng)域未來有望放量。目 錄TOC o 1-2 h z u HYPERLINK l _TOC_250017 一、人工智能芯片前景廣闊5 HYPERLINK l _TOC_250016 人工智能市場高速增長5 HYPERLINK l _TOC_250015 深度學(xué)習(xí)引領(lǐng)人工智能算法發(fā)展方向7 HYPERLINK l _TOC_250014 二、GPU：并行計(jì)算能力突出10 HYPERLINK l _TOC_250013 GPU 已獲得廣泛應(yīng)用

4、10 HYPERLINK l _TOC_250012 GPU 的優(yōu)勢來自并行計(jì)算能力11 HYPERLINK l _TOC_250011 Nvidia 壟斷 GPU 市場，國內(nèi)公司逐步突破12 HYPERLINK l _TOC_250010 三、FPGA：低功耗場景凸顯優(yōu)勢14 HYPERLINK l _TOC_250009 FPGA 性能領(lǐng)先15 HYPERLINK l _TOC_250008 雙寡頭壟斷 FPGA 市場17 HYPERLINK l _TOC_250007 國內(nèi) FPGA 產(chǎn)業(yè)孜孜求索19 HYPERLINK l _TOC_250006 四、ASIC：有望成為主流趨勢20 H

5、YPERLINK l _TOC_250005 五、類腦芯片：超越“馮諾依曼”架構(gòu)的新思路22 HYPERLINK l _TOC_250004 六、人工智能芯片在云端與終端攜手共進(jìn)25 HYPERLINK l _TOC_250003 云端 AI 芯片領(lǐng)域百家爭鳴25 HYPERLINK l _TOC_250002 終端 AI 芯片領(lǐng)域初露頭角31 HYPERLINK l _TOC_250001 投資建議38 HYPERLINK l _TOC_250000 風(fēng)險(xiǎn)提示40圖表目錄圖 1：人工智能關(guān)鍵要素5圖 2：全球人工智能市場規(guī)模（單位：億美元）6圖 3：中國人工智能市場規(guī)模（單位：億元）6圖 4

6、：全球人工智能主要公司6圖 5：國際人工智能領(lǐng)域三巨頭動(dòng)作6圖 6：國內(nèi)人工智能主要企業(yè)7圖 7：深度學(xué)習(xí) VS 神經(jīng)網(wǎng)絡(luò)8圖 8：深度學(xué)習(xí)市場規(guī)模8圖 9：深度學(xué)習(xí)主要市場參與者及開源平臺(tái)9圖 10：各公司主要開源平臺(tái)列表9圖 11：主要深度學(xué)習(xí)平臺(tái)性能比較9圖 12：GPU 在深度學(xué)習(xí)領(lǐng)域應(yīng)用廣泛10圖 13：使用 NVidia 加速計(jì)算 GPU 的企業(yè)數(shù)量快速增長 11圖 14：CPU 與 GPU 結(jié)構(gòu)差異11圖 15：GPU 在 3 年時(shí)間內(nèi)性能提高 50 倍12圖 16：GPU 每秒計(jì)算量遠(yuǎn)超 CPU12圖 17：GPU 是 Nvidia 的主要產(chǎn)品（2016 年報(bào)） 13圖 18：

7、Nvidia 在 GPU 市場有絕對優(yōu)勢 13圖 19：NVidia 公司加速運(yùn)算 GPU 及相關(guān)產(chǎn)品 13圖 20：Nvidia 近年來財(cái)務(wù)數(shù)據(jù)（單位：百萬美元） 13圖 21：中國在 GPU 領(lǐng)域取得最新成就14圖 22：FPGA 內(nèi)部結(jié)構(gòu)原理圖14圖 23：CPU、GPU 及 FPGA 單次迭代時(shí)間比較（單位：微秒）15圖 24：CPU、GPU 及 FPGA 單次迭代能耗比較（單位：毫焦）16圖 25：CPU、GPU 及 FPGA 三種芯片性能比較16圖 26：全球 FPGA 市場規(guī)模保持較快增長（單位：億美元）17圖 27：2016 年 FPGA 市場份額分布17圖 28：英特爾 La

8、ke Crest 架構(gòu)18圖 29：Canyon Bridge Capital Partners 擬收購 Lattice 19圖 30：谷歌 TPU 內(nèi)部架構(gòu)21圖 31：寒武紀(jì)芯片21圖 32：寒武紀(jì) 2 號 DaDianNao 版圖 21圖 33：中星微 NPU 架構(gòu)圖22圖 34：2022 年類腦芯片不同類型終端應(yīng)用占比23圖 35：各國類腦計(jì)算研究項(xiàng)目列表23圖 36：各科技巨頭類腦芯片產(chǎn)品列表24圖 37：IBM 第一代 TrueNorth 芯片 24圖 38：第一代 IBM TrueNorth 芯片與第二代比較25圖 39：IBM 神經(jīng)元計(jì)算機(jī)包含 16 顆 TrueNorth 芯

9、片 25圖 40：全球云計(jì)算市場規(guī)模（億美元）26圖 41：云計(jì)算平臺(tái)人工智能功能26圖 42：2011 年 Watson 參加節(jié)目Jeopardy并取得冠軍 26圖 43：Watson 產(chǎn)生答案流程 26圖 44：IBM POWER 處理器發(fā)展路徑 27圖 45：POWER8 架構(gòu)圖27圖 46：微軟 Azure 功能28圖 47：2014 年亞馬遜 AWS 市場份額占比遙遙領(lǐng)先28圖 48：亞馬遜 AWS 能夠提供的服務(wù)28圖 49：谷歌云計(jì)算平臺(tái)29圖 50：阿里云適用場景30圖 51：阿里云新一代 HPC30圖 52：百度與 Altera 合作建立 FPGA 集群 31圖 53：百度開

10、放云功能31圖 54：Nvidia Drive PX 車載計(jì)算平臺(tái) 32圖 55：Nvidia Drive PX2 平臺(tái) 32圖 56：Nvidia Xavier 芯片 33圖 57：高通發(fā)布智能汽車芯片 602A33圖 58：國內(nèi)汽車電子芯片市場規(guī)模34圖 59：飛思卡爾 Vybrid 處理器35圖 60：賽靈思 FPGA 芯片35圖 61：夏普機(jī)器人手機(jī) RoBoHoN35圖 62：亞馬遜 Echo 音箱基本構(gòu)造36圖 63：Echo 音箱主板芯片構(gòu)成36圖 64：京東&科大訊飛叮咚音箱37圖 65：叮咚音箱主板構(gòu)造37圖 66：人工智能芯片及應(yīng)用37圖 67：A 股上市公司切入人工智能領(lǐng)

11、域情況38一、 人工智能芯片前景廣闊人工智能（AI，Artificial Intelligence）是用于開發(fā)和研究用于模擬甚至擴(kuò)展人的智能的技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能的目標(biāo)是對人意識和思維過程的模擬，讓機(jī)器做到像人一樣思考，甚至超過人的智能，從而使機(jī)器能夠勝任通常需要人類智能才能完成的復(fù)雜工作。當(dāng)前實(shí)現(xiàn)人工智能的主要途徑是軟件算法。目前算法主要可以分為工程學(xué)方法和模擬法兩種，工程學(xué)方法利用大量數(shù)據(jù)處理經(jīng)驗(yàn)，運(yùn)用傳統(tǒng)的編程技術(shù)使系統(tǒng)呈現(xiàn)智能效果，該方法已經(jīng)在文字識別等領(lǐng)域有所建樹；模擬法則在運(yùn)算結(jié)果和實(shí)現(xiàn)方法兩個(gè)維度模仿人類或其他生物機(jī)理，從而提升算法性能，遺傳算法（GA）及神

