人工智能的应用浪潮推动了国产芯片的替代进程。为打破垄断，国内头部及传统的IC制造商试图绕过被英伟达垄断的GPU框架，集体转向设计并研制专用计算芯片（ASIC）、FPGA及融合型异构处理器，以满足人工智能市场广泛需求的云端训练及终端推理作业。
TechWeb原创
作者｜胥涛
全文6800字，预计阅读时间10分钟
1
楼阁坍塌
2016年至今，中国人工智能产业蓬勃发展，一连出现了如商汤、旷视、科大讯飞、云从等独角兽公司。时至2019年，这一现象达到高潮。
2017年，广州市政府向云从科技注资3.01亿美元，同年国有资本风险投资基金向旷视科技投入4.6亿美元资金。2017年，中国人工智能初创企业股权融资额占全球总量的48%，高出美国10个百分点。截止2018年底，中国人工智能企业获得风险投资总额接近1100亿元，超过美国同期的93.3亿美元；2019年10月，北京市海淀区政府为响应人工智能发展政策，提出愿为重点项目提供最高3000万的资金支持
然而，一切高歌猛进在复杂的中美摩擦中戛然而止。
2019年5月，华为公司及其在分布在国内外的百家机构被美列入实体名单，大批量半导体断货。
6月21日，中科曙光、天津海光、成都海光集成电路等五家机构被列入实体名单。
10月7日，“黑色”恐怖相继蔓延，海康威视、大华科技、科大讯飞、旷视科技、商汤科技、美亚柏科、颐信科技和依图科技等28家中国与人工智能技术相关的机构和公司集体被列入实体名单，被限制从美国购买零部件。
面对突如其来的“制裁”，AI公司们能做的只有谴责：
科大讯飞表示，列入黑名单不会影响其日常运营；
美亚柏科表示，海外收入不足总收入1％、货源大多来自国内；
大华则在股东会议上表示，主营产品的多数组件可获得替代。
然而正如一位业内人士所说，一项超速发展的下游产业，很难不被缓慢进步的上游产业的缺口所牵制。
8家AI公司表面说没事，实则暗地流血。
数据统计，海康威视500亿元人民币（合70亿美元）的收入中有近30％来自海外；2019Q3财报显示，海康威视存货金额由年初的57亿增长到98亿，浮动+71.96%；外币借贷额增势更明显，由年初4.4亿增长到期末45亿，同比增长+929.69%，显然，海康的资本重心发生了大角度转变。
为避免带有情绪的股民集体抛售，海康、大华在名单公布当日一早，宣布了临时停盘。
一位接近旷视科技的人士称，“名单对公司上市进程影响很大为绕开敏感GPU供应商，不得不把产品分成软件、硬件两标投。然而，一边合作方将硬件加价挂牌出售，套走大笔利润；另一边，客户以名单为由，坐地压价甚至重新招标”
由于AI公司普遍采用的美国产的半导体，此次事件对于8家AI公司影响颇大，并险些陷入此前与中兴相似的境遇。若无自主可控的AI芯片，业务定位很难逃离微笑曲线谷底。
楼阁已塌。
据统计，在中国使用的半导体中，只有16%是国内生产的，而这其中又仅有不到一半是由中国公司自主设计的。工业和信息化部科技司司长胡燕认为，人工智能的发展不能再走“沙滩建高楼”的模式，若芯片、操作系统等顶层基础不突破，我们的人工智能产业，就是空中阁楼、是为别人做嫁衣。
AI公司受芯片牵制久已。由于抵挡不住“抽芯”压力，人工智能产业迫切的需要国产芯片的一臂之力。而时至2019年底，这一产业的国产化替代趋势初露头角。
2
寻找最优技术路线
为理解这个趋势，需要从基础技术谈起。
首先，如何抽象人工智能？简单来讲，软件通过对现有信息进行自动化分析并得到规律，利用规律对未知数据进行预测，便是人工智能最基本的工作流。
即便有了学术界数十年探索，工业界通过大量实践得出一项共识：面对确定性问题，AI有着得天独厚的优势；而面对不确定的问题，AI和人脑（动物脑）之间仍存在难以逾越的鸿沟。人脑善于线性推理，AI反之，善于高精度、大规模运算。人工智能的分支中的“强化学习”，就是在填补这个条鸿沟。
