2019年中国AI芯片行业研究报告-亿欧智库-2019.3-49页.pdf.pdf
《2019年中国AI芯片行业研究报告-亿欧智库-2019.3-49页.pdf.pdf》由会员分享,可在线阅读,更多相关《2019年中国AI芯片行业研究报告-亿欧智库-2019.3-49页.pdf.pdf(49页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、亿欧智库 究 报 告Copyrights reserved to EO intelligence, March 2019AI芯,中国芯,世界芯2019 China AI Chip Industry Research ReportAI芯片即为面向人工智能应用的芯片。人工智能与芯片的发展需紧密合作,但过去碍于跨学科合作困难,加上人工智能算法并未成熟,世界各国对于人工智能的多项投入最后都以失败告终。不过,现在与之前不同的是,AI芯片或称神经网络芯片被Google证实可以大幅加快人工智能模型的训练速度,训练加快意味算法/模型迭代加快,也使得人工智能产品的优化速度加快,有助于人工智能产业的发展。人工智
2、能不再是科幻电影中的幻想,而是真实存在你我的生活之中,其中AI芯片正是实现这个可能的关键。对于人工智能与芯片行业来说,AI芯片也是吹皱一池春水,推进两个产业新发展的关键。序言 INTRODUCTION3研究背景与目的 在20世纪80年代时,日本即已开始尝试开发新一代的人工智能计算机,但当时碍于芯片算力不足,加上采用专家系统并不能让机器去学习“人类不知道”的事情,导致计划失败,因此人们认为人类无法在短期内实现人工智能。 20世纪80年代到现在,人工智能已经向前踏一大步,科学家在国际象棋和围棋的人机竞赛上的成果使世人惊艳,ImageNet计算机视觉竞赛的成果更是直接让AI算法落地发展成商业产品。
3、期间,有两则事件对于AI芯片的发展很重要:第一,陈天石博士团队的“DianNao”系列论文让科学界看到,在冯诺依曼架构下亦能实现AI专用芯片。第二,Google推出使用(AI芯片)TPU运算架构的AlphaGo,接连打败李世石和柯洁,让半导体和人工智能产业看到专用芯片的商业价值已到。 中、美两国自然不想错过这个趋势,纷纷推出相对应的政策引领行业发展,中国政府的新一代人工智能发展规划将神经网络芯片(即AI芯片)视作整个人工智能发展战略的基础元件,加强扶持行业发展,使中国不在未来芯片的发展上再次掉队。 现在,中国已经存在超过20家以上的新创AI芯片设计企业,融资总额超过30亿美元,但是市场上仍未见
4、针对此景研究的行业研究报告,因此本报告将作为市场上第一份专以“AI芯片”行业发展现状和趋势研究的公开报告。研究背景与目的亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report4研究方法 本报告采用的研究方法为桌面研究、企业调研和专家访谈,其中企业调研涉及的企业数量超过10家企业,包含国际芯片企业、国内芯片企业、以及新创AI芯片企业等等,调研问题以企业现况、发展规划、和行业信息为主。主要研究发现 本报告的研究发现主要有3个:1. AI芯片行业生命周期正处于幼稚期,市场增长快,2022年将从2018年的42.7亿美元,发展
5、至343亿美元,但芯片企业和客户的合作模式仍在探索中。为了生存,行业逐渐出现上下游整合的趋势。2. AI芯片是芯片产业和人工智能产业整合的关键,尤其是AI系统芯片。因为位于产业链顶端,产品落地不易,使得AI芯片企业需开展系统集成商服务,向下游整合,而AI系统集成商则为了加深客户合作,进而将芯片设计整合加入事业版图。3. 云端(含边缘端)服务器、智慧型手机、和物联网终端设备等三个场景,是目前AI芯片企业的主要落地市场,少数企业则是面向未来的自动驾驶汽车市场。这些市场的特征都是千万量级出货量或百亿美元销售额。研究方法和主要研究发现亿欧智库 2019年中国AI芯片行业研究报告2019 China A