12、經(jīng)網(wǎng)絡(luò)（ANN）均屬于此類算法。人工智能算法不同于常規(guī)算法， 需要用到大量的卷積等特定運(yùn)算，常規(guī)處理器芯片在進(jìn)行這些運(yùn)算時(shí)效率較低，人工智能算法需要特殊的芯片。目前主流芯片為 GPU 并行計(jì)算神經(jīng)網(wǎng)絡(luò)，而 FPGA 和 ASIC 也將成為推動(dòng)人工智能進(jìn)步的強(qiáng)大動(dòng)力。圖 1：人工智能關(guān)鍵要素?cái)?shù)據(jù)來源：艾瑞咨詢，東方證券研究所人工智能市場高速增長在人工智能超過 60 年的發(fā)展歷程中，經(jīng)歷了漫長的歷史演進(jìn)和技術(shù)更迭，并曾兩次陷入低谷。近幾年隨著工業(yè) 4.0、智能生活、“互聯(lián)網(wǎng)+”等領(lǐng)域的快速進(jìn)步，加之深度學(xué)習(xí)算法在語音和視覺識別上取得突破，人工智能技術(shù)開始滲透至工業(yè)、醫(yī)療、教育、安全等多個(gè)領(lǐng)域，尤其

13、是近兩年來， 由 DeepMind 公司開發(fā)的人工智能機(jī)器人 AlphaGo 接連擊敗李世石、柯潔等著名圍棋選手，人工智能受到了全球大范圍關(guān)注，迎來了第三個(gè)黃金發(fā)展時(shí)期。根據(jù)艾瑞咨詢的報(bào)告，2015 年全球人工智能市場規(guī)模為 74.5 億美元，而到 2020 年市場規(guī)模將擴(kuò)大至 183 億美元，復(fù)合年增長率將達(dá)到 19.7%。同時(shí)預(yù)計(jì)到 2020 年，中國人工智能市場規(guī)模將從2015 年的 12 億元增長至 91 億元人民幣，復(fù)合年增長率將達(dá)到 50.0%圖 2：全球人工智能市場規(guī)模（單位：億美元）圖 3：中國人工智能市場規(guī)模（單位：億元）200180160140120100806040200

14、183CAGR=19.7% 74.520152020100908070605040302010091CAGR=50% 1220152020數(shù)據(jù)來源：艾瑞咨詢，東方證券研究所數(shù)據(jù)來源：艾瑞咨詢，東方證券研究所人工智能市場規(guī)模的快速增長得益于其應(yīng)用領(lǐng)域的不斷開拓。根據(jù) Venture Scanner 對全球 957 家人工智能公司的跟蹤調(diào)查，目前已經(jīng)覆蓋包括深度學(xué)習(xí)、機(jī)器視覺、指紋識別、人臉識別、個(gè)人助理、智慧機(jī)器人等 13 個(gè)具體應(yīng)用，涉及工業(yè)機(jī)器人、安全識別、無人駕駛、智能醫(yī)療、智能家居等多個(gè)新興產(chǎn)業(yè)，人工智能勢必將成為新一輪科技革命的強(qiáng)大推動(dòng)力量。正因?yàn)榇?，國際科技公司巨頭正在加速在人工智能

15、領(lǐng)域的布局。谷歌、微軟和英特爾等公司均在該領(lǐng)域不斷深耕，取得巨大進(jìn)展。圖 4：全球人工智能主要公司圖 5：國際人工智能領(lǐng)域三巨頭動(dòng)作公司進(jìn)展應(yīng)用領(lǐng)域谷歌推出基于人工智能的新搜索算法RankBrain智能搜索聯(lián)合福特研發(fā)無人駕駛汽車無人駕駛開源人工智能平臺(tái)TensorFlow深度學(xué)習(xí)推出基于人工智能的聊天軟件智能機(jī)器人微軟推出第三代”微軟小冰” 智能機(jī)器人開源機(jī)器學(xué)習(xí)工具包DMTK機(jī)器學(xué)習(xí)推出人臉情緒識別器人臉識別人工智能助理小娜登陸各個(gè)平臺(tái)智能機(jī)器人英特爾6000萬美元投資無人機(jī)公司Yuneec無人機(jī)5000萬美元投資量子計(jì)算機(jī)硬件升級收購人工智能公司Saffron數(shù)據(jù)挖掘167億美元收購Al

16、tera芯片制造數(shù)據(jù)來源：Venture Scanner，東方證券研究所數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所在國內(nèi)市場，百度、科大訊飛、阿里巴巴、騰訊等巨頭也紛紛在人工智能領(lǐng)域著力布局，而人工智能的廣闊前景也吸引國內(nèi)上百家創(chuàng)業(yè)公司投入其中，主要聚焦領(lǐng)域包括智能語音、機(jī)器視覺、數(shù)據(jù)挖掘、智能機(jī)器人、無人機(jī)等。圖 6：國內(nèi)人工智能主要企業(yè)數(shù)據(jù)來源：艾瑞咨詢，東方證券研究所深度學(xué)習(xí)引領(lǐng)人工智能算法發(fā)展方向目前深度學(xué)習(xí)作為人工智能最為主流的算法獲得廣泛關(guān)注。這一概念由 Hinton 等人于 2006 年提出，其實(shí)質(zhì)是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，使機(jī)器去學(xué)習(xí)更有用的特征，從而最終提升

17、分類或預(yù)測的準(zhǔn)確性。也就是說，深度學(xué)習(xí)是對不同模式進(jìn)行建模的一種方式， 其結(jié)構(gòu)具有較多層數(shù)的隱層節(jié)點(diǎn)以保證模型的深度；同時(shí)深度學(xué)習(xí)明確突出了特征學(xué)習(xí)的重要性， 其通過逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間，從而使識別或預(yù)測更加準(zhǔn)確。因此深度學(xué)習(xí)集中體現(xiàn)了機(jī)器學(xué)習(xí)算法的三大趨勢，首先是用較為復(fù)雜的模型降低模型偏差，二是用大數(shù)據(jù)提升統(tǒng)計(jì)估計(jì)的準(zhǔn)確性，三是用可擴(kuò)展的梯度下降算法求解大規(guī)模優(yōu)化問題。圖 7：深度學(xué)習(xí) VS 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所目前“大數(shù)據(jù)+深度神經(jīng)網(wǎng)絡(luò)”模型已經(jīng)成為機(jī)器學(xué)習(xí)發(fā)展的核心路徑，根據(jù) Tractica 的預(yù)測，到2024 年，深度學(xué)習(xí)僅

18、僅在軟件方面的市場價(jià)值就將超過 104 億美元，硬件和服務(wù)方面的收入將會(huì)是軟件市場規(guī)模的數(shù)倍以上。圖 8：深度學(xué)習(xí)市場規(guī)模數(shù)據(jù)來源：Tractica，東方證券研究所面對深度學(xué)習(xí)龐大的市場前景，各大科技公司紛紛發(fā)力。深度學(xué)習(xí)不僅要求具備龐大的數(shù)據(jù)量作為訓(xùn)練支撐，還需要根據(jù)系統(tǒng)輸出和目標(biāo)之間的誤差調(diào)整模型各層參數(shù)，直至收斂。因此，全球各大人工智能巨頭爭相開源自身的深度學(xué)習(xí)平臺(tái)，不僅可以為機(jī)器學(xué)習(xí)提供大量的數(shù)據(jù)支持，同時(shí)為機(jī)器智能的訓(xùn)練提供大量現(xiàn)實(shí)的場景。例如谷歌在 2015 年 11 月開源深度學(xué)習(xí)訓(xùn)練平臺(tái)TensorFlow， 用戶可以使用該平臺(tái)訓(xùn)練和導(dǎo)出自己所需要的人工智能模型。圖 9：深度學(xué)