而在人类社会中，智力相较于劳动力，有着更高溢价范畴。
2012～2016年，巅峰时期的互联网经济回归基本面，一部分互联网公司、AI初创解决方案商看到智能服务的缺口，人工智能创业浪潮随之涌现。其中不乏涉及人脸识别、自动驾驶、机器学习等分支技术，并落地于金融、安防、工业、农业、教育等领域。这些领域受数据隐私、商业机密限制，依赖高性能运算同时，对运算属性需求独立分散且灵活。
AI运算包含大量矩阵、卷积、积分等并行运算，我们熟知的CPU并不适用。为满足不同环境下的AI运算，业界普遍采用GPU（图形显示卡）、FPGA（现场可编程逻辑门阵列）、ASIC（专用集成电路），亦或是在SoC内封装NPU（神经网络处理器）、IPU（图像处理单元）等技术路线，以满足AI的训练（train）和推理(inference)。
云端训练芯片市场，英伟达（Nvidia）一家独大，主推GPU单卡或多卡集成主机方案。其GPU产品线覆盖不同程度算力、不同数据类型的训练需求，且编程环境成熟，产品支持市场上主要的开发框架和语言。然而由于成本等因素，GPU并不适用于AI推理端。国内AI芯片厂也有着统一共识：绝不走纯GPU路线，尝试其他技术路线“绕道超车”。
FPGA，适用于高净值的「推理端」，例如自动驾驶，工控集成，成本略高，优势在于定制性强、设计周期短，然而FPGA的设计人才难聘。同时，近些年来看，其高昂成本仍难以绕开。当然也有声音称，国内某家智能驾驶公司与赛灵思合作，将进口单片成本降至2000元，配给主机厂做L2套件。
从经济角度讲，FPGA具备“暂时性”替代ASIC芯片地位，可弥补ASIC长研发周期、流片周期的时间缺口，是目前少有能兼顾训练和推理的高性能芯片。然则全球仅四家公司具备FPGA的生产能力：Xilinx（美）、Altera（被intel收购）、Lattice（美）、Microsemi，先有英特尔、IBM、德州仪器，再有摩托罗拉、飞利浦、东芝等公司成立独立部门投入FPGA研发，均无疾而终。
ASIC（专用集成电路），研发-流片周期长，成本却可降至FPGA十分之一水平。Google独家技术的TPU（张量处理器）及英伟达DLA（Deep Learning Accelerator，深度学习加速器）即采用ASIC技术路线。国内华为海思、寒武纪、比特大陆、嘉楠智耘等几大芯片厂商，主要产品同样采用该技术路线，目前已实现一定规模的量产。相比FPGA这类刚刚起步的技术路线，ASIC是国内芯片生产商唯一能够在短期获得盈利的半导体产品。
面对残酷的历史教训，传统芯片厂也好，新晋半导体设计公司也好，量产推理端芯片，ASIC是最优解。
3
云端训练
AI芯片的供需主要分为两类：云端训练，终端推理。
AI训练阶端，主流云端训练采用GPU + CPU、FPGA + CPU等形式。Google则采用自研TPU（一种ASIC）+ CPU。
刚刚提到，云端GPU英伟达一家独大，市场近乎垄断，国产翻身很难。是因为GPU在并行计算方面具有天然优势。而FPGA的定制化能够补足GPU的部分劣势。普华永道预测，云端芯片中FPGA将与GPU共存很长一段时间。
由于云端训练芯片的研发投入大、流产风险高，国内仅有少数公司能够进入该领域。目前有，华为海思腾系列（SoC），阿里含光，依图QuestCore，燧原，景嘉微（GPU）等。
华为腾系列：
2018年10月10日，华为正式在2018全联接大会上发布腾310和腾910两款AI芯片。腾系列可以看做华为AI芯片的拼图，这张拼图一共5块：Max，Mini，Lite，Tiny和Nano。腾910属于Max那块，一经发布就直奔310W的TDP，算力达256TFOPS。华为自称910是目前单芯片计算密度最大的芯片，计算力甚至远超谷歌（TPU）及英伟达（GPU）。
