国产芯片押注AI潮
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｜胥崟涛
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，华为海思昇腾系列（SoC），阿里含光，依图QuestCore，燧原，景嘉微（GPU）等。
华为昇腾系列：
2018年10月10日，华为正式在2018全联接大会上发布昇腾310和昇腾910两款AI芯片。昇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。昇腾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）。
而昇腾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，昇腾910（Ascend 910）的商用版本才在深圳正式发布。
关于昇腾910的性能，徐直军表示，昇腾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。
面对昇腾强大性能，「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，昇腾目前最大问题是，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，昇腾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昇腾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。
昇腾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、消费市场。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场。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(Cambricon-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：Cambricon 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场。
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，不代表任何投资立场。
作者：胥崟涛
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。