19、習(xí)主要市場參與者及開源平臺(tái)數(shù)據(jù)來源：Tractica，東方證券研究所圖 10：各公司主要開源平臺(tái)列表時(shí)間開源平臺(tái)名稱公司平臺(tái)簡介開發(fā)語言速度靈活性文檔適合模型平臺(tái)難度2015年1月Torch7Facebook除了開源Torch7平臺(tái)之外，F(xiàn)acebook還開源人工智能硬件服務(wù)器Big SurC+/cuda/lua快好全面CNN/RNNLinux/OSX中等2015年10月MXNetDLMC包括各種網(wǎng)絡(luò)結(jié)構(gòu)，擁有較友好的Python接口，并且支持混合編程C+/cuda快好全面CNN所有系統(tǒng)中等2015年11月TensorFlowGoogleTensorFlow是一個(gè)用來編寫和執(zhí)行機(jī)器學(xué)習(xí)算法的工

20、具C+/cuda/Python中等好中等CNN/RNNLinux/OSX難2015年11月DMTK微軟微軟開源機(jī)器學(xué)習(xí)開源工具包DMTK，其中包含多臺(tái)服務(wù)器上展開訓(xùn)練的模塊框架、一個(gè)主題建模算法、一個(gè)進(jìn)行自然語言處理的文字嵌入算法C+快好中等DNN/RNN/ CNNWindows/Linux中等2015年11月System MLIBM一門靈活的、可伸縮的機(jī)器學(xué)習(xí)語言，支持描述性分析、分類、聚類、回歸、矩陣分解以及生存分析等算法Java/Scala/Python中等好中等CNN/RNNWindows/Linux/MacOS中等2016年1月CNTK微軟CNTK為一個(gè)統(tǒng)一的深度學(xué)習(xí)工具包，它通過一

21、個(gè)有向圖將神經(jīng)網(wǎng)絡(luò)描述為一系列計(jì)算步驟C/C+快好全面CNN/RNNWindows中等2016年3月Theano蒙特利爾研究組使得復(fù)雜的程序語言Python變得更加簡單，并讓這種語言在GPU上運(yùn)行C+/cuda/Python中等好中等CNN/RNNLinux/OSX易2016年9月PaddlePaddle百度相對全功能的深度學(xué)習(xí)框架C+/cuda/Python中等好中等CNN/RNNLinux/OSX中等數(shù)據(jù)來源：各公司官網(wǎng)，東方證券研究所圖 11：主要深度學(xué)習(xí)平臺(tái)性能比較數(shù)據(jù)來源：微軟公司官網(wǎng)，東方證券研究所深度學(xué)習(xí)的興起得益于大數(shù)據(jù)的發(fā)展、計(jì)算機(jī)計(jì)算能力的大幅提升和算法本身的突破，其中計(jì)算

22、能力的大幅度提升則得益于 GPU、FPGA、ASIC 等人工智能芯片的廣泛應(yīng)用，芯片作為人工智能技術(shù)核心環(huán)節(jié)，未來前景廣闊。二、 GPU：并行計(jì)算能力突出GPU 已獲得廣泛應(yīng)用GPU 即圖形處理器，原本是在個(gè)人電腦、工作站、游戲機(jī)和一些移動(dòng)設(shè)備上專門進(jìn)行圖像運(yùn)算工作的微處理器。由于其強(qiáng)大的并行計(jì)算能力，GPU 逐漸成為目前深度學(xué)習(xí)領(lǐng)域使用最為廣泛的核心芯片。圖 12：GPU 在深度學(xué)習(xí)領(lǐng)域應(yīng)用廣泛數(shù)據(jù)來源： TechTarget，東方證券研究所GPU 已經(jīng)在圖像識別、人臉識別、語音識別、視頻分析、自然語言處理等多個(gè)領(lǐng)域大放奇彩，并逐漸向醫(yī)藥、安全、能源等領(lǐng)域滲透。下游應(yīng)用的不斷擴(kuò)展反過來又催生

23、了加速計(jì)算 GPU 的快速發(fā)展。圖 13：使用 NVidia 加速計(jì)算 GPU 的企業(yè)數(shù)量快速增長數(shù)據(jù)來源：Nvidia，東方證券研究所GPU 的優(yōu)勢來自并行計(jì)算能力GPU 與 CPU 有相同之處，兩者都有總線和外界聯(lián)系，都有自己的緩存系統(tǒng)，以及數(shù)字和邏輯運(yùn)算單元。兩者也具有很大的差異。CPU 需要很強(qiáng)的通用性來處理各種不同的數(shù)據(jù)類型，同時(shí)又需要進(jìn)行邏輯判斷、分支跳轉(zhuǎn)和中斷等處理，因此 CPU 內(nèi)部的結(jié)構(gòu)異常復(fù)雜；而 GPU 專門執(zhí)行復(fù)雜的數(shù)學(xué)幾何計(jì)算，面對的是類型高度統(tǒng)一、相互無依賴的大規(guī)模數(shù)據(jù)和不需要被打斷的純凈計(jì)算環(huán)境。圖 14：CPU 與 GPU 結(jié)構(gòu)差異數(shù)據(jù)來源：NVidia CUD

24、A，東方證券研究所設(shè)計(jì)目的和處理數(shù)據(jù)方式的不同導(dǎo)致 GPU 和 CPU 在設(shè)計(jì)結(jié)構(gòu)上有著天壤之別，包括：片內(nèi)緩存體系和數(shù)字邏輯運(yùn)算單元結(jié)構(gòu)。CPU 不斷增加處理器中晶體管的數(shù)量，但在運(yùn)行單線程串行程序過程中，這些晶體管大多數(shù)被用作組成高速緩存，這樣做雖然把處理器的功耗控制在合理范圍內(nèi)， 但也阻礙了性能的進(jìn)一步提高；GPU 采用數(shù)量眾多的計(jì)算單元和超長的流水線，但只有非常簡單的控制邏輯而省去了高速緩存，所以與 CPU 擅長邏輯控制和通用類型數(shù)據(jù)運(yùn)算不同，GPU 擅長大規(guī)模、獨(dú)立的浮點(diǎn)和并行計(jì)算，例如計(jì)算機(jī)圖像處理。圖 15：GPU 在 3 年時(shí)間內(nèi)性能提高 50 倍圖 16：GPU 每秒計(jì)算量遠(yuǎn)

25、超 CPU數(shù)據(jù)來源：東方證券研究所數(shù)據(jù)來源：AllegroViva，東方證券研究所基于深度學(xué)習(xí)需要在成千上萬的變量中尋找最佳值，并不斷通過嘗試實(shí)現(xiàn)收斂的特性，GPU 自身具備的高并行度、矩陣預(yù)算和強(qiáng)大的浮點(diǎn)計(jì)算能力可以大幅加速深度學(xué)習(xí)模型的訓(xùn)練，在相同精度下能提供更快的處理速度、更少的服務(wù)器投入和更低的功耗，成為開啟深度學(xué)習(xí)大門的重要推手。Nvidia 壟斷 GPU 市場，國內(nèi)公司逐步突破Nvidia 作為 GPU 領(lǐng)域當(dāng)之無愧的王者，在視覺計(jì)算方面擁有數(shù)以千計(jì)的專利發(fā)明和突破性技術(shù)。GPU 作為其核心產(chǎn)品，占據(jù)其 84%的收入份額，應(yīng)用領(lǐng)域涵蓋視頻游戲、電影制作、產(chǎn)品設(shè)計(jì)、醫(yī)學(xué)診斷以及科學(xué)研