6、I Chip Industry Research Report5章节安排介绍章节安排介绍 Part 1. 人工智能与芯片的缘起:介绍人工智能的发展与芯片发展历程相关的重大事件,芯片与人工智能的三阶段发展故事。 Part 2. 技术、政策与经济环境:介绍目前AI芯片的底层架构分类以及中国政府对于AI芯片(神经网络芯片)发展的支持政策,最后点出AI芯片市场发展前景。 Part 3. 半导体与AI芯片产业:介绍AI芯片行业发展现况,从半导体行业开始介绍,再让读者了解芯片设计的产业变化、开发技术、开发成本、融资情况、落地场景等,相关的信息会在各小节进行介绍和分析。 Part 4. 参与者分析:根据企业
7、背景分类,AI芯片行业共有三类参与者,分别是AI芯片系、AI算法和传统芯片。本章节将针对三类企业进行竞争优势分析。 Part 5. 企业案例:介绍国内的AI芯片设计参与者中,分别在云端服务器、物联网终端设备以及自动驾驶系统开发上典型的厂商。 附录 企业人才图谱:表列新创AI芯片企业的芯片开发核心人员。亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report人工智能与芯片的缘起071.1 芯片与神经网络大事纪 1.2 人工智能芯片的发展参与者分析304.1 AI芯片企业分类 4.2 竞争态势分析 4.3 未来发展122.1
8、 技术 2.2 政策 2.3 经济365.1 地平线 5.2 寒武纪 5.3 云知声183.1 产业链 3.3 开发技术 3.5 融资情况43附录半导体与AI芯片产业技术、政策与经济环境企业案例企业人才图谱目录 CONTENTS3.2 产业变化 3.4 开发成本 3.6 落地场景当人类第一台基于逻辑运作的计算机被发明后,人工智能的讨论也同时兴起,科学家一度以为逻辑运作是人类大脑和计算及运作的基础,所以根据逻辑芯片计算机运作的人工智能可以快速取代人类。然而现实却与此相反,人类的神经元与逻辑芯片不同,但却很有效率,科学家从此学习到神经网络是人工智能的未来,也依此发展算法,最后在芯片制程大幅进步的当
9、代,迎来了基于神经网络设计的AI芯片。7人工智能与芯片的缘起Introduction to AI and ChipCHAPTER 1Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱8芯片大事
10、纪神经网络大事纪1962年:Rosenblatt出版神经动力学原理,及其1957年设计的模拟计算器,被视作深度神经网络模型的算法原型。1969年:Minsky与Papert出版感知器,指出人造神经元的运算极限严重受限于计算机的算力不足,造成神经网络领域在1970年代面临寒冬。1985年:Hinton与Sejnowski发表基于玻尔兹曼机的“多层神经网络”。1986年:Rumelhart和Hinton发表“BP反向传播算法”。1989年:Mead出版“Analog VLSI and NeuralSystems”,开创基于仿生芯片的神经形态工程领域。2006年:Hinton提出受限玻尔兹曼机模型与
11、深度信念网络成功训练多层神经网络,解决反向传播算法局部最佳解的问题,并把多层类神经网络称作“深度学习”。2012年:Krizhevsky与Hinton的团队在ImageNet大赛中,将图像识别错误率降到18%,并 在 NIPS 会 议 上发 表 图 像 识别 论 文“ImageNet Classification with DeepConvolutional Neural Networks”,1993年:Yann LeCun的团队使用DSP在一台486电脑上实现深度学习算法,其作为推理芯片,已可辨识手写的数字。1994年:Michael Gschwind等人使用FPGAs实现神经网络的算法应用
12、。2009年:Rajat Raina和吴恩达发表利用GPU完成深 度 学 习 训 练 的 论 文 “ Large-scaleDeep Unsupervised Learning usingGraphic Processors”。2014年:陈天石博士的研究团队,从这年开始发表以DianNao为名的系列论文(包含DaDianNao、PuDianNao、ShiDianNao、Cambricon-X),开启人工智能芯片(ASIC)的研究领域。2015年:Jason Cong在2015年的FPGA大会上,发 表 一 篇 论 文 “ Optimizing FPGA-based Accelerator D