而腾310占据Mini板块，最大功耗仅8W，是极致高效计算低功耗AI芯片，用于推理端。推理端芯片之后会讲到。
时至2019年8月23日，腾910（Ascend 910）的商用版本才在深圳正式发布。
关于腾910的性能，徐直军表示，腾910技术表现超预期，配合MindSpore（华为推出的自主可控的AI计算平台），在ResNet50网络的训练中，效果超现有主流训练单卡配合TensorFlow两倍提升之多。
面对腾强大性能，「互联网周刊」甚至在《2019人工智能服务器TOP25》榜单中把该系列芯片排在了第一位，而服务器市场占有率超51%的浪潮科技仅仅名列第6。
然而，腾目前最大问题是，来自对于主流AI开发框架的支持程度未知，如TensorFlow、PyTorch等，徐直军在发布会上一直未提及。MindSpore并不一定能完全取代上述几种开源AI框架，这是一个伏笔，华为想把MindSpore做出成绩来尚需一段时间。
整体来看，腾910已经准备好了进入商业化初期阶段，对于自主可控要求较高的云服务商、AI服务商值得期待下。
以上这些AI训练芯片并非无懈可击。其入市前遇到的矛盾甚至比腾910还多，普遍缺少类似Nvidia公司CUDA软件层，所以还是那个观点：在推出稳定的开发接口上，培养足够量级的开发者仍有待时日。
腾910首次亮相披露的合作伙伴有四维图新、用友网络、浪潮信息、长亮科技、超图软件、东方通、东方国信、华宇软件等。
国产GPU景嘉微：
11月28日，国产GPU厂商景嘉微与国内高性能计算机厂商长城科技签署了10万块GPU采购协议（拟采购）。
景嘉微，可能很多人不太了解，甚至都没听说过，A股股民一定熟悉：这是国内唯一一家上市、并能够生产自主可控的图形显示卡制造商。
近年，景嘉微先后推出的JM5400、JM7200型号显卡整体带动国产GPU实力提升一大截。刚刚说的10万块采购协议，便是最新型号JM7200显卡。
此前有消息称，景嘉微将于2020年也就是明年将推出JM9系列显卡，有网络媒体把这块显卡参数与英伟达产品线的产品进行对比，发现JM9系列堪比同等性能、功耗更低的GTX1080。
回到供货长城一事。此前，景嘉微业务限制于军工、航天，并无介入商用、消费市常甚至这几公司的2018年报显示，全年应收账款的86.06%来自中航工业。
目前来看，景嘉微业务线可能会在2019年发生转变。先是国产芯片市场的缺口越裂越大，然后是供货长城一事。尤其在国内相关科技公司被美国列入出口管制实体名单后，云计算芯片国产替代需求大增，JM系列虽然和英伟达技术差距4、5年，但自主可控的缺口已到来，供不应求，明年的JM9系列很有潜力进入商用云计算领域，或是与国产CPU一同出现在政务办公整机、工控机、高端机床等。
燧原科技：
燧原科技是少有自主研发云端AI芯片的初创企业。这里说它初创，一是公司成立时间短，二是采用的芯片架构非常新（DTU），没有得到市场验证。
2019年12月，燧原科技发布两款训练卡：T10，T11。两张卡搭载燧原自研芯片“邃思”，最大功耗分别是225W及300W。其中云端训练卡T10半精度及混合精度下算力达80TFLOPS。
燧原从成立到两款板卡推出，时间上仅用了21个月，按照公司发布会上的说法，T10、T11将在2020年第一季度出货。届时，市场反馈值得期待。
数据显示，燧原COO张亚林持股27.4%，CEO赵立东对等持股27.4%，而背后另一大股东是来自互联网巨头：腾讯（23.2%）。此外，曾带头做出国内第一颗移动高速存储芯片、兆易创新创始人朱一明也通过投资关系占股0.35%。