26、究等各個(gè)門類。Nvidia 很早就開始深度神經(jīng)網(wǎng)絡(luò)的研究并致力于開發(fā)加速運(yùn)算 GPU，目前 Nvidia 已經(jīng)與谷歌、微軟、IBM、豐田、百度等諸多嘗試?yán)蒙疃壬窠?jīng)網(wǎng)絡(luò)來解決海量復(fù)雜計(jì)算問題的企業(yè)建立合作關(guān)系，近年來，公司 GPU 出貨量的市場份額維持在 70%以上的絕對優(yōu)勢地位，遠(yuǎn)遠(yuǎn)超過 AMD 等競爭對手。3.82%11.92%圖 17：GPU 是 Nvidia 的主要產(chǎn)品（2016 年報(bào)）圖 18：Nvidia 在 GPU 市場有絕對優(yōu)勢GPUTegra處理器其他84.25%數(shù)據(jù)來源：Wind，東方證券研究所數(shù)據(jù)來源：WCCF Tech，東方證券研究所Nvidia 與下游客戶在深度學(xué)習(xí)領(lǐng)

27、域的合作不斷加深，已經(jīng)開發(fā)出多款為深度學(xué)習(xí)量身打造的 GPU 產(chǎn)品，優(yōu)勢的市場地位使其過去幾年的毛利率維持在50%以上的較高水平。在今年的GTC 大會(huì)上， NVIDIA CEO 黃仁勛發(fā)布了首款 Volta 架構(gòu)的 GPUGV100 以及產(chǎn)品Tesla V100 加速卡， Volta 是一款全新的架構(gòu)，采用了臺(tái)積電 12nm FFN 制程，相較于之前的機(jī)遇 Pascal 架構(gòu)的 GPU 產(chǎn)品是一次質(zhì)的飛躍。圖 19：NVidia 公司加速運(yùn)算 GPU 及相關(guān)產(chǎn)品圖 20：Nvidia 近年來財(cái)務(wù)數(shù)據(jù)（單位：百萬美元）時(shí)間產(chǎn)品性能2015年4月GeForce GTX TITAN X全球最快的GP

28、U，采用Nvidia Maxwell GPU架構(gòu)的TITAN X，結(jié)合3072個(gè)處理核心，單精度峰值性能為7teraflops，12GB顯存，336.5GB/S帶寬2015年4月DIGITS DevBox平臺(tái)采用四個(gè)TITAN X GPU、包含DIGITS軟件包，和完整的GPU加速深度學(xué)習(xí)庫cuDNN2.02015年4月DRIVE PX用于自動(dòng)駕駛汽車的深度學(xué)習(xí)平臺(tái)，定位是自動(dòng)駕駛 車載電腦?；赥egra X1s處理器2015年4月Pascal架構(gòu)混合精度計(jì)算使GPU能在16位浮點(diǎn)精度下?lián)碛袃杀队?2位浮點(diǎn)精度下和容量的計(jì)算速度；采用3D堆疊顯存 提高近三倍帶寬；傳輸速度將是目前PCI-Ex

29、press標(biāo)準(zhǔn)的5-12倍2016年4月GP100包含153億個(gè)晶體管芯片，CUDA核心增加至1792個(gè)， 使精度提升至5.3TFLOPS2017年5月GV100211億晶體管，815平方毫米，基于臺(tái)積電的12nm FFN 制程800070006000500040003000200010000營業(yè)收入毛利潤毛利率70%60%50%40%30%20%10%FY 2000FY 2001FY 2002FY 2003FY 2004FY 2005FY 2006FY 2007FY 2008FY 2009FY 2010FY 2011FY 2012FY 2013FY 2014FY 2015FY 2016FY

30、20170%數(shù)據(jù)來源：Bloomberg，東方證券研究所數(shù)據(jù)來源：Bloomberg，東方證券研究所中國在 GPU 芯片設(shè)計(jì)領(lǐng)域發(fā)展相對較晚，當(dāng)前掌握核心技術(shù)的公司包括景嘉微、兆芯等。其中景嘉微研發(fā)的 JM5400 圖形芯片打破國外芯片在我國軍用 GPU 領(lǐng)域的壟斷，實(shí)現(xiàn)了軍用 GPU 國產(chǎn)化。圖 21：中國在 GPU 領(lǐng)域取得最新成就時(shí)間公司產(chǎn)品進(jìn)展2014 年景嘉微JM5400與龍芯為合作伙伴，芯片主要應(yīng)用在軍用飛機(jī)和神舟飛船上2016 年兆芯ZX-2000公司主要技術(shù)來源于臺(tái)灣威盛授權(quán)，圖形核心為美國 S3 Graphics數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所三、 FPGA：低功耗場景凸顯優(yōu)

31、勢FPGA，即現(xiàn)場可編程門陣列，它是在 PAL、GAL、CPLD 等可編程器件的基礎(chǔ)上進(jìn)一步發(fā)展的產(chǎn)物，并作為專用集成電路(ASIC)領(lǐng)域中的一種半定制電路而出現(xiàn)，主要為了解決 ASIC 由于大規(guī)模工業(yè)化生產(chǎn)而導(dǎo)致的結(jié)構(gòu)固化，無法滿足某些特定邏輯結(jié)構(gòu)要求的弊端。FPGA 主要由三部分構(gòu)成：可配置邏輯模塊（CLB）、輸出輸入模塊（IOB）和內(nèi)部連線（Interconnect）?？删幊踢壿媺K（CLB）是 FPGA 的主要組成部分，是實(shí)現(xiàn)邏輯功能的基本單元，可以根據(jù)設(shè)計(jì)靈活地改變連接和設(shè)置，完成不同的邏輯功能；輸入/輸出模塊（IOB）是芯片和外界的接口，提供器件引腳和內(nèi)部邏輯陣列之間的連接，完成不同

32、電器特性下的輸入/輸出功能；內(nèi)部連線（Interconnect） 包括各種長度的金屬連線線段和一些可編程連接開關(guān)，它們將各個(gè) CLB 之間以及 CLB 與 lOB 之間互相連接起來，構(gòu)成各種復(fù)雜功能的系統(tǒng)。圖 22：FPGA 內(nèi)部結(jié)構(gòu)原理圖數(shù)據(jù)來源：基于 FPGA 的圖像處理算法的研究與硬件設(shè)計(jì)，東方證券研究所FPGA 性能領(lǐng)先FPGA 與 GPU 以及 CPU 相比，具有性能高、能耗低以及可硬件編程的特點(diǎn)。雖然 FPGA 的頻率一般比 CPU 低，但是可以用 FPGA 實(shí)現(xiàn)并行度很大的硬件計(jì)算器。比如一般CPU 每次只能處理 4 到 8 個(gè)指令，在 FPGA 上使用數(shù)據(jù)并行的方法可以每次處理