13、esign for DeepConvolutional Neural Networks”,使得FPGAs迅速大火。2016年:Google发表为TensorFlow框架设计的TPU芯片。亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report人工智能芯片的发展人工智能的算法在训练模型时,需要大数据和高算力计算机设备,缺一不可AI芯片让人工智能更容易部署,推进商业落地9人工智能算法的应用与芯片的发展历程是不可分割的,因为人工智能算法需要在计算机设备上实现,而芯片又是计算机设备运作的核心零件,所以芯片的计算能力发展瓶颈就成为
14、人工智能的发展瓶颈。虽然根据摩尔定律,每隔18个月芯片性能将提高1倍,但按照CPU架构的“万能芯片”,即便到21世纪,个人电脑和智能手机的芯片算力都能满足人类工作需求时,CPU仍无法满足人工神经网络的运算需求,CPU执行人工智能任务的运算时间过长,造成人工智能产品落地困难。于是,深度学习领域需要新一代的人工智能加速芯片缩短运算时间,不仅提升算法的训练效率,也提升算法的推理能力,缩短延时达成替代人类工作的需求。以现代人工智能主流的神经网络来说,神经网络和芯片的发展过程历经三个阶段,早期芯片算力低导致神经网络被视作不可能实现,直到2016年采用TPU架构的AlphaGo击败人类棋士,人工智能才被视
15、作是一个可能实现改变人类的技术。2016200919821969196219561985Rosenblatt 出 版 神 经动力学原理,开 启人工神经网络研究。19932014美国达特茅斯会议 揭开人工智能研究 的序幕。日本开始第五 代计算机项目 研究计划。Hinton与Sejnowski发表 “多层神经网络”,之 前被视为不可能实现。Minsky与Papert出版感 知器,抨击多层神经 网络无法被计算机实现。Yann LeCun的团队使用 DSP在一台486电脑上实 现深度学习算法。Rajat Raina和吴恩达 利用GPU训练深度学 习算法。AlphaGo采用TPU架构, 并击败人类世界冠
16、军 棋士李世石。李天石博士的团队接连 发表以DianNao为名的人 工智能专用加速芯片。第一阶段:因为芯片算力不足,所以神经网络被打入冷宫第二阶段:通用芯片CPU的算力大幅提升,但仍无法满足神经网络的需求第三阶段:GPU和和新架构的AI芯片推进人工智能落地亿欧智库:人工智能与芯片发展的三个阶段来源:公开资料整理、亿欧智库Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3
17、.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report10第一阶段:芯片算力不足,导致神经网络在1970年代被打入冷宫人工神经网络是现在的深度学习算法的主流,但是一开始并非以此为主,期间也曾收到多次挑战。像是Minsky与Papert1969年出版感知器,大力抨击单层神经网络训练出来的图像识别算法连对称图形都无法正确识别,多层神经网络也无法被
18、当代和未来计算机的芯片运算效能实现,该书直接造成人工神经网络的相关发展进入10年寒冬。第二阶段:芯片算力提升,但CPU无法满足神经网络的算力需求1982年,日本推出第五代计算机计划,这是人类第二次大规模地想要利用计算机实现人工智能,美国同时也投入不少的资源在其中,当时新一代计算机主流是Lisp Machine和Thinking Machine,人工智能则是采用专家系统。虽然比起1960年代,1980年代的计算机运算能力已经大幅提升,但是这两套系统依然无法解决图像和音讯识别的大问题,且解决局部问题的效率又被采用CPU架构的通用电脑所击败,专家系统则被诟病为“无法解决人类不知道的问题”,因此计划以
