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（其他非计算任务仍由CPU负责）。当前，AI芯片主要分为GPU、FPGA、ASIC。
AI芯片分类一般有按技术架构分类、按功能划分、按应用场景分类三种分类方式。
人工智能芯片不同分类情况
资料来源：公开资料整理
人工智能芯片产业链上游主要是为人工智能芯片企业提供算法和IP的行业，目前比较流行的算法有神经网络算法和AI算法。当前中国人工智能芯片行业的下游应用场景主要聚集在云端、自动驾驶、智能手机、无人机、智能、安防等领域。
资料来源：公开资料整理
二、中国人工智能芯片发展现状分析
人工智能芯片作为人工智能的上游产业，走在行业发展的前沿。近年来，互联网和芯片行业巨头纷纷布局人工智能芯片领域。2018年全球人工智能芯片公司榜单中，英伟达凭借长期的技术积累和应用优势稳坐头把交椅，英特尔、IBM、谷歌和苹果位居2至5位。华为排名第12，成为中国大陆地区排名最高的人工智能芯片制造厂商。
2018年全球人工智能芯片公司指数排名
资料来源：公开资料整理
2017年全球芯片销售额为4122亿美元，同比增长21.6%；预计2018年全球芯片产业销售额为4779亿美元，同比增长15.9%。
资料来源：公开资料整理
近年来中国芯片产业销售额增速高于全球且处于不断上涨的趋势。2018年上半年，中国芯片产业销售额达2726.5亿元，约400亿美元，同比增长23.9%。预计2018年中国芯片产业销售额将达到955亿美元左右。
资料来源：公开资料整理
据统计，2013-2017年中国芯片产量从903亿块增长至1565亿块，但中国芯片供给市场仍大量依靠国外进口。2017年，中国芯片进口量为3770.1亿块，同比增长10.1%。
资料来源：公开资料整理
相关报告：华经产业研究院发布的《2019-2025年中国人工智能芯片行业市场深度分析及发展前景预测报告》
三、中国人工智能芯片产业竞争格局分析
政策和资本的双重推动下，国内AI芯片市场发展迅猛。伴随国内人工智能芯片市场的发展，多位工业级创始人团队开始投入AISIC。2016-2017年为导入期，2018年为整合期，在多笔融资过亿的资本项目推动下这些创始人团队所在的公司在2018年相继推出了可量产的人工智能芯片产品。2018年行业整合后，多个国产AISIC可以供货，将能够满足下游安防厂商、互联网厂商、机器人厂商的旺盛需求。
国内人工智能芯片企业在2018年的整合期融资以及产品进展情况
资料来源：公开资料整理
国际巨头谷歌与英伟达在机器学习终端解决方案模块及软件与固件上处于垄断地位，未来在人工智能端的应用领域已经不再单单是人工智能算法、IP到芯片的竞争，而国内的人工智能算法/IP/芯片龙头公司像寒武纪，地平线为了存活，就必须与应用领域系统公司紧密合作，共同推出更佳的嵌入式或独立式解决方案模块及软，固件，否则就要像谷歌和英伟达一样推出自己整套的解决方案。虽然比特大陆及嘉楠耘智进入人工智能芯片领域较晚，但其在挖矿机业务及挖矿生态系的系统整合经验，反而比只具备算法/IP/芯片的人工智能设计公司还有机会。
国内人工智能专用芯片主要竞争者简介
资料来源：公开资料整理
四、中国人工智能芯片未来发展趋势分析
在AI芯片领域，目前还没有出现一款CPU类的通用AI芯片，人工智能想要像移动支付那样深入人心，改变社会，可能还差一个“杀手”级别的应用。无论是图像识别、语音识别、机器翻译、安防监控、交通规划、自动驾驶、智能陪伴、智慧物联网等，AI涵盖了人们生产生活的方方面面，然而距离AI应用落地和大规模商业化还有很长的路要走。而对于芯片从业者来讲，当务之急是研究芯片架构问题。软件是实现智能的核心，芯片是支撑智能的基础。当前AI芯片发展，短期内以异构计算为主来加速各类应用算法的落地；中期要发展自重构、自学习、自适应的芯片来支持算法的演进和类人的自然智能；长期则朝通用AI芯片的方向发展。
1、通用AI计算
AI的通用性实际包括2个层级：第一个层级是可以处理任意问题；第二个层级是同一时间处理任意问题。第一层级的目标是让AI的算法可以通过不同的设计、数据和训练方法来处理不同的问题。例如，利用现在流行的深度学习方法训练AI下棋、图像识别、语音识别、行为识别、运动导航等。但是，不同的任务使用不同的数据集来独立训练，模型一旦训练完成，只适用于这种任务，而不能用于处理其他任务。所以，可以说这种AI的算法和训练方法是通用的，而它训练出来用于执行某个任务的模型是不通用的。第二层级的目标是让训练出来的模型可以同时处理多种任务，就像人一样可以既会下棋，又会翻译，还会驾驶汽车和做饭。这个目标更加困难，目前还没有哪一个算法可以如此全能。
2、通用AI芯片通用
AI芯片就是能够支持和加速通用AI计算的芯片。关于通用AI的研究希望通过一个通用的数学模型，能够最大限度概括智能的本质。目前比较主流的看法是系统能够具有通用效用最大化能力：即系统拥有通用归纳能力，能够逼近任意可逼近的模式，并能利用所识别到的模式取得一个效用函数的最大化效益。这是很学术化的语言，如果通俗地说，就是让系统通过学习和训练，能够准确高效地处理任意智能主体能够处理的任务。通用AI的难点主要有2个：通用性，包括算法和架构；实现复杂程度。当前，摩尔定律的逐渐失效和冯·诺伊曼架构的瓶颈这2个巨大的技术挑战也是通用AI芯片需要考虑的问题。想要解决这2个问题仅通过芯片的设计理念和架构创新是行不通的，还需要取决于更先进的制程工艺、新型半导体材料、新型存储器件以及人类对于自身大脑更进一步的认知。