33、 256 個(gè)或者更多的指令，因此 FPGA 的數(shù)據(jù)吞吐量遠(yuǎn)超 CPU。根據(jù)微軟研究院對 CPU、GPU 及 FPGA 在加速計(jì)算方面的研究，F(xiàn)PGA 和 GPU 算法的單次迭代時(shí)間均優(yōu)于 CPU，且隨著矩陣運(yùn)算規(guī)模的增加，GPU 與 FPGA 相比于 CPU 的加速優(yōu)勢會(huì)越來越明顯。圖 23：CPU、GPU 及 FPGA 單次迭代時(shí)間比較（單位：微秒）9080706050403020100CPUGPUFPGA數(shù)據(jù)來源：和訊名家，東方證券研究所并且，F(xiàn)PGA 在能耗方面具有明顯的優(yōu)勢。CPU 的解碼器通常會(huì)占總能耗的 50%，而在 GPU 中， 即使其解碼器的部分相對較小，也會(huì)消耗 10%-20

34、%的能源。相比之下，由于 FPGA 內(nèi)部結(jié)構(gòu)沒有解碼器，加之 FPGA 的主頻比 CPU 及 GPU 低很多，通常 CPU 和 GPU 的主頻在 1-3GHz 之間， 而 FPGA 的主頻在 500MHz 以下，因此，F(xiàn)PGA 的能耗要遠(yuǎn)低于 CPU 及 GPU。圖 24：CPU、GPU 及 FPGA 單次迭代能耗比較（單位：毫焦）6543210CPUGPUFPGA數(shù)據(jù)來源：和訊名家，東方證券研究所FPGA 支持硬件編程。FPGA 能夠使用戶較為方便的設(shè)計(jì)出所需的硬件邏輯，而且可以進(jìn)行靜態(tài)重復(fù)編程和動(dòng)態(tài)系統(tǒng)重配置，使系統(tǒng)的硬件功能可以向軟件一樣通過編程來修改，實(shí)現(xiàn)靈活而方便的更新和開發(fā)，大大提

35、高系統(tǒng)設(shè)計(jì)的靈活性和通用性。圖 25：CPU、GPU 及 FPGA 三種芯片性能比較硬件CPUGPUFPGA單次迭代時(shí)間（微秒）805050單次迭代能耗（毫焦）550.4開發(fā)難度小較小大增加功能容易容易難硬件升級無需修改代碼無需修改代碼需要修改代碼性能/成本高低高片外存儲(chǔ)器內(nèi)存，容量大，速度低顯存，速度高，容量大內(nèi)存，速度低開發(fā)周期短短長注：使用芯片產(chǎn)品為微軟芯片基于 BLAS 算法 FPGA 和 GaxPy 算法 CPU、GPU。數(shù)據(jù)來源：微軟官網(wǎng)，東方證券研究所深度學(xué)習(xí) FPGA 可以不再依賴于馮諾依曼架構(gòu)，而能夠利用分布式片上存儲(chǔ)器以及深度流水線并行，完美地契合了深度學(xué)習(xí)大計(jì)算量的要求；

36、同時(shí) FPGA 支持部分動(dòng)態(tài)重新配置，這一特性大大降低大規(guī)模深度學(xué)習(xí)存儲(chǔ)讀取數(shù)據(jù)的成本；在算法層面 FPGA 給深度學(xué)習(xí)開拓了另一種思路：GPU等固定架構(gòu)設(shè)計(jì)遵循軟件執(zhí)行模型，需要算法進(jìn)行適應(yīng)，但 FPGA 較少強(qiáng)調(diào)算法去適應(yīng)某固定計(jì)算框架，從而給算法留下更大的自由空間和發(fā)揮余地。然而，F(xiàn)PGA 在展現(xiàn)架構(gòu)優(yōu)勢的同時(shí)也存在不小的弊端，首先就是 FPGA 對于算法的要求更加寬泛，要求研究人員花費(fèi)大量的時(shí)間去編譯和完善；同時(shí)，F(xiàn)PGA 的硬件編輯語言十分復(fù)雜，這會(huì)影響 FPGA 應(yīng)用于深度學(xué)習(xí)過程中的效率。FPGA 高性能、低能耗以及可硬件編程的特點(diǎn)使其適用范圍得以擴(kuò)大，目前 FPGA 主要應(yīng)用于

37、通訊、醫(yī)療電子、安全、視頻、工業(yè)自動(dòng)化等領(lǐng)域。廣闊的應(yīng)用范圍也拉動(dòng)著 FPGA 未來龐大的市場規(guī)模。據(jù) Gartner 統(tǒng)計(jì)，2014 年全球 FPGA 市場規(guī)模達(dá)到 50 億美元，2015-2020 年的年均復(fù)合增長率為 9%，到 2020 年將達(dá)到 84 億美元。圖 26：全球 FPGA 市場規(guī)模保持較快增長（單位：億美元）8465595550717790807060504030201002014201520162017201820192020數(shù)據(jù)來源：Gartner，東方證券研究所雙寡頭壟斷FPGA 市場面對 FPGA 巨大的增長潛力，國際巨頭紛紛嘗試進(jìn)入這一市場，據(jù)統(tǒng)計(jì)全球共有 60

38、多家公司先后出資數(shù)十億美元，試圖在 FPGA 行業(yè)占領(lǐng)一席之地，但目前全球 FPGA 市場主要被 Altera 和 Xilinx 瓜分，兩家公司合計(jì)占有近 90%的市場份額，合計(jì)專利達(dá)到 6000 多項(xiàng)，剩余份額被 Lattice 和Microsemi 兩家占據(jù)，合計(jì)共有超過 3000 項(xiàng)專利。技術(shù)專利的限制和漫長的開發(fā)周期使得 FPGA 行業(yè)形成了很高的壁壘，這也進(jìn)一步鞏固了 Altera 和 Xilinx 兩家公司的優(yōu)勢地位和盈利水平。圖 27：2016 年 FPGA 市場份額分布7%3%36%53%Xilinx Intel（Altera） Microsemi Lattice數(shù)據(jù)來源：Pa

39、ul Dillien，東方證券研究所Xilinx 和 Altera 公司在深度學(xué)習(xí)方面都取得了豐碩成果。Xilinx 提出未來深度學(xué)習(xí)處理器一定要經(jīng)過模型壓縮、模型定點(diǎn)化和編譯三大步驟，并且擁有針對神經(jīng)網(wǎng)絡(luò)的專用結(jié)構(gòu)。模型壓縮使用戶可以盡可能使用片上存儲(chǔ)來存儲(chǔ)深度學(xué)習(xí)算法模型，減少內(nèi)存讀取，以此大幅度減少能耗；模型定點(diǎn)化能夠減少乘法器的大小；編譯能夠針對開發(fā)人員的具體要求進(jìn)行特殊化處理從而實(shí)現(xiàn)更加高效的計(jì)算。Xilinx 提出的深度學(xué)習(xí)趨勢為 FPGA 在這一領(lǐng)域的廣泛應(yīng)用打下堅(jiān)實(shí)的理論基礎(chǔ)。2016 年初英特爾宣布以 167 億美元的高價(jià)宣布收購 Altera 公司。英特爾作為在數(shù)據(jù)處理市場

40、占據(jù)超過 95%市場份額的巨頭，一直在相關(guān)業(yè)務(wù)領(lǐng)域?qū)ふ倚碌脑鲩L點(diǎn)。目前的收購行為無疑表明英特爾將推動(dòng) FPGA 與 CPU 的整合，在未來的深度學(xué)習(xí)領(lǐng)域利用 FPGA 的硬件可編程性，在工作負(fù)載和計(jì)算需求發(fā)生波動(dòng)時(shí)通過改變算法提高計(jì)算速度，同時(shí)維持較低功耗。在去年 11 月，英特爾發(fā)布了一款叫做 Nervana 的 AI 處理器，這個(gè)項(xiàng)目代碼為“Lake Crest”，將會(huì)用到 Nervana Engine 和 Neon DNN 相關(guān)軟件，這款芯片可以加速各類神經(jīng)網(wǎng)絡(luò)，例如谷歌 TensorFlow 框架，芯片由所謂的“處理集群”陣列構(gòu)成，相對于浮點(diǎn)運(yùn)算，這種方法所需的數(shù)據(jù)量更少，因此帶來了