外界猜测，按照创始人前职务来看，邃思大概率采用内置CPU、GPU、NPU等模块的融合型异构框架，这也是AMD最具代表性的处理器技术路线之一（APU）。总之，值得期待。
4
终端推理
推理端芯片近乎空白。
根据移动互联网发展经验，消费电子、基础设施等推理端产品的芯片需求量及增长速度将远超训练端市常而刚刚提到的GPU芯片并不适用推理。
无论是中国还是美国，AI推理芯片的发展仍处于早期。
广证恒生分析师认为，AI芯片竞争格局未定，即便在云端AI芯片英伟达一家独大的情况下，国产边缘端（推理）芯片，国产化有广阔的应用场景和市场空间。
在此基础上，多家不同技术路线的AI芯片厂商涌现。
首先是FPGA。国产FPGA并不是没有公司做，而是大多和军工、卫星项目挂钩，难以供给民用端。存储芯片龙头紫光国徽，分支业务线中也推出了国内较为稀缺的自主可控FPGA，并计划2020年推出28nm制程的相关产品。华微电子研制出国内首个自主可控的宇航用FPGA芯片，目前被报道是华为二级供应商。
FGPA技术路线具有几大特点：性价比，低功耗，可编程。通过定制，可以适应深度学习、机器学习等在云端做的模型训练。但横向来看，国内外利用FGPA的部署AI服务器的量还不能与GPU相提并论，主要原因就是：太贵。
开发框架也没有开源，IP闭锁。FGPA是一种趋势，未来BAT或许会更多采用FGPA集成AI算法。CPU头部的英特尔最先注意到现阶段FGPA与GPU的差距，急忙忙一连收购了多家FPGA创业公司。
IoT也好，AIoT也好，单纯做推理，搭载ASIC是不错的选择。根据不同需求，衍生两条思路：IoT网联后做边缘运算，搭载于边缘服务器；或直接搭载于终端设备。这里值得强调：由于数据隐私，ASIC暂无法被云端推理+5G取代。
嘉楠耘智就是一家ASIC芯片设计公司。嘉楠创办初期，2014年成功量产55nm芯片、2015年28nm、2016年16nm，2018年直接突破7nm。流片良品率放在一边，单纯看7nm工艺，不得不说里面的噱头占比较高。例如，最高每秒50TH算力、主机大小的阿瓦隆1066矿机中塞下了342枚16nm制程A3205芯片。工艺难度越高、集成电路体积越小的流片，即便良品率变低，成本仍在可接受范围。所以，芯片做小非常讨巧。只不过2018年嘉楠7nm概念被疯炒后又被实锤，为嘉楠当时的赴美上市计划带来了负面影响。直到2019年下半年，区块链概念才被普遍关注，嘉楠逮住机会再次赴美上市、拿下了国产“区块链+AI+芯片”第一股的称号。
嘉楠耘智转向AI芯片的动因很简单：比特币挖矿的生意越来越难做。2017到2018年，嘉楠靠出售矿机营收增幅106%，而净利润逆势下滑67.4%，截至2018年6月30日的6个月里，嘉楠的总收入为19.471亿元人民币；但在截至2019年6月30日的6个月里，嘉楠的总收入仅为2.888亿元人民币(合4210万美元)，降幅为85.2%。
到了2019年，伴随着比特币10万元神话跌落，嘉楠矿机的毛利润率又一次被腰斩。
挖矿潮退烧，嘉楠需另寻出路。
此消彼长。嘉楠沿袭制造矿机的思路，拟量产适用于边缘计算服务器的勘智K210等系列ASIC芯片。按照目前能够找到的资料显示，这块指甲盖大小的芯片能够在定制版卡上流畅地跑人脸识别算法。
拼条命去搭的人工智能市场的首班车。嘉楠在招股书里不断强调勘智K210的各种优点，并提及另一款名为K510的芯片将于2020问世。当然，K系列芯片有没有人买单就是另一回事了，至少嘉楠是少量拥有完整制造ASIC经验的IC设计厂商之一。
