人工智能系列主题研究报告：AI芯片（23页）

行业报告下载 2018年10月02日 06:25 管理员

新品竞相发布，AI 芯片行业格局渐趋明朗。AI 芯片设计是人工智能产业链的重要一环。自2017 年5 月以来，各AI 芯片厂商的新品竞相发布，经过一年多的发展，各环节分工逐渐明显。AI 芯片的应用场景不再局限于云端，部署于智能手机、安防摄像头、及自动驾驶汽车等终端的各项产品日趋丰富。除了追求性能提升外，AI 芯片也逐渐专注于特殊场景的优化。

AI 芯片市场规模：未来五年有接近10 倍的增长，2022 年将达到352 亿美元根据我们对相关上市AI 芯片公司的收入统计，及对AI 在各场景中渗透率的估算，2017年AI 芯片市场规模已达到39.1 亿美元。人工智能系列主题研究报告：AI芯片（23页）

云端训练芯片：TPU 很难撼动Nvidia GPU 的垄断地位。训练是指通过大量的数据样本，代入神经网络模型运算并反复迭代，来获得各神经元“正确”权重参数的过程。CPU 由于计算单元少，并行计算能力较弱，不适合直接执行训练任务，因此训练一般采用“CPU+加速芯片”的异构计算模式。目前Nvidia 的GPU+CUDA计算平台是最成熟的AI 训练方案。

Nvidia GPU 在云端训练芯片中占据领导者地位。GPU 最初只服务于图形处理加速，为了使GPU 能够更好地用于通用计算，Nvidia 开发了CUDA 计算平台。CUDA 对各种主流学习框架的兼容性最好，成为Nvidia 的核心竞争力之一。目前Nvidia GPU 已发展到第六代Volta架构，5120 个CUDA 核心提供了超120 TFLOPS 深度学习算力，带宽高达900GB/s，以其优异的性能继续在全球领先。

在GPU 之外，云端训练的新入竞争者是TPU。Google 在去年正式发布了其TPU 芯片，并在二代产品中开始提供对训练的支持，但比较下来，GPU 仍然拥有最强大的带宽（900GB/s，保证数据吞吐量）和极高的深度学习计算能力（120 TFLOPS vs. TPUv2 45 TFLOPS），在功耗上也并没有太大劣势（TPU 进行训练时，引入浮点数计算，需要逾200W 的功耗，远不及推断操作节能）。目前TPU 只提供按时长付费使用的方式，并不对外直接销售，市占率暂时也难以和Nvidia GPU 匹敌。

文件下载

资源名称：人工智能系列主题研究报告：AI芯片（23页）

下载地址

标签： TMT行业报告人工智能AI行业报告