中投研究：AI芯片拥抱高速增长期

　　文/新浪财经意见领袖（微信公众号kopleader）专栏机构 中投研究

　　执笔：刘烜

　　刚过去的2018年正值芯片巨擘英特尔成立五十年，抚今追昔、纵观中外，有助于在喧嚣中发掘真正机会。

　　随着人工智能与物联网、大数据热度不断蹿升，国内外涌现出多家AI芯片（即人工智能芯片）初创公司，一时间“乱花渐欲迷人眼”。然而，AI芯片是一个宽泛的概念，其中既有通用性强的高端芯片，也有技术门槛较低的专用芯片，个中差别不可以道里计。

　　刚过去的2018年正值芯片巨擘英特尔成立五十年，抚今追昔、纵观中外，有助于在喧嚣中发掘真正机会。

　　一、芯片往事与AI新战场

　　芯片约占整个半导体行业市场规模的84%，与AI芯片相关的主要是数字逻辑芯片[1]、微芯片[2]等用于逻辑处理与计算的处理芯片。21世纪初，Dennard缩放定律[3]失效之后，处理芯片的性能提升越来越慢（见图1），不得不转向多核方案，但正如Amdahl定律所言多核方案亦有局限，摩尔定律[4]似乎也摇摇欲坠，目前产业界仍在通过尝试新工艺、新材料乃至新架构的解决方案。

图1 处理芯片的性能演变路线

　　来源：赛灵思，Versal： the First Adaptive Compute Acceleration Platform，2018年10月

　　（一）通用处理芯片：CPU与GPU

　　CPU[5]和GPU[6]都是通用型芯片，前者通用性最强，擅长逻辑控制和顺序运算，是各类计算机和智能手机的核心部件；后者擅长并发计算，适合图形和多媒体渲染、模式识别、密码破译等。与CPU相比，GPU大幅缩减了控制逻辑和存储单元，将更多晶体管分配给计算单元（见图2），以牺牲一定程度通用性为代价，显著提升了游戏、3D建模、人工智能、金融分析等计算密集型应用场景下的处理能力（见图3）。换言之，CPU的大部分晶体管都用于控制逻辑和缓存，能用于各种情景下的任务，但正因为这种通用性，CPU在计算复杂度低的密集计算场景下就有许多晶体管处于闲置状态，造成处理能力和能效不如GPU。更通俗地讲，CPU能做的事GPU不一定能做，但某些情况下CPU的工作效率不如GPU。

图2 CPU与GPU对比：权衡与取舍

　　来源：英伟达，中投研究院

图3 CPU与GPU对比：计算能力（上）、内存带宽（下）

　　注：GeForce系列GPU主要面向消费市场，Tesla系列GPU是面向高性能并行计算的通用GPU。

　　资料来源：英伟达，中投研究院

　　（二）专用处理芯片：FPGA、ASIC及类脑芯片

　　专用处理芯片功能有限、技术门槛低，相对通用处理芯片功耗更小、在特定场景下更快，但是灵活性更低。总体上，专用处理芯片可以分为定制和半定制两大类，前者包括ASIC、类脑芯片等，后者包括FPGA等。

　　FPGA和ASIC都是应用于特定场景的专用处理芯片，前者允许用户通过硬件编程定义逻辑[7]，后者出厂后无法修改。两相比较，FPGA的前期启动成本低，通过再编程特性提供了灵活性，适合为包括ASIC在内的芯片提供原型验证，但这种优势是以更高总成本、功耗以及牺牲性能为代价；ASIC运行速度比FPGA快，但设计和制造周期更长，前期投入高、投资风险大，适合于市场容量较大的领域，比如潜力巨大的边缘计算和嵌入式应用市场。

　　所谓半定制化FPGA、结构化ASIC等芯片，实际上是在FPGA和ASIC之间选取了中间路线。例如，eASIC芯片设计公司（已被英特尔收购）采用单过孔方案大幅减少了裸片尺寸，使得其与FPGA相比功耗和总成本更低，与标准ASIC相比前期成本更低、设计开发时间更短——从流片到交付测试原型只需5周时间[8]。