人工智能芯片产业深度研究报告

经历了 60 多年的起起伏伏之后，人工智能终于迎来了第三次爆发。第三次爆发的核心引爆点是深度学习算法的出现，但其背后的支撑是数据和算力。

2019年AI芯片产业深度研究报告

一、人工智能芯片发展现状及趋势

1、深度学习算法对芯片要求更为苛刻，通用 CPU 性价比相对较差

经历了 60 多年的起起伏伏之后，人工智能终于迎来了第三次爆发。第三次爆发的核心引爆点是深度学习算法的出现，但其背后的支撑是数据和算力。对整个 AI 行业来讲，算法、数据和算力三大基本要素中，数据尤其是海量数据的获取和处理难度在下降，算法也在深度学习模型的基础上不断优化，而负责将数据和深度算法统一协调起来的芯片能否获得大的飞跃，成为市场关注的焦点。

2019年AI芯片产业深度研究报告

2019年AI芯片产业深度研究报告

深度学习算法对芯片性能需求主要表现在三个方面：一、海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备强大的缓存和片上存储能力，而且还需要计算和存储单元之间有较大的通信带宽。二、专用计算能力需求高。深度学习算法中有大量卷积、残差网络、全连接等特殊计算需要处理，还需要提升运算速度，降低功耗。三、海量数据自身处理同样也对芯片提出了新的要求，尤其是非结构化数据的增多，对传统芯片结构造成了较大的压力。

通用 CPU 在深度学习中可用但效率较低。比如在图像处理领域，主要用到的是 CNN（卷积神经网络），在自然语言识别、语音处理等领域，主要用到的是 RNN（循环神经网络），虽然这两种算法模型有着较大的区别，但本质上都是向量和矩阵运算，主要是加法和乘法，辅助一些除法和指数运算。传统 CPU 可用于做上述运算，但是 CPU 还有大量的计算逻辑控制单元，这些单元在 AI 计算中是用不上的，造成了 CPU 在 AI 计算中的性价比较低。

2019年AI芯片产业深度研究报告

2、GPU、FPGA 以及 ASIC 各有优劣，成为当前 AI 芯片行业的主流

正因为 CPU 在 AI 计算上的弱点，给了可以实现海量并行计算且能够对进行计算加速的 AI 芯片留下了市场空间。从广义上讲，面向 AI 计算的芯片都可以称为 AI 芯片，包括基于传统架构的 GPU、FPGA以及 ASIC（专用芯片），也包括正在研究但离商用还有较大差距的类脑芯片、可重构 AI 芯片等。

云端训练芯片市场较为集中，而推理市场云、边两端均有大量企业参与

按照部署位置划分，AI 芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端 AI 芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积孝耗电低，性能要求略低，一般只需具备一两种 AI 能力。

按照承担的任务分，AI 芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练；推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。

综合来看，训练芯片由于对算力的特殊要求，只适合在云端部署，而且多采用的是“CPU 加速芯片”类似的异构模式，加速芯片可以是 GPU，也可以是 FPGA 或者是 ASIC 专用芯片。AI 训练芯片市场集中度高，英伟达和谷歌领先，英特尔和 AMD 正在积极切入。推理在云端和终端都可进行，市场门槛相对较低，市场参与者较多。云端推理芯片除了传统的英伟达、谷歌、赛灵思等芯片大厂外，Groq等国际新兴力量也在加入竞争，国内寒武纪、比特大陆也有不错表现；终端推理芯片市场较为分散，场景各异，参与者除了英伟达、英特尔、ARM 和高通之外，国内企业如寒武纪、地平线、云知声、云天励飞等在各自细分领域均有所建树。

