2017年中国人工智能行业发展现状分析及未来发展前景预测【图】

    1、人工智能市场热度不断提高

    人工智能初创企业的数量在这两年呈现了爆发式的增长。到 2016 年增长到了 389 家，一直保持着两位数的增长。人工智能企业的融资额，到 2016 年发展到了 50 亿美元；人工智能企业的并购数量在 2016 年达到了 85 家；而人工智能企业的股权融资数量达到了 658 家，人工智能市场热度不断提升。

人工智能初创企业数量

数据来源：公开资料、智研咨询整理

人工智能企业的融资额

数据来源：公开资料、智研咨询整理

人工智能企业并购数量

数据来源：公开资料、智研咨询整理

人工智能企业的股权融资数量

数据来源：公开资料、智研咨询整理

    相关报告：智研咨询发布的《2017-2023年中国人工智能市场分析预测及市场前景预测报告》

    2、CPU、GPU 难以满足深度学习计算任务，AI 芯片应运而生

    首届“青城山中国 IC 生态高峰论坛” 上，魏少军教授发表了题为《人工智能大潮中的芯片发展思路》的主题演讲，教授认为：人工智能主要分为三个层次：第一个层次叫应用，第二个层次是方法，第三个层次是工具。从芯片的角度来说，显然归属于工具。中国有一句古话，叫做“工欲善其事，必先利其器”。魏少军教授认为，智能芯片是人工智能的根本。

    深度学习不仅在传统的语音识别、图像识别、搜索/推荐引擎、计算广告等领域证明了其划时代的价值，也引爆了整个人工智能生态向更大的领域延伸。由于深度学习的训练（training）和推断（inference）均需要大量的计算，人工智能界正在面临前所未有的算力挑战，而其始作俑者，是摩尔定律的失效。

    由于结构所限，CPU 性能近年来未能呈现如摩尔定律预测的定期翻倍。当前 CPU 解决深度学习任务，成本高、效率低。例如：2012年吴恩达在领导的 Google Brain 的猫脸识别项目建立的神经网络内部有 10 亿个节点，总共动用了 1.6 万个 CPU，耗时长达 7 天；Labropoulos博士在 Nextplatform 文章中指出，当前深度学习的训练在小的计算机集群中需要花费数周及上月的时间。由于 DNN 处理时需要对海量数据进行大规模并行计算，传统

    CPU 在进行深度学习计算需要花费大量时间和能耗、占用大量硬件资源，因此具有数量众多计算单元和超长流水线、具备强大并行计算能力与浮点计算能力的 GPU，成为了深度学习模型训练的标配。GPU可以大幅加速深度学习模型的训练速度，相比 CPU 能提供更快的处理速度、更少的服务器投入和更低的功耗，并成为深度学习训练层面的事实工具标准。

GPU、CPU 比较

数据来源：公开资料整理

    但是，随着人工智能产业链的火速延伸，GPU 并不能满足所有场景（如手机）上的深度学习计算任务，GPU 并不是深度学习算力痛点的唯一解。算力的刚需促使人工智能芯片应运而生。

    3、AI 芯片的三条技术路径：GPU、FPGA 和 ASIC

    当前人工智能芯片主要分为 GPU、FPGA 和 ASIC。首先是 GPU。目前 GPU 的计算能力要比 CPU 高很多倍。从全部图形芯片市场来看，英特尔目前占比 71%，英伟达占比 16%，AMD 占比 13%。而目前，人工智能使用的主要是分立式 GPU。从分立式 GPU 市场来看，英伟达占比 71%，AMD 占比 29%。所以英伟达在分立式 GPU 市场产品中占有绝对的优势，其产品广泛应用于数据中心的人工智能训练。

GPU 相关情况

数据来源：公开资料整理

    但是，无论是 GPU 还是 CPU，这两个领域都无法在移动设备上使用，其原因在于功耗过大。目前主要是互联网企业在使用这些设备，不过，互联网企业也不仅仅使用 GPU 产品，他们也使用其他的一些人工智能芯片。此外，人工智能芯片的第二个发展方向就是 FPGA 和 ASIC。FPGA 所实现的人工智能芯片，能够在相同的情况下，功耗下降

    到 GPU 环境的 20%。FPGA 的优点在于：具有硬件可编程的特点，可针对 AI 计算进行二次硬件开发。实现同样的功能时，硬件编程特性使得 FPGA 的速度快于在通用电路 CPU 或 GPU 上执行软件程序。但是目前 FPGA 主要存在着几大缺陷：（1）配置信息量大：通常为几兆到十几兆字节；（