AI进入爆发期，千亿芯片市场空间

"推断"过程可在云端（服务器端）进行，也可以在终端（产品端）进行。等待模型训练完成后，将训练完成的模型（主要是各种通过训练得到的参数）用于各种应用场景（如图像识别、语音识别、文本翻译等）。"应用"过程主要包含大量的乘累加矩阵运算，并行计算量很大，但和"训练"过程比参数相对固化，不需要大数据支撑，除在服务器端实现外，也可以在终端实现。"推断"所需参数可由云端"训练"完毕后，定期下载更新到终端。

传统CPU算力不足，新架构芯片支撑AI成必须。核心芯片决定计算平台的基础架构和发展生态，由于AI所需的深度学习需要很高的内在并行度、大量浮点计算能力以及矩阵运算，基于CPU的传统计算架构无法充分满足人工智能高性能并行计算(HPC)的需求，因此需要发展适合人工智能架构的专属芯片。

专属硬件加速是新架构芯片发展主流。目前处理器芯片面向人工智能硬件优化升级有两种发展路径：（1）延续传统计算架构，加速硬件计算能力：以GPU、FPGA、ASIC（TPU、NPU等）芯片为代表，采用这些专属芯片作为辅助，配合CPU的控制，专门进行人工智能相关的各种运算；（2）彻底颠覆传统计算架构，采用模拟人脑神经元结构来提升计算能力，以IBM TrueNorth芯片为代表，由于技术和底层硬件的限制，第二种路径尚处于前期研发阶段，目前不具备大规模商业应用的可能性。从技术成熟度和商业可行性两个角度，我们判断使用AI专属硬件进行加速运算是今后五年及以上的市场主流。

云端终端双场景，三种芯片显神通

我们把人工智能硬件应用场景归纳为云端场景和终端场景两大类。云端主要指服务器端，包括各种共有云、私有云、数据中心等业务范畴；终端主要指包括安防、车载、手机、音箱、机器人等各种应用在内的移动终端。由于算法效率和底层硬件选择密切相关，"云端"（服务器端）和"终端"（产品端）场景对硬件的需求也不同。我们对目前主要的AI芯片进行了列表梳理。

除CPU外，人工智能目前主流使用三种专用核心芯片，分别是GPU，FPGA，ASIC。专业术语比较枯燥，打个形象点的比方。如果把AI运算比喻成游泳运动，CPU，GPU，FPGA，ASIC相当于四类运动员：（1）CPU是身体素质很好的体校学员，会游泳，参赛比较费劲；（2）GPU相当于十项全能选手，本身就会游泳，直接可以上场参赛；（3）FPGA相当于可以变形的机器人选手，需预先变形后下水竞争，成绩取决于编程效果；（4）ASIC相当于长时间培养的专业游泳选手，游得最快，但培养一个优秀专业运动员需要较长时间。

下面分别介绍。

GPU：先发制人的"十项全能"选手，云端终端均拔头筹。GPU（Graphics Processing Unit）又称图形处理器，之前是专门用作图像运算工作的微处理器。相比CPU，GPU由于更适合执行复杂的数学和几何计算（尤其是并行运算），刚好与包含大量的并行运算的人工智能深度学习算法相匹配，因此在人工智能时代刚好被赋予了新的使命，成为人工智能硬件首选，在云端和终端各种场景均率先落地。目前在云端作为AI"训练"的主力芯片，在终端的安防、汽车等领域，GPU也率先落地，是目前应用范围最广、灵活度最高的AI硬件。

FPGA："变形金刚"，算法未定型前的阶段性最佳选择。FPGA（Field-ProgrammableGate Array）即现场可编程门阵列，是一种用户可根据自身需求进行重复编程的"万能芯片"。编程完毕后功能相当于ASIC（专用集成电路），具备效率高、功耗低的特点，但同时由于要保证编程的灵活性，电路上会有大量冗余，因此成本上不能像ASIC做到最优，并且工作频率不能太高（一般主频低于500MHz）。FPGA相比GPU具有低功耗优势，同时相比ASIC具有开发周期快，更加灵活编程等特点。FPGA于"应用爆发"与"ASIC量产"夹缝中寻求发展，是效率和灵活性的较好折衷，"和时间赛跑"，在算法未定型之前具较大优势。在现阶段云端数据中心业务中，FPGA以其灵活性和可深度优化的特点，有望继GPU之后在该市场爆发；在目前的终端智能安防领域，目前也有厂商采用FPGA方案实现AI硬件加速。

ASIC："专精职业选手"，专一决定效率，AI芯片未来最佳选择。ASIC（Application Specific Integrated Circuit）即专用集成电路，本文中特指专门为AI应用设计、专属架构的处理器芯片。近年来涌现的类似TPU、NPU、VPU、BPU等令人眼花缭乱的各种芯片，本质上都属于ASIC。无论是从性能、面积、功耗等各方面，AISC都优于GPU和FPGA，长期来看无论在云端和终端，ASIC都代表AI芯片的未来。但在AI算法尚处于蓬勃发展、快速迭代的今天，ASIC存在开发周