2019年AI芯片产业深度研究报告

2019年AI芯片产业深度研究报告

GPU 擅长云端训练，但需与 CPU 异构、功耗高且推理效率一般

GPU（Graphics Processing Unit）是一种由大量核心组成的大规模并行计算架构，专为同时处理多重任务而设计的芯片。正是由于其具备良好的矩阵计算能力和并行计算优势，最早被用于 AI 计算，并在云端获得大量应用。GPU 中超过 80%部分为运算单元（ALU），而 CPU 仅有 20%，因此 GPU更擅长于大规模并行运算。以英伟达的 GPU TITAN X 为例，该产品在深度学习中所需训练时间只有CPU 的 1/10 不到。但 GPU 用于云端训练也有短板，GPU 需要同 CPU 进行异构，通过 CPU 调用才能工作，而且本身功耗非常高。同时，GPU 在推理方面需要对单项输入进行处理时，并行计算的优势未必能够得到很好的发挥，会出现较多的资源浪费。

2019年AI芯片产业深度研究报告

CPU与GPU架构对比

2019年AI芯片产业深度研究报告

FPGA 芯片算力强、灵活度高，但技术难度大国内差距较为明显

FPGA（Field-Programmable Gate Array）即现场可编程门阵列，该芯片集成了大量的基本门电路以及存储器，其灵活性介于 CPU、GPU 等通用处理器和专用集成电路 ASIC 之间，在硬件固定之前，允许使用者灵活使用软件进行编程。FPGA 在出厂时是“万能芯片”，用户可根据自身需求，用硬件描述语言对 FPGA 的硬件电路进行设计；每完成一次烧录，FPGA 内部的硬件电路就有了确定的连接方式，具有了一定的功能；输入的数据只需要依次经过各个门电路，就可以得到输出结果。

FPGA 应用于 AI 有以下优势：

（1）算力强劲。由于 FPGA 可以同时进行数据并行和任务并行计算，在处理特定应用时效果更加明显，对于某一个特定的运算，FPGA 可以通过编辑重组电路，生成专用电路，大幅压缩计算周期。从赛灵思推出的 FPGA 产品看，其吞吐量和时延指标都好于 CPU 和 GPU 产品。

（2）功耗优势明显。FPGA 能耗比是CPU的10倍以上、GPU的3倍。由于在 FPGA 中没有取指令与指令译码操作，没有这部分功耗；而在复杂指令集（X86）的 CPU 中仅仅译码就占整个芯片能耗的约 50%，在 GPU 里取指与译码也会消耗 10%至 20%的能耗。

（3）灵活性好。使用通用处理器或 ASIC 难以实现的下层硬件控制操作技术，利用 FPGA 可以很方便的实现，从而为算法的功能实现和优化留出了更大空间。

（4）成本相对 ASIC 具备一定优势。FPGA 一次性成本（光刻掩模制作成本）远低于 ASIC，在芯片需求还未成规模、深度学习算法暂未稳定需要不断迭代改进的情况下，利用具备可重构特性的FPGA 芯片来实现半定制的人工智能芯片是最佳选择。

正因为存在上述优势，FPGA 被广泛用于 AI 云端和终端的推理。国外包括亚马逊、微软都推出了基于 FPGA 的云计算服务，而国内包括云、阿里云均在 2017 年推出了基于 FPGA 的服务，百度大脑也使用了 FPGA 芯片。

从市场格局上看，全球 FPGA 长期被 Xilinx（赛灵思）、Intel（英特尔）、Lattice（莱迪思）、Microsemi（美高森美）四大巨头垄断。其中，赛灵思和英特尔合计占到市场的 90%左右，赛灵思的市场份额超过 50%，国内厂商刚刚起步，差距较大。

2019年AI芯片产业深度研究报告

2019年AI芯片产业深度研究报告

专用芯片（ASIC）深度学习算法加速应用增多，可提供更高能效表现和计算效率

ASIC（Application Specific Integrated Circuits），即专用芯片，是一种为特定目的、面向特定用户需求设计的定制芯片，具备性能更强、体积孝功耗低、可靠性更高等优点。在大规模量产的情况下，还具备成本低的特点。

ASIC 与 GPU、FPGA 不同，GPU、FPGA 除了是一种技术路线之外，还是实实在在的确定产品，而 ASIC 只是一种技术路线或者方案，其呈现出的最终形态与功能也是多种多样的。近年来，越来越多的公司开始采用 ASIC 芯片进行深度学习算法加速，其中表现最为突出的 ASIC 就是 Google 的TPU（张量处理芯片）。

