2023年中国AI芯片行业市场规模及市场占比预测分析（图）
中商情报网讯：AI芯片也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块。随着越来越多的企业将人工智能应用于其终端产品，AI芯片需求快速增长，市场前景发展广阔。
市场规模分析
AI芯片主要应用于云计算、数据中心、边缘计算、消费电子、智能制造、智能驾驶、智能金融及智能教育等领域。近年来，我国AI芯片受到广泛关注，不断涌现出新的生产设计商，行业市场规模不断增长。数据显示，2021年，我国AI芯片达到427亿元，同比增长124%，预计2023年将增长至1206亿元。
数据来源：深圳市人工智能行业协会、中商产业研究院整理
市场占比
AI芯片主要包括图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、神经拟态芯片（NPU）等。其中，GPU是显卡的核心单元，是单指令、多处理数据器，在AI芯片市场中占比最高，达91.9%。NPU、ASIC、FPGA市场占比分别为6.3%、1.5%、0.3%。
数据来源：IDC、中商产业研究院整理数据
分享到：AI芯片发展现状及前景分析
表1.AI芯片技术架构
2.AI芯片应用场景
2.1数据中心（IDC）
用于云端训练和推理，目前大多数的训练工作都在云端完成[9]。移动互联网的视频内容审核、个性化推荐等都是典型的云端推理应用。NvidiaGPU在训练方面一家独大，在推理方面也保持领军位置。FPGA和ASIC因为低功耗、低成本的优势，在持续抢夺GPU的市场的份额。
云端主要的代表芯片有Nvidia-TESLAV100、华为昇腾910、Nvidia-TESLAT4、寒武纪MLU270等。
2.2移动终端
主要用于移动端的推理，解决云端推理因网络延迟带来的用户体验等问题。典型应用如视频特效、语音助手等。通过在手机系统芯片（systemonchip，SoC）中加入增加协处理器或专用加速单元来实现。受制于手机电量，对芯片的功耗有严格的限制。代表芯片有AppleA12NeuralEngine（加速引擎）和华为麒麟990。
2.3安防
目前最为明确的AI芯片应用场景，主要任务是视频结构化。摄像头终端加入AI芯片，可以实现实时响应、降低带宽压力。也可以将推理功能集成在边缘的服务器级产品中。AI芯片要有视频处理和解码能力。主要考虑的是可处理的视频路数以及单路视频结构化的成本[10]。代表芯片有华为Hi3559-AV100和比特大陆BM1684等。
2.4自动驾驶
AI芯片作为无人车的大脑，需要对汽车上大量传感器产生的数据做实时处理[11]，对芯片的算力、功耗、可靠性都有非常高的要求，同时芯片需要满足车规标准，因此设计的难度较大[12]。面向自动驾驶的芯片目前主要有NvidiaOrin、Xavier和Tesla的FSD等。
2.5智能家居
在AI+IoT时代，智能家居中的每个设备都需要具备一定的感知、推断以及决策功能。为了得到更好的智能语音交互用户体验，语音AI芯片进入了端侧市场。语音AI芯片相对来说设计难度低，开发周期短。代表芯片有思必驰TH1520和云知声雨燕UniOne等。
3.AI芯片关键技术和基准测试平台
3.1关键技术和挑战
（1）AI芯片当前的核心是利用乘加计算（multiplierandaccumulation，MAC）阵列来实现卷积神经网络中最主要的卷积运算的加速。MAC阵列的大量运算，会造成功耗的增加。很多AI应用的场景对于功耗都有严格的限制，如何达到优异的性能功耗比是AI芯片研发的一个重要目标。
（2）深度学习算法中参与计算的数据和模型参数很多，数据量庞大，导致内存带宽成为了整个系统的一个瓶颈“，MemoryWall”也是需要优化和突破的主要问题[13]。
（3）除了芯片本身硬件的设计以外，软件对于AI芯片性能的发挥也有着十分重要的作用，编译器和工具链软件的优化能力、易用性现在也得到越来越多的重视。
3.2基准测试平台
基准测试平台（Benchmark）为AI芯片建立了标准的评估体系，主要职责和意义有：
（1）基于调研和集群信息收集，真实反映AI芯片的使用情况。
（2）引入评估和选型标准。
（3）对AI芯片的架构定义和优化指引方向。基准测试平台的评估指标包括延时（ms）、吞吐量（ims/s）、能效比（ims/s/W）、利用率（ims/s/T）等。主要的基准测试台有MLPerf、DawnBench（Stanford）、DeepBench（百度）、AIMatrix（阿里巴巴）。
4.AI芯片未来趋势和探索
4.1神经形态芯片
神经形态芯片是指颠覆经典的冯·诺依曼计算架构，采用电子技术模拟已经被证明了的生物脑的运作规则，从而构建类似于生物脑的芯片[14]。
神经形态芯片的优点：
（1）计算和存储融合，突破MemoryWall瓶颈。
（2）去中心化的众核架构，强大的细粒度互联能力。
（3）更好的在线学习能力。清华大学、Intel、IBM等学校和企业都在做此方面的研究工作。
4.2可重构计算芯片
可重构计算芯片也叫做软件定义芯片[6]，主要针对目前AI芯片存在的以下问题和任务需求：
（1）高效性和灵活性难以平衡。
（2）复杂的AI任务需要不同类型AI算法任务的组合。
（3）不同任务需要的计算精度不同。可重构计算芯片的设计思想在于软硬件可编程，允许硬件架构和功能随软件变化而变化，从而可以兼顾灵活性和实现超高的能效比。
5.云端和边缘AI芯片和应用
5.1云端和边缘侧AI芯片
本研究团队从2017年开始研发AI芯片，并在当年发售了第一代云端专用AI芯片BM1680。在2019年发布了第三代AI芯片BM1684。BM1684采用TSMC-12nm工艺，有17.6Tops的int8和2.2Tflops的float32算力，典型功耗为16W，可以支持32路1080P的高清视频解码。基于BM1684芯片，研发了深度学习加速板卡SC5（如图1所示）、高密度计算服务器SA5、边缘计算盒子SE5、边缘计算模组SM5等面向各种不同人工智能应用的产品。
图1.深度学习加速板卡SC5
5.2研发产品的应用
本团队的AI产品已经在云端和边缘侧的多种应用场景下落地使用，包括智慧园区（如图2所示）、城市大脑（如图3所示）、视频结构化、人脸布控、智能支付等。
图2.智慧园区解决方案
图3.城市大脑应用
6.结论