41、10 倍的性能提升。圖 28：英特爾 Lake Crest 架構(gòu)數(shù)據(jù)來源：Intel，東方證券研究所從兩家 FPGA 巨頭的動(dòng)作可以看出，由于 FPGA 在計(jì)算能力和靈活性上大大彌補(bǔ)了 CPU 的短板， 從而未來在深度學(xué)習(xí)領(lǐng)域 CPU+FPGA 的組合將成為重要的發(fā)展方向。國內(nèi) FPGA 產(chǎn)業(yè)孜孜求索2014 年中國 FPGA 市場規(guī)模已經(jīng)達(dá)到 15 億美元，占全球市場份額的三分之一，中國作為全球最大的通訊和軍工市場之一，為了滿足經(jīng)濟(jì)發(fā)展和通訊，尤其是國防等的需要，預(yù)計(jì)中國未來的 FPGA 市場需求量還會(huì)繼續(xù)擴(kuò)張。雖然政府多年來在此領(lǐng)域投入數(shù)百億的科研經(jīng)費(fèi)，但由于美國對于技術(shù)專利的限制和 FP

42、GA 高聳的技術(shù)門檻，國內(nèi) FPGA 探索的進(jìn)程十分艱難，在產(chǎn)品性能、功耗、容量和應(yīng)用領(lǐng)域上都存在較大差距。目前國內(nèi)較為知名的 FPGA 相關(guān)公司僅有同創(chuàng)國芯、京微雅格、高云等。2016 年 11 月，美國萊迪思半導(dǎo)體（Lattice）宣布，將被 Canyon Bridge Capital Partners 收購。后者是一家新成立的私募股權(quán)公司，唯一的投資人是 China Venture Capital Fund 的一家子公司， China Venture Capital Fund 則隸屬于中國國新基金，這筆交易規(guī)模達(dá) 13 億美元，若交易順利達(dá)成，有望幫助國內(nèi)企業(yè)在 FPGA 領(lǐng)域?qū)崿F(xiàn)彎道超

43、車。圖 29：Canyon Bridge Capital Partners 擬收購 Lattice數(shù)據(jù)來源：Business Insider，東方證券研究所四、 ASIC：有望成為主流趨勢為深度學(xué)習(xí)量身定制的 ASIC 芯片將在計(jì)算速度和功耗上趕超 GPU 和 FPGA，并隨著人工智能滲透率的不斷提升，未來在智能手機(jī)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等領(lǐng)域，人工智能芯片將得到廣泛應(yīng)用，廣闊的市場空間為 ASIC 大規(guī)模量產(chǎn)創(chuàng)造了可能。隨著大規(guī)模量產(chǎn)條件下單片成本大幅下降，ASIC 可能會(huì)成為未來深度學(xué)習(xí)領(lǐng)域的主流芯片。目前，科技巨頭紛紛在 ASIC 深度學(xué)習(xí)芯片上發(fā)力，隨著 AlphaGo 橫掃人類頂尖棋手，谷

44、歌在AlphaGo 中應(yīng)用的 ASIC 產(chǎn)品 TPU（Tensor Processing Unit）最為受到業(yè)界的熱捧，谷歌于 2016 年 Google I/O 大會(huì)上正式介紹第一代 TPU 產(chǎn)品，并于今年 4 月首次發(fā)表論文披露了 TPU 的詳細(xì)架構(gòu)和技術(shù)細(xì)節(jié)，根據(jù)谷歌的統(tǒng)計(jì)，CPU+TPU 的方案比 CPU+GPU 方案提高單位能耗計(jì)算能力3080 倍，提高計(jì)算速度 1530 倍，適用于 Google 平臺(tái)上 95%的神經(jīng)網(wǎng)絡(luò)應(yīng)用場景。在今年 5 月的開發(fā)者 I/O 大會(huì)上，Google 正式公布了第二代 TPU，又稱為 Cloud TPU，其最大的特色在于相比初代 TPU，它既可以用于

45、訓(xùn)練神經(jīng)網(wǎng)絡(luò)，又可以用于推理，這既為推理階段進(jìn)行了優(yōu)化，也為訓(xùn)練階段進(jìn)行了優(yōu)化。在性能方面，第二代 TPU 可以達(dá)到 180TFLOPs 的浮點(diǎn)性能， 和傳統(tǒng)的 GPU 相比提升 15 倍，更是 CPU 浮點(diǎn)性能的 30 倍。圖 30：谷歌 TPU 內(nèi)部架構(gòu)數(shù)據(jù)來源：Google，東方證券研究所蘋果公司正在研發(fā)一款名為“蘋果神經(jīng)引擎(Apple Neural Engine)”的 AI 專用芯片，該芯片定位于在本地設(shè)備上處理 AI 任務(wù)，旨在將主處理器和圖像處理器巨大的計(jì)算量分開，把面部識別、語音識別等 AI 相關(guān)的任務(wù)卸載到 AI 專用模塊上處理，以提升 AI 算法效率，并延長電池壽命，未來其

46、可能應(yīng)用于自動(dòng)駕駛、Siri 語音助手及增強(qiáng)現(xiàn)實(shí)(AR)技術(shù)領(lǐng)域，未來還有可能嵌入 iPhone、iPad 等設(shè)備中，該芯片已在原型機(jī)中進(jìn)行了測試。蘋果有望在今年六月即將召開的年度開發(fā)者大會(huì)上公布 AI 芯片的研發(fā)進(jìn)展。國內(nèi)在深度學(xué)習(xí) ASIC 領(lǐng)域也不斷取得突破進(jìn)展。北京中科寒武紀(jì)科技有限公司研發(fā)了國際首個(gè)深度學(xué)習(xí)專用處理器芯片(NPU)，NPU 采用了“數(shù)據(jù)驅(qū)動(dòng)并行計(jì)算”的架構(gòu)，特別擅長處理視頻、圖像類的海量多媒體數(shù)據(jù)，其具有類似 GPU 的并行計(jì)算特點(diǎn)，但相比于 CPU，NPU 可以在線性代數(shù)運(yùn)算上有更高的效率，但功耗上面可以比 CPU 低很多。目前寒武紀(jì)芯片 IP 指令集已擴(kuò)大范圍授權(quán)

47、集成到手機(jī)、安防、可穿戴設(shè)備等終端芯片中，2016 年就已拿到一億元訂單。圖 31：寒武紀(jì)芯片圖 32：寒武紀(jì) 2 號 DaDianNao 版圖數(shù)據(jù)來源：雷鋒網(wǎng)，東方證券研究所數(shù)據(jù)來源：雷鋒網(wǎng)，東方證券研究所2016 年，中星微也推出了量產(chǎn)的 NPU 芯片“星光智能一號”，出貨量主要集中在安防攝像領(lǐng)域， 其中包含授權(quán)給其他安防攝像廠商部分，未來將主要向車載攝像頭、無人機(jī)航拍、機(jī)器人和工業(yè)攝像機(jī)方面進(jìn)行推廣和應(yīng)用。圖 33：中星微 NPU 架構(gòu)圖數(shù)據(jù)來源：中星微，東方證券研究所五、 類腦芯片：超越“馮諾依曼”架構(gòu)的新思路類腦芯片是一種基于神經(jīng)形態(tài)工程、借鑒人腦信息處理方式、旨在打破“馮諾依曼”架