TPU 是谷歌为提升 AI 计算能力同时大幅降低功耗而专门设计的芯片。该芯片正式发布于 2016 年 5月。TPU 之所以称为 AI 专用芯片，是因为它是专门针对 TensorFlow 等机器学习平台而打造，该芯片可以在相同时间内处理更复杂、更强大的机器学习模型。谷歌通过数据中心测试显示，TPU 平均比当时的 GPU 或 CPU 快 15-30 倍，性能功耗比（TFOPS/Watt）高出约 30-80 倍。

但是，ASIC 一旦制造完成以后就不能修改了，且研发周期较长、商业应用风险较大，目前只有大企业或背靠大企业的团队愿意投入到它的完整开发中。国外主要是谷歌在主导，国内企业寒武纪开发的 Campicon 系列处理器也广泛受到关注。其中，华为海思的麒麟 980 处理器所搭载的 NPU 就是寒武纪的处理器 IP。

2019年AI芯片产业深度研究报告

2019年AI芯片产业深度研究报告

3、短期内 GPU 仍将是 AI 芯片主导，长期看三大技术路线将呈现并行态势

短期内 GPU 仍将主导 AI 芯片市场，FPGA 的使用将更为广泛

GPU 短期将延续 AI 芯片的领导地位。GPU 作为市场上 AI 计算最成熟、应用最广泛的通用型芯片，应用潜力较大。凭借其强大的计算能力、较高的通用性，GPU 将继续占领 AI 芯片的主要市场份额。

当前，两大 GPU 厂商都还在不断升级架构并推出新品，深度学习性能提升明显，未来应用的场景将更为丰富。英伟达凭借着其在矩阵运算上的优势，率先推出了专为深度学习优化的 Pascal GPU，而且针对 GPU 在深度学习上的短板，2018 年推出了 Volta 架构，正在完成加速-运算-AI 构建的闭环；AMD 针对深度学习，2018 年推出 Radeon Instinct 系列，未来将应用于数据中心、超算等 AI 基础设施上。我们预计，在效率和场景应用要求大幅提升之前，作为数据中心和大型计算力支撑的主力军，GPU 仍具有很大的优势。

2019年AI芯片产业深度研究报告

FPGA 是短期内 AI 芯片市场上的重要增长点，FPGA 的最大优势在于可编程带来的配置灵活性，在当前技术与运用都在快速更迭的时期，FPGA 具有明显的实用性。企业通过 FPGA 可以有效降低研发调试成本，提高市场响应能力，推出差异化产品。在专业芯片发展得足够完善之前，FPGA 是最好的过渡产品，正因为如此，科技巨头纷纷布局云计算 FPGA 的平台。随着 FPGA 的开发者生态逐渐丰富，适用的编程语言增加，FPGA 运用会更加广泛。因此短期内，FPGA 作为兼顾效率和灵活性的硬件选择仍将是热点所在。

长期来看 GPU、FPGA 以及 ASIC 三大类技术路线将并存

GPU 主要方向是高级复杂算法和通用型人工智能平台。（1）高端复杂算法实现方向。由于 GPU 本身就具备高性能计算优势，同时对于指令的逻辑控制上可以做的更复杂，在面向复杂 AI 计算的应用方面具有较大优势。（2）通用型的人工智能平台方向。GPU 由于通用性强，性能较高，可以应用于大型人工智能平台够高效地完成不同种类的调用需求。

FPGA 未来在垂直行业有着较大的空间。由于在灵活性方面的优势，FPGA 对于部分市场变化迅速的行业最为实用。同时，FPGA 的高端器件中也可以逐渐增加 DSP、ARM 核等高级模块，以实现较为复杂的算法。随着 FPGA 应用生态的逐步成熟，FPGA 的优势也会逐渐为更多用户所认可，并得以广泛应用。

ASIC 长远来看非常适用于人工智能，尤其是应对未来爆发的面向应用场景的定制化芯片需求。ASIC的潜力体现在，AI 算法厂商有望通过算法嵌入切入该领域，以进入如安防、智能驾驶等场景。由于其具备高性能低消耗的特点，可以基于多个人工智能算法进行定制，以应对不同的场景，未来在训练和推理市场上都有较大空间。