19、失败告终。1980年代另一件重要的事情是,现代人工智能企业常用的神经网络算法的雏形,都在当时被提出,只不过都是透过台式电脑实现,数据也不多,算法跟模型仍处于早期阶段,仅有少数案例实现商用。像是Yann LeCun于1993年利用DSP和486电脑开发的手写数字识别系统,后来被安迅资讯公司(NCR Corproration)改造成于辨识支票金额的设备,并在90年代末期部署于银行和ATM上。1997年,IBM的Deep Blue虽然击败当时的国际象棋世界冠军,但其采用的人工智能算法与现代流行的神经网络不同,尤其在计算机架构上,采用暴力破解法来解决算力不足的问题,不足以被称作跨时代的产品。即便重新让
20、世人对人工智能感兴趣,但面对围棋等算力更高的需求时,该计算机和算法都没有能力解决,也因此仅有学术界感兴趣,商界仍是缺乏兴趣。Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2 寒武纪5.3 云知声附录 企业人才图谱亿欧智库 2019
21、年中国AI芯片行业研究报告2019 China AI Chip Industry Research Report11第三阶段:芯片算力持续提升,新架构解决神经网络算力问题2006年,Hint根据受限玻尔兹曼机与深度信念网络提出“深度学习”。隔一年,2007年,英伟达开发出统一计算架构(CUDA),透过CUDA,研究人员可以轻松使用C语言开发GPU,为两年后吴恩达带领学生Raina采用GPU架构实现深度学习算法的训练立下根基。2010年至今不到十年的时间,人工智能成长快速,不仅在围棋界打败人类,也解决了计算机视觉的重要应用问题:图像辨识错误率上达到(或超过)人类水平的目标。2013年,Hinto
22、n的团队采用GPU架构结合现在计算机视觉常用的卷积神经网络(CNN)算法,在ImageNet的比赛中,一举将识别错误率降到18%,让众人第一次看到神经网络的算力需求可被现行设备满足。不过GPU架构的芯片,并非针对神经网络架构设计的芯片,其中包含许多运行神经网络时不需要的架构设计,因此效率提升有限,直到后来2014年(寒武纪创办人)陈天石博士团队提出的DianNao论文,深度学习领域才出现第一块针对人工智能加速的专用芯片设计,谷歌TPU项目的负责人当时也参与DianNao的研究。于2016年击败李世石和2017年击败柯洁的AlphaGo便是采用TPU架构的计算机,AlphaGo在围棋对弈上历经5
23、个版本,第一版本采用176块GPU来解决运算问题,第二版本采用48块TPU配合分布式计算解决运算问题,第三版本后因为优化深度学习算法,仅采用4块PTU和单机即可完成任务,并且超过之前的成就。亿欧智库:历代AlphaGo的架构和赛况版本硬件ELO赛况AlphaGo Fan176个GPU,分布式31445:0 对阵 樊麾AlphaGo Lee48个TPU,分布式37394:1 对阵 李世石AlphaGo Master4个TPU,单机485860:0 对阵五位职业棋手 3:0 对阵 柯洁AlphaGo Zero (训练40天)4个TPU,单机5185100:0 对阵 AlphaGo Lee 89:1
24、1 对阵 AlphaGo MasterAlphaZero (训练34小时)4个TPU,,单机4430 (估计)60:40 对阵 AlphaGo Zero来源:公开资料整理、亿欧智库Part 1. 人工智能与芯片的缘起1.1 芯片与神经网络大事纪1.2 人工智能芯片的发展Part 2. 技术、政策与经济环境2.1 技术2.2 政策2.3 经济Part 3. 半导体与AI芯片产业3.1 产业链3.2 产业变化3.3 开发技术3.4 开发成本3.5 融资总额3.6 落地场景Part 4. 参与者分析4.1 AI芯片企业分类4.2 竞争态势分析4.3 未来Part 5. 企业案例5.1 地平线5.2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2019 年中 AI 芯片 行业 研究 报告 亿欧智库 2019.3 49 pdf
限制150内