AI芯片产业研究报告 2024 - 英赛富咨询

AI芯片产业研究报告AI芯片，作为一种专门为人工智能应用设计的高性能微处理器，其主要目的是满足深度学习、机器学习等复杂计算任务的需求。这类芯片能够在有限的时间内处理大量数据，并高效地执行大量并行计算。通过提供强大的计算能力，AI芯片为神经网络的训练和推理提供了基础支持。神经网络的训练和推理。FPGA是可重新配置的硬件，可以专门定制用于特定的AI任务。ASIC是专用AI芯片，能够提供比通AI芯片是由硬件实现的一组图形函数的集合，这些函数主要用于绘制各种图形所需要的运算。这些和像素、光影处理、3D坐标变换等相关的运算由GPU硬件加速来实现。图形运算的特点是大量同类型数据的密集运算——如图形数据的矩阵运算，GPU的微架构就是面向适合于矩阵类型的数值计算而设计的，大量重复设计的计算单元，这类计算可以分成众多独立的数值计算—大量数值运算的线程，而且数据之间没有像程序执行的那种逻辑关联性。AI芯片微架构的设计研发是非常重要的，先进优秀的微架构对实际性能的提升是至关重要的。目前市面上有非常丰富的AI芯片微架构，比如Pascal、Volta、Turing（图灵）、Ampere（安培）、Hopper，分别发布于2016年、2017年、2018年、2020年、2022年，代表着英伟达GPU的最高工艺GPU微架构的运算部份由流处理器(StreamProcessor，SP)、纹理单元（Texturemappingunit,TMU)、张量单元（TensorCore）、光线追踪单元（RTCores）、光栅化处理单元（ROPs）组成。这些运算单元中、张量单元、光线追踪单元由NVIDIA在伏特/图灵微架构引入。Nvidia不同架构AI芯片性能对比如下：（一）“云-边-端”协同应用框架如图4所示，AI芯片应用已形成规范的“云-边-端”协同应用场景框架，可分为云计算层、边缘层、终端层3个层面。云计算层主要承载云端训练和云端推理任务，包括智能数据分析、模型训练任务等。边缘计算层负责范围内的数据计算和存储工作；同时负责将连续数据汇总至计算层，最终由云计算层完成分析挖掘、数据共享工作，下发结果或模型至边缘和终端层。终端层主要承担推理任务，包括数据收集、环境感知、人机交互以及部分推理决策控制任务等。（二）不同场景AI芯片需求按照“云-边-端”应用场景框架，不同层面芯片性能需求、特性需求差异显著。云端芯片具有高吞吐率、高处理能力、高精度、低时延、可扩展、高内存高带宽的特性。边缘端芯片性能、稳定性、扩展性均在云端芯片和终端芯片之间。终端芯片具有体积小、低时延、低能耗、低成本、高安全性的特性。国外玩家主要为Intel、Nvidia和AMD三家。云端芯片主要厂商为英伟达（Nvidia）、超威（AMD），其主要产品分别为Tesla、Instinct；终端芯片包括集成芯片和独立芯片两大类别，主要厂商为英特尔（Intel）、英伟达（Nvidia）、系列、AMDRadeon系列。AI芯片市场份额如下图6所示，海光通用处理器(CPU)和海光8000系列。海光8100,典型运算类型包括双精工艺，典型应用场景下性能指标可以达到国际同类型高端产注于人工智能芯片产品人工智能领域云端算力中央处理器、图形处理器、芯片组三大核心技算处理器，7m先进工艺，GDDRG高性能显存，256TOPS子发以及配套软件生态构程、240亿晶体管，2.5DColoS扑完全自主研发的GPUIP,异构计算和各种高性能于科学计算及Al训练，以及MXG系列GPU(曦彩)用于图形高性能通用计算平台的Goldwasser-XL:INT8算力512T0研发设计全功能GPU芯WTTS80:消费级游戏显卡，“春晓”芯片核心，内置4096体高性能通用加速芯片和子产品主要涉及图形显控JMP系列图形处理芯片已完成流片、封装阶段工作及初步测存储芯片、总线接口芯高性能图形处理芯片SG6931:国产化自主可控PCI-E图形处体平台、嵌入式显示和GP先进制程芯片和高性能五、IT行业市场主流AI芯片对比SS/宽（二）国内主流AI芯片对比TOPS）(单位：---------8-------------TOPS）(单位：体-----------------------------体--------5---六、当前AI芯片发展问题工智能赋能实体经济进入深水区，企业通常面临数据资源有限、（一）云端计算进入高性能计算时代，大模型训练仍以进行并行训练，提升模型训练效率；二，ASIC的算力与功耗虽（二）模型小型化技术逐步成熟，从训练走向推边、