4、国内外 AI 芯片市场需求将保持较快增长势头，云端、边缘均具备潜力

近年来，伴随着全球 AI 产业的快速增长，AI 芯片需求大幅上升。按照 Gartner 最新数据，2018 年全球 AI 芯片市场规模达到 42.7 亿美元。未来几年，全球各大芯片企业、互联网巨头、初创企业都将在该市场上进行角逐，预计到 2023 年全球市场规模将达到 323 亿美元。未来五年（2019-2023年）平均增速约为 50%，其中数据中心、个人终端、物联网芯片均是增长的重点。

2019年AI芯片产业深度研究报告

相比之下中金公司研究部公布的一组数据则更为乐观，该数据显示，2017年，整体AI芯片市场规模达到62.7亿美元，其中云端训练AI芯片20.2亿美元，云端推理芯片3.4亿美元，边缘计算AI芯片39.1亿美元；到2022年，整体AI芯片市场规模将会达到596.2亿美元，CAGR57%，其中云端训练AI芯片172.1亿美元，CAGR 53.5%，云端推断芯片71.9亿美元，CAGR 84.1%，边缘计算AI芯片352.2亿美元，CAGR 55.2%。

2019年AI芯片产业深度研究报告

国内人工智能芯片行业发展仍处在起步阶段。长期以来，我国在 CPU、GPU 和 DSP 设计上一直处于追赶状态，绝大多数芯片依靠国外的 IP 核进行设计，自主创新能力不足。但我们也看到，国内人工智能产业的快速发展，也为国内芯片产业实现换道超车创造了机会。由于国内外在芯片生态上并未形成垄断，国内芯片设计厂商尤其是专用芯片设计厂商，同国外竞争对手还处在同一起跑线上。

目前国内人工智能芯片市场呈现出百花齐放的态势。AI 芯片的应用领域广泛分布在金融证券、商品推荐、安防、消费机器人、智能驾驶、智能家居等众多领域，催生了大量的人工智能创业企业，如地平线、深鉴科技、寒武纪、云知声、云天励飞等。我们认为，未来随着国内人工智能市场的快速发展，生态建设的完善，国内 AI 芯片企业将有着更大的发展空间，未来 5 年的市场规模增速将超过全球平均水平。

二、 AI 芯片主要应用场景

1、数据中心（云端）

数据中心是 AI 训练芯片应用的最主要场景，主要涉及芯片是 GPU 和专用芯片（ASIC）。如前所述，GPU 在云端训练过程中得到广泛应用。目前，全球主流的硬件平台都在使用英伟达的 GPU 进行加速，AMD 也在积极参与。亚马逊网络服务 AWS EC2、Google Cloud Engine（GCE）、IBM Softlayer、Hetzner、Paperspace 、LeaderGPU、阿里云、平安云等计算平台都使用了英伟达的 GPU 产品提供深度学习算法训练服务。

2019年AI芯片产业深度研究报告

在云端推理市场上，由于芯片更加贴近应用，市场更多关注的是响应时间，需求也更加的细分。除了主流的 CPU GPU 异构之外，还可通过 CPU FPGA/ASIC 进行异构。目前英伟达在该市场依然保持着领军位置。主要原因是：GPU强大的并行计算能力（相比CPU）、通用性以及成熟的开发环境。但是GPU也并非是完美无缺的解决方案，明显的缺点如：高能耗以及高昂的价格。

相比之下，FPGA的低延迟、低功耗、可编程性优势（适用于传感器数据预处理工作以及小型开发试错升级迭代阶段）和 ASIC 的特定优化和效能优势（适用于在确定性执行模型）也正在凸显，赛灵思、谷歌、Wave Computing、Groq、寒武纪、比特大陆等企业市场空间也在扩大。

2019年AI芯片产业深度研究报告

来自IDC和Gartner的数据也显示，全球AI服务器及AI芯片市场规模自2016年到2020年都将保持持续的高速增长，而与此同时全球云端AI芯片当中GPU的市场份额呈现出持续下滑的趋势，预计到2022年云端训练GPU占比将降至60%，云端推理GPU占比更是只有30%。