48、構(gòu)束縛， 適于實(shí)時(shí)處理非結(jié)構(gòu)化信息、具有學(xué)習(xí)能力的超低功耗新型計(jì)算芯片。可以說類腦芯片是更加接近人工智能目標(biāo)的芯片，其力圖在基本架構(gòu)上模仿人腦的工作原理，使用神經(jīng)元和突觸的方式替代傳統(tǒng)“馮諾依曼”架構(gòu)體系，使芯片能夠進(jìn)行異步、并行、低速和分布式處理信息數(shù)據(jù)的能力，同時(shí)具備自主感知、識別和學(xué)習(xí)的能力。類腦芯片將主要實(shí)現(xiàn)兩大突破，一是突破傳統(tǒng)“執(zhí)行程序”計(jì)算范式的局限，有望形成“自主認(rèn)知” 的新范式；二是突破傳統(tǒng)計(jì)算機(jī)體系結(jié)構(gòu)限制，實(shí)現(xiàn)數(shù)據(jù)并行傳送、分布式處理，能夠以極低的功耗實(shí)時(shí)處理海量數(shù)據(jù)。類腦芯片實(shí)時(shí)海量數(shù)據(jù)處理及極低能耗的特性預(yù)示著其廣闊的市場前景。根據(jù) Markets and Marke

49、ts 推測，如果類腦芯片能夠順利進(jìn)入消費(fèi)級應(yīng)用，到 2022 年其市場規(guī)模將達(dá)到千億級美元水平，消費(fèi)終端將占整體市場的 98.17%，其他主流應(yīng)用包括國防安全、工業(yè)自動(dòng)化、航空航天等領(lǐng)域。圖 34：2022 年類腦芯片不同類型終端應(yīng)用占比數(shù)據(jù)來源：Markets and Markets，東方證券研究所正是由于類腦芯片巨大的發(fā)展?jié)摿蛷V闊的市場前景，各國政府及科技巨頭都在大力推動(dòng)類腦芯片的研發(fā)進(jìn)程，包括美國、日本、德國、英國、瑞士等發(fā)達(dá)國家已經(jīng)制定相應(yīng)的發(fā)展戰(zhàn)略，中國的類腦科學(xué)研究項(xiàng)目目前也已經(jīng)正式啟動(dòng)。圖 35：各國類腦計(jì)算研究項(xiàng)目列表時(shí)間國家機(jī)構(gòu)項(xiàng)目名稱開展原因進(jìn)展2003年日本日本政府腦科

50、學(xué)與教育將腦科學(xué)研究作為國家教育發(fā)展的一項(xiàng)戰(zhàn)略任 務(wù)正在面向教育理論和實(shí)際應(yīng)用進(jìn)行研究2012年美國美國國防高級研究計(jì)劃局DARPA類腦圖像處理器項(xiàng)目在情報(bào)、監(jiān)視與偵查數(shù)據(jù)中，圖像與視頻占據(jù)很大比重，而傳統(tǒng)的圖像處理器受器件和架構(gòu)的制約，其性能雖然不斷增長，但無法滿足日益增長的戰(zhàn)爭畫面和視頻處理需要與密歇根大學(xué)合作開發(fā)處理速度比目前圖像處理器 快1000倍，但功耗僅為萬分之一的類腦圖像處理 器，密歇根大學(xué)將在四年內(nèi)分兩階段完成2013年美國美國國立衛(wèi)生研究院BRAIN計(jì)劃推動(dòng)美國神經(jīng)技術(shù)及腦科學(xué)研究工作組計(jì)劃在未來五年投資將達(dá)到每年4億美元， 隨后5年為每年5億美元2013年歐盟歐盟未來技術(shù)項(xiàng)

51、目歐盟人腦計(jì)劃旨在建立一套基于神經(jīng)科學(xué)的最新的、革命性的信息通信技術(shù)，建造一種模擬神經(jīng)元功能的芯片，并將這種芯片用于建造超級計(jì)算機(jī)系統(tǒng)該計(jì)劃將持續(xù)十年，整體投資11.9億歐元2015年美國情報(bào)高級研究計(jì)劃局大腦皮層網(wǎng)絡(luò)機(jī)器智能項(xiàng)目試圖通過數(shù)據(jù)科學(xué)與神經(jīng)科學(xué)的結(jié)合，通過人類大腦逆向工程算法快速推進(jìn)機(jī)器學(xué)習(xí)阿赫人工智能研究，以提高對復(fù)雜信息的處理能力該項(xiàng)目計(jì)劃執(zhí)行期五年，分三階段完成，各階段將 會(huì)涉及人腦神經(jīng)解剖學(xué)和神經(jīng)生理學(xué)研究，以增進(jìn) 對基于感覺信息處理的大腦皮層計(jì)算能力的認(rèn)識2015年中國中國科技部中國腦計(jì)劃從認(rèn)識腦、保護(hù)腦和模擬腦三個(gè)方向全面啟動(dòng)。制定中國的腦科學(xué)和類腦研究方案清華大學(xué)、中

52、國科學(xué)院已經(jīng)成立類腦研究中心2017年中國中科院、復(fù)旦大學(xué)、百度、微軟等類腦智能技術(shù)及應(yīng)用國家工程實(shí)驗(yàn)室建立腦認(rèn)知和腦模擬技術(shù)研究與實(shí)驗(yàn)平臺(tái)實(shí)驗(yàn)室成立數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所目前一些科技巨頭也積極投入到類腦芯片的研發(fā)之中，并做出了一定的突破。代表產(chǎn)品包括 IBM TrueNorth 芯片、高通 Zeroth 芯片、谷歌公司“神經(jīng)網(wǎng)絡(luò)圖靈機(jī)”等。圖 36：各科技巨頭類腦芯片產(chǎn)品列表時(shí)間公司芯片名稱研發(fā)過程&目的性能2011.08IBMTrueNorth第一代IBM公司通過模擬大腦結(jié)構(gòu)研制出第一代兩個(gè)具有感知認(rèn)知能力的硅芯片模型能夠像大腦一樣學(xué)習(xí)和處理信息，并能夠通過經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)，根據(jù)相應(yīng)

53、神經(jīng)元連接路徑進(jìn)行重組2014.08IBMTrueNorth第二代在DARPA投資1億美元的”神經(jīng)形態(tài)自適應(yīng)可塑可擴(kuò)展電子系統(tǒng)”項(xiàng)目的支持下進(jìn)行開發(fā)神經(jīng)元數(shù)量增加到100萬個(gè)，提高3906倍，可編程突觸數(shù)量增加976倍，每秒可執(zhí)行460億次突觸計(jì) 算，總功耗僅為70毫瓦2013.08高通Zeroth致力于開發(fā)突破傳統(tǒng)模式的全新計(jì)算框架，希望打造全新的計(jì)算處理器，模擬人類大腦和神經(jīng)系統(tǒng)， 使終端擁有大腦模擬計(jì)算驅(qū)動(dòng)的嵌入式認(rèn)知預(yù)計(jì)在2015年正式上市，Zeroth也被稱為神經(jīng)處理單元，用戶可以使用傳統(tǒng)編程語言編寫程序，或利用”NPU訓(xùn)練”終端實(shí)現(xiàn)類似人類的運(yùn)動(dòng)和行為2014.04斯坦福大學(xué)Neu