AI芯片行业尚处于起步阶段，已经有越来越多的项目开始落地和商业化，它的快速发展有助于推动整个人工智能产业的进展。本文对AI芯片的现状和未来可能的技术方向做了调研和分析，希望可以帮助读者更好地了解AI芯片行业，AI芯片拥有巨大的产业价值和战略地位，相信中国的科研机构和企业会努力抓住机遇，让中国的人工智能产业蓬勃发展。
文献引用：
安宝磊.AI芯片发展现状及前景分析[J].微纳电子与智能制造,2020,2(1):91-94.
《微纳电子与智能制造》刊号：CN10-1594/TN
主管单位：北京电子控股有限责任公司
主办单位：北京市电子科技科技情报研究所
北京方略信息科技有限公司
投稿邮箱：tougao@mneim.org.cn（网站：www.mneim.org.cn）
参考文献:
[1]LECUNY，BOTTOUL，BENGIOY，etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86(11):2278-2324.
[2]KRIZHEVSKYA,SUTSKEVERI,HINTONGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Proceedingsofthe25thInternationalConferenceonNeuralInformationProcessingSystems.ACM,2012:1097-1105.
[3]VINCENTP，LAROCHELLEH，BENGIOY，etal.Extractingandcomposingrobustfeatureswi-hdenoisingautoencoders[C]//Procofthe25thInternationalConferenceonMachineLearning.ACMPress，2008:1096-1103.
[4]VINCENTP，LAROCHELLEH，LAJOIEI，etal.Stackeddenoisingautoencoders:learningusefulrepresentationsinadeepnetworkwithalocaldenoisingcriterion[J].JournalofMachineLearningResearch，2010，11(12):3371-3408.
[5]施羽暇.人工智能芯片技术研究[J].电信网技术,2016,12(12):11-13.SHIYX.Researchonartificialintelligenceprocesschiptechnology[J].Telecommunicationnetworktechnology,2016,12(12):11-13.
[6]清华大学.人工智能芯片技术白皮书(2018)[R/OL].(2018-12-11)[2010-01-20].https://www.tsinghua.edu.cn/publish/thunews/9659/2018/20181217102627644168087/20181217102627644168087_.html.TsinghuaUniversity.2018WhitePaperonAIChipTechnologies[R/OL].(2018-12-11)[2010-01-20].https://www.tsinghua.edu.cn/publish/thunews/9659/2018/20181217102627644168087/20181217102627644168087_.html.
[7]BENGIOY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachineLearning，2009，2(1):1-127.
[8]HINTONGE.Learningdistributedrepresentationsofconcepts[C]//Procofthe8thAnnualConferenceoftheCognitiveScienceSociety.1986:1-12.
[9]尹首一,郭珩,魏少军.人工智能芯片发展的现状及趋势[J].科技导报,2018,17:45-51.YINSY,GUOH,WEISJ.Presentsituationandfuturetrendofartificialintelligencechips[J].Science&TechnologyReview,2018,17:45-51.
[10]汤炜伟.AI安防芯片的发展现状与前景分析[J].中国安防,2018,7:47-50.TANGWW.AnalysisofthedevelopmentandProspectofAIsecuritychip[J].ChinaSecurity&Protection,2018,7:47-50.
[11]尹首一.人工智能芯片概述[J].微纳电子与智能制造,2019,2:7-11.YINSY.Overviewofartificialintelligencechip[J].Micro/nanoElectronicsandIntelligentManufacturing,2019,2:7-11.
[12]谭洪贺,余凯.端侧AI芯片的挑战和展望[J].人工智能,2018,2:113-121.TANHH,YUK.ThechallengeandprospectofedgeAIchip[J].ArtificialIntelligence,2018,2:113-121.
[13]邱赐云,李礼,张欢,等.大数据时代——从冯·诺依曼到计算存储融合[J].计算机科学,2018,45(2):71-75.QIUCY,LIL,ZH,etal.Ageofbigdata:fromvonneumanntocomputingstoragefusion[J].ComputerScience,2018,45(2):71-75.
[14]赵正平.纳电子学与神经形态芯片的新进展[J].微纳电子技术,2018,55(1):1-5.ZHAOZP.Newprogressofnanoelectronicsandneuromorphicchips[J].MicronanoelectronicTechnology,2018,55(1):1-5返回搜狐，查看更多