2、移动终端

智能手机在经历了近10年的高速增长后，市场已趋于饱和，出货增速趋近于0，行业逐渐转为存量市常近年来，一批国产厂商在产品质量上逐渐达到了第一梯队的水平，进一步加剧了头部市场的竞争。为实现差异化竞争，各厂商加大手机AI功能的开发，通过在手机SoC芯片中加入AI引擎，调配现有计算单元来实现AI计算，或者直接加入AI协处理器，实现在低功耗情况下AI功能的高效运行。

随着未来竞争进一步加剧，以及产量上升所带来的成本下降，预计AI芯片将会进一步渗透进入到中等机型市场，市场空间广阔。移动端AI芯片市场不止于智能手机，潜在市场还包括：智能手环/手表、VR/AR眼镜等市常AI芯片在图像及语音方面的能力可能会带来未来人机交互方式的改变并进一步提升显示屏、摄像头的能力，有可能在未来改变移动端产品。

以往通过云数据中心做手机端AI推理任务面临网络带宽延迟瓶颈的问题，严重影响用户使用体验，而CPU适合逻辑运算，但并不适合AI并行运算任务，目前市场上流行在SoC中增加协处理器或专用加速单元来执行AI任务。以智能手机为代表的移动互联网终端是一个多传感器融合的综合数据处理平台，AI芯片需要具备通用性，能够处理多类型任务能力。由于移动终端依靠电池驱动，而受制于电池仓大小和电池能量密度限制，芯片设计在追求算力的同时对功耗有着严格的限制，可以开发专用的ASIC芯片或者是使用功耗较低的DSP作为AI处理单元。

2019年AI芯片产业深度研究报告

目前手机芯片市场存在以下情况：1）、AI应用场景、功能有限；2）、AI芯片厂商一般向SoC厂提供IP并收取授权费，需要AI-IP与整块SoC进行良好的匹配，而创业公司缺少与SoC厂商合作经验；3）、传统手机SoC厂商和IP厂商都在开发自己的AI加速器，传统IP巨头可以采取IP打包销售的方式推广其AI-IP产品。相比之下新进厂商在成本、功能、产品线、匹配度等都不占优的情况下很难在该领域存活。新进厂商应加强其软件方面优势，并加深与手机厂商合作共同进行手机AI功能开发。

3、自动驾驶

自动驾驶汽车装备了大量的传感器、摄像头、雷达、激光雷达等车辆自主运行需要的部件，每秒都会产生大量的数据，对芯片算力有很高的要求， 但受限于时延及可靠性，有关车辆控制的计算不能再依托云端进行，高算力、快速响应的车辆端人工智能推理芯片必不可少。

2019年AI芯片产业深度研究报告

目前，自动驾驶所使用的芯片主要基于 GPU、FPGA 和 ASIC 三条技术路线。但由于自动驾驶算法仍在快速更迭和进化，因此大多自动驾驶芯片使用 GPU FPGA 的解决方案。未来算法稳定后，ASIC将成为主流。

根据美国汽车工程师协会（SAE）将自动驾驶按照车辆行驶对于系统依赖程度分为L0~L5六个级别，L0为车辆行驶完全依赖驾驶员操纵，L3级以上系统即可在特定情况下实现驾驶员脱手操作，而L5级则是在全场景下车辆行驶完全实现对系统的依赖。目前商业化乘用车车型中仅有Audi A8、Tesla、凯迪拉克等部分车型可实现L2、3级ADAS。预计在2020年左右，随着传感器、车载处理器等产品的进一步完善，将会有更多的L3级车型出现。而L4、5级自动驾驶预计将会率先在封闭园区中的商用车平台上实现应用落地，更广泛的乘用车平台高级别自动驾驶，需要伴随着技术、政策、基础设施建设的进一步完善，预计至少在2025年~2030年以后才会出现在一般道路上。