为产品可靠性考虑，目前主流的视频、语音推理端芯片还仍围绕ARM、英伟达Xavier（SoC）、海思。这里提一下华为海思，虽然在业内，海思多款芯片被各路吐槽、贴吧论坛里流传着各路黑，但不管怎么说海思是目前能够唯一一家能覆盖视频处理、手机、显示器、机顶盒等基本生活家电的芯片厂，我们有理由相信，海思的产品更适合中国市场，并且上下游供应链成熟，稳定供货有底气。
定义上讲，寒武纪科技是全球第一个成功流片并拥有成熟产品的AI芯片公司，2016做起了推理端AI处理器IP和云端AI加速卡两条产品线。
2016年，寒武纪发布了首款10nm工艺的1A处理器(Campicon-1A)，当时这款芯片反响很大，特别是因为2016年，10nm工艺刚刚进入工业市场，台积电刚刚宣布能够支持10nm工艺，这家初创公司便向台积电下放了订单，并在2018流片成功。在芯片发布同时，寒武纪给出了完整配套开发环境：Campicon NeuWare SDK。
2017年，华为麒麟970搭载寒武纪NPU上线。与华为合作的招牌成功为寒武纪带来巨额热钱，公司在2017、2018之间不足一年的时间里，依靠两次上亿元美金的投资，估值直接飙升至25亿美金。相比同时期成立的AI芯片设计商，寒武纪在还没有对等的实际收入前提下，已经在资本市场占有一席。
5
底层重建 or 拥抱全球分工？
一种关于未来趋势的说法是，技术领域将逐步走向两个平行系统，一方面多多少少倚靠美国，一方面完全摆脱美国。后者里面，台积电（TSMC）和ARM便是很好案例。
而一些AI细分领域，如智能语音，国内的全志、海思、Amlogic（晶晨半导体）等已处于领先地位。
然而，一项产业的建设一日建成是不可能的。以国产数据库为例，前不久，一家国产数据库厂商的高管表示，即便企业不用Hadoop一类软件，主流国产数据库的代码量还只是几千万行量级，Oracle几年前就达到了1亿行，追是可以追，但追上还要花“点”时间。
想想几年前阿里提出的“去IOE”化，实现难度并不是一家企业、集团能够赤手一搏的。国产芯替代的进程也注定不会顺风顺水。另外一些矛盾在于，企业为生存为利润会更愿拥抱全球分工。半导体产业的国产化，大量底层技术的起步无异于重建，投入与资本风险不能小觑。
所以，是从最底层开始重建一遍，还是继续拥抱全球分工？
如果以当前世界芯片格局来看，中国大概率会从今年起，通过刺激资本，将技术流向转移到以芯片制造业为主导的产业推进。什么是供给侧改革？这便是。
历史上，每一代半导体新巨头和新兴地区的出现都伴随着终端迁移：PC市场成就了英特尔；移动市场成就了ARM、高通、三星、台积电；而在AIoT的普及趋势中，中国IC厂商很可能脱颖而出。眼下，已是AI公司、芯片公司创业和发展最旺盛的时期，而全球范围来看，中国已经是传统产业智能化需求最旺盛的市常
2019，可以说是国产半导体产业转折性的一年。截至发稿，中证全指半导体指数半年涨幅超98%，动态市盈率（TTM）超85。国联安半导体基金指数也已经在2019后半年与沪深300指数拉开明显差距。
眼下，以AI芯片为导向的半导体产业路线逐渐明晰，而背后的芯片代工及封测等工艺接收到订单需求也逐渐增多，或许在未来10年，我们可以看到一批在AI市场中幸存下来的独角兽，也或许可以亲眼目睹半导体基础技术的飞速发展。
本文章为TechWeb作者独立观点，不代表任何投资立常
作者：胥涛
邮箱：xuyintao@techweb.com.cn
参考文章：
1，《从中美投资差异看国内人工智能产业发展趋势》，广证恒生，魏也娜。
2，《2019人工智能未来企业排行榜》，互联网周刊。
3，《芯事：一本书读懂芯片产业》，谢志峰，陈大明。
4，《AI芯片市场正快速起航，国内边缘芯片面临更大机遇》，平安证券，闫磊。
5，《长沙景嘉微电子股份有限公司2019年半年度报告》，巨潮资讯。