54、rogrid建立一種新的神經(jīng)形態(tài)計(jì)算架構(gòu)速度為普通電腦的9000倍，而所需能量低于普通電腦，產(chǎn)品原型為16個(gè)定制芯片組成，能夠模擬100 萬個(gè)大腦神經(jīng)元以及幾十億個(gè)突觸連接2014.01谷歌神經(jīng)網(wǎng)絡(luò)圖靈機(jī)通過核心芯片研發(fā)超級計(jì)算機(jī)融合傳統(tǒng)圖靈機(jī)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，可以在存儲(chǔ)信息的同時(shí)從信息中學(xué)習(xí)新知識，并利用新知識執(zhí)行邏輯任務(wù)2015英特爾神經(jīng)形態(tài)芯片神經(jīng)形態(tài)芯片未來市場規(guī)模龐大，增長潛力巨大芯片設(shè)計(jì)基于兩種技術(shù)，橫向自旋閥和憶阻器，前者能根據(jù)通過的電子自旋方向開關(guān)，后者工作方式類似神經(jīng)元，能復(fù)制出大腦處理能力數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所IBM 的 TrueNorth 芯片最受關(guān)注。早在 2

55、011 年 8 月，IBM 公司通過模擬大腦結(jié)構(gòu)，首先研制出第一代兩個(gè)具有感知認(rèn)知能力的硅芯片原型，可以像大腦一樣具有學(xué)習(xí)和處理信息的能力。芯片包含256 個(gè)神經(jīng)元和 256 個(gè)軸突，其中一枚芯片包含 65356 個(gè)學(xué)習(xí)突觸，能夠通過經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)，并根據(jù)相應(yīng)對神經(jīng)元連接路徑進(jìn)行重組；而另一枚芯片包含 262144 個(gè)可編程突觸，可以根據(jù)預(yù)先設(shè)定，通過強(qiáng)化或弱化神經(jīng)元之間的連接，更迅速有效地處理信息。但是該芯片“腦容量”的大小僅相當(dāng)于蟲腦水平。圖 37：IBM 第一代 TrueNorth 芯片數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所2014 年 8 月，IBM 公司推出第二代 TrueNorth 芯片，

56、采用 28nm 硅工藝技術(shù)，包括 54 億個(gè)晶體管和 4096 個(gè)處理核，相當(dāng)于 100 萬個(gè)可編程神經(jīng)元，以及 2.56 億個(gè)可編程突觸。TrueNorth 每個(gè)處理核中包含約 120 萬個(gè)晶體管，大多數(shù)晶體管用作數(shù)據(jù)存儲(chǔ)、以及與其他核的通信，因此芯片的工作方式類似于人腦的神經(jīng)元和突觸之間的協(xié)同。與一代相比，二代 TrueNorth 芯片性能大幅提高，且處理核體積僅為第一代的 1/15。目前，IBM 公司已經(jīng)利用 16 顆 TrueNorth 芯片開發(fā)出一臺(tái)神經(jīng)元計(jì)算機(jī)原型，具有實(shí)時(shí)視頻處理能力。圖 38：第一代 IBM TrueNorth 芯片與第二代比較圖 39：IBM 神經(jīng)元計(jì)算機(jī)包含

57、 16 顆 TrueNorth 芯片數(shù)據(jù)來源：東方證券研究所數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所六、 人工智能芯片在云端與終端攜手共進(jìn)在全球智能化發(fā)展的浪潮中，人工智能已經(jīng)成為未來發(fā)展的重要領(lǐng)域，根據(jù)經(jīng)濟(jì)學(xué)人的相關(guān)調(diào)查， 在 2015 年以后，市場對于人工智能領(lǐng)域的關(guān)注度呈現(xiàn)指數(shù)級增長，人工智能技術(shù)有望引領(lǐng)下一輪科技革命，對于各個(gè)科技強(qiáng)國及科技巨頭，如何構(gòu)建最佳的架構(gòu)和系統(tǒng)來處理 AI 工作所必需的海量數(shù)據(jù)是重中之重，從最初的 CPU 到目前應(yīng)用較為廣泛的加速計(jì)算 GPU、FPGA，再到前沿的ASIC、類腦芯片，芯片作為人工智能技術(shù)的核心技術(shù)環(huán)節(jié)，決定了整個(gè)領(lǐng)域未來的發(fā)展方向。云端 AI 芯片領(lǐng)域

58、百家爭鳴人工智能技術(shù)的發(fā)展跟數(shù)據(jù)量的飛躍式發(fā)展有密不可分的關(guān)系。根據(jù) IDC 報(bào)告顯示，預(yù)計(jì)到 2020 年全球數(shù)據(jù)總量將超過 40ZB，而這一數(shù)據(jù)量是 2011 年的 22 倍。并且在過去的幾年，全球的數(shù)據(jù)量以每年 58%的速度增長。面對如此龐大的數(shù)據(jù)量，目前平均每年僅有 0.4%的數(shù)據(jù)得到了良好的分析利用，因此，進(jìn)一步發(fā)展人工智能關(guān)鍵之一就是增強(qiáng)數(shù)據(jù)挖掘的“縱深”，分析更深層面、更大規(guī)模的數(shù)據(jù)。另根據(jù) IDC 的調(diào)查，隨著云計(jì)算技術(shù)的不斷發(fā)展，和其超強(qiáng)計(jì)算、成本較低等特性被大眾所挖掘， 58%的受調(diào)查企業(yè)計(jì)劃使用基于網(wǎng)絡(luò)的云計(jì)算服務(wù)，而這一比例遠(yuǎn)超 2014 年的 24%。云計(jì)算的市場規(guī)模

59、也在逐漸擴(kuò)大，據(jù) Gartner 的統(tǒng)計(jì)，到 2019 年，全球云計(jì)算市場規(guī)模將達(dá)到 3150 億美元， 遠(yuǎn)超當(dāng)前的 1720 億美元。圖 40：全球云計(jì)算市場規(guī)模（億美元）3150281225102000172014701250106075089035003000250020001500100050002010201120122013201420152016201720182019數(shù)據(jù)來源：Gartner，東方證券研究所因此，人工智能關(guān)鍵技術(shù)是在云計(jì)算和大數(shù)據(jù)日益成熟的背景下取得了突破性進(jìn)展，云計(jì)算為人工智能提供平臺(tái)，而大數(shù)據(jù)為人工智能提供信息來源。目前各大科技巨頭看好未來人工智能走向云端的

60、發(fā)展態(tài)勢，紛紛在自有云平臺(tái)基礎(chǔ)上搭載人工智能系統(tǒng)，以期利用沉淀在云端的大數(shù)據(jù)挖掘價(jià)值。圖 41：云計(jì)算平臺(tái)人工智能功能數(shù)據(jù)來源：互聯(lián)網(wǎng)，東方證券研究所IBM WastonIBM Watson 由 IBM 歷經(jīng) 4 年時(shí)間研發(fā)，并于 2011 年參加美國電視問答節(jié)目Jeopardy勇奪第一而一戰(zhàn)成名。目前Watson 已經(jīng)發(fā)展成為集分析、發(fā)現(xiàn)、診斷、教學(xué)、偵查等功能為一體的綜合性認(rèn)知計(jì)算系統(tǒng)。圖 42：2011 年 Watson 參加節(jié)目Jeopardy并取得冠軍 圖 43：Watson 產(chǎn)生答案流程數(shù)據(jù)來源：雷鋒網(wǎng)，東方證券研究所數(shù)據(jù)來源：雷鋒網(wǎng)，東方證券研究所Watson 驚艷的計(jì)算、分析能