2019年AI芯片产业深度研究报告

目前汽车电子控制系统是分布式ECU架构，不同的信息娱乐、车身、车辆运动和动力总成系统及其细分功能分别由不同独立的ECU单元进行独立控制，部分高档车型上的ECU数量超过100个。未来随着汽车进入L3级以上的高级别自动驾驶时代，随着车载传感器数量及其所产生的数据量剧增，分布式电子系统难以满足对大量、多元的传感器数据进行高效融合处理，并综合所有传感器数据做出车辆控制决策等一系列操作需求。要满足以上功能需求，汽车电子系统由需要向着域控制器（DCU）、多域控制器（MDC）等集中化方向发展，未来，汽车电子操控系统将会进一步向着集中化、软硬件解耦及平台化方向发展，汽车将会由统一的超算平台对传感器数据进行处理、融合、决策最终实现高级别的自动驾驶功能。

2019年AI芯片产业深度研究报告

伴随人工智能技术在视觉领域的应用，基于视觉技术的自动驾驶方案逐渐变为可能，这需要在传统行车电脑平台上添加用于视觉算法处理的AI芯片。自动驾驶汽车计算单元设计需要考虑算力、功耗体积等问题，出于硬件资源最优化应用，往往采取异构计算平台设计方案，及“CPU XPU”（XPU包括：DSP/GPU/FPGA/ASIC），其中可采取DSP用于图像特征提取任务、GPU/FPGA/ASIC等计算单元用于目标识别、追踪任务等，而CPU则会用于定位、决策等逻辑运算任务。

目前最典型的产品如英伟达的DRIVE PX系列及后续的Xavier、Pegasus等。除硬件计算平台外，英伟达为客户提供配套的软件平台及开放的上层传感器布局和自定义模块使得客户能够根据自身需要进行二次开发，其还为客户提供感知、制图以及行驶策略等解决方案。目前其产品已经被包括ZF、Bosch、Audi、Benz以及Tesla等Tier1s、OEMs厂商及诸多自动驾驶创业公司采用作为其处理器方案所使用。

在全部的边缘计算场景中，用于自动驾驶的计算芯片设计难度最大，这主要体现在：1）算力要求高， L3级以上自动驾驶需要复数种类的传感器实现传感器冗余，包括：6~12颗单目摄像头、3~12台毫米波雷达、5台以内的激光雷达等（不同方案配置侧重不同），因此产生的数据量极大（ 估计L5级一天可产生数据量4000GB），在车辆高速行驶的情况下系统需要能够快速对数据进行处理；2）汽车平台同样是由电池供电，因此对于计算单元功耗有较高的要求，早期计算平台功耗大、产热也较大，对于系统的续航及稳定性都有较大的印象；3）汽车电子需要满足ASIL-D车规级电子产品设计标准，而使自动驾驶所需要的中央处理器达到ASIL-D级设计标准难度更大。

目前自动驾驶市场尚处于发展早期，市场环境不够成熟，但以英伟达、Intel（Mobileye、Altera）等科技巨头为代表的厂商已经投入巨资在该领域开发出了相关的硬件产品及配套软件技术。人工智能芯片创业公司应该加强与OEMs、Tier1或产业联盟合作为其提供AI芯片 软件工具链的全套解决方案。

AI 芯片用于自动驾驶之后，对传统的汽车电子市场冲击较大，传统的汽车电子巨头（恩智浦、英飞凌、意法半导体、瑞萨）虽然在自动驾驶芯片市场有所斩获，但风头远不及英特尔、英伟达、高通甚至是特斯拉。国内初创企业如地平线、眼擎科技、寒武纪也都在积极参与。在自动驾驶芯片领域进展最快以及竞争力最强的是英特尔和英伟达，英特尔强在能耗，英伟达则在算力和算法平台方面优势明显。

英特尔进入自动驾驶芯片市场虽然较晚，但通过一系列大手笔收购确立了其在自动驾驶市场上的龙头地位。2016 年，公司出资 167 亿美元收购了 FPGA 龙头 Altera；2017 年 3 月以 153 亿美元天价收购以色列 ADAS 公司 Mobileye，该公司凭借着 EyeQ 系列芯片占据了全球 ADAS 70%左右的市场，为英特尔切入自动驾驶市场创造了条件。收购完成之后，英特尔形成了完整的自动驾驶云到端的算力方案英特尔凌动/至强 Mobileye EyeQ Altera FPGA。英特尔收购 Mobileye 之后，后者也直接推出了 EyeQ5，支持 L4-L5 自动驾驶，预计在 2020 年量产。

2019年AI芯片产业深度研究报告

英伟达在汽车AI芯片的竞争中不落下风。英伟达在2015年推出了世界首款车载超级计算机Drive PX，紧接着 2016 年推出 Drive PX2，2018 年推出新一代超级计算机 Drive Xavier，同年，基于双 Drive Xavier 芯片针对自动驾驶出租车业务的 Drive PX Pegasu 计算平台面世。2019 CES 上，英伟达推出了全球首款商用 L2 自动驾驶系统 NVIDIA DRIVE AutoPilot。DRIVE AutoPilot 的核心是 Xavier 系统级芯片。该芯片处理器算力高达每秒 30 万亿次，已经投产。

2019年AI芯片产业深度研究报告

4、安防

安防市场是全球及国内 AI 最为确定以及最大的市场，尤其是 AI 中的图像识别和视频处理技术正在全面影响安防产业。其中，在安防产品中，摄像头、交换机、IPC（网络摄像机）、硬盘刻录机、各类服务器等设备都需要芯片，这些芯片也决定了整个安防系统的整体功能、技术指标、能耗以及成本。在安防芯片中，最为关注的还是四类与监控相关的芯片（ISP 芯片、DVR SoC 芯片、IPC SoC芯片、NVR SoC 芯片）。

ISP 芯片(Image Signal Processing，图像信号处理)主要负责对前端摄像头所采集的原始图像信号进行处理；DVR（DigitalVideoRecorder，数字硬盘录像机）SoC 芯片主要用于模拟音视频的数字化、编码压缩与存储；IPC （IP Camera，IP 摄像机）SoC 芯片通常集成了嵌入式处理器（CPU）、图像信号处理（ISP）模块、视音频编码模块、网络接口模块等，具备入侵探测、人数统计、车辆逆行、丢包检测等一些简单的视频分析功能；NVR (Network Video Recorder，网络硬盘录像机) SoC 芯片主要用于视频数据的分析与存储，功能相对单一，但由于多与 IPC 联合使用，市场增长也较快。

通常情况下，安防视频监控模拟摄像机的核心部件包括一颗图像传感器和一颗 ISP 芯片，安防视频监控网络摄像机的核心部件包括一颗图像传感器和一颗 IPC SoC 芯片。单从国内来看，未来国内视频监控行业增速仍将保持 12%-15%左右的水平增长，其中网络监控设备增长更为迅速，相关芯片产品需求十分旺盛。

安防 AI 芯片市场上，除了传统芯片以及安防厂商，还有大量的创业企业在涌入。国外芯片厂商主要有英伟达、英特尔、安霸、TI、索尼、特威、三星、谷歌等；国内厂商主要有海思（华为）、国科微、中星微、北京君正、富瀚微、景嘉微、寒武纪、深鉴科技、云天励飞、中科曙光等。英伟达、英特尔等企业凭借着通用处理器以及物联网解决方案的优势，长期与安防巨头如海康、大华、博世等保持紧密联系；国内寒武纪、地平线、云天励飞等企业，都有 AI 芯片产品面世，海思本身就有安防摄像机 SoC 芯片，在新加入 AI 模块之后，竞争力进一步提升。

2019年AI芯片产业深度研究报告

从安防行业发展的趋势来看，随着 5G 和物联网的快速落地，“云边结合”将是行业最大的趋势，云端芯片国内企业预计很难有所突破，但是边缘侧尤其是视频处理相关 AI 芯片还是有较大潜力，国产化替代将加速。但也看到，AI 芯片离在安防领域实现大规模快速落地仍有距离。除了功耗和算力约束外，工程化难度大也是困扰行业的重要因素，尤其是在安防这种产业链长而高度碎片化的产业，新技术落地需要长时间的积累与打磨，以及人力资源的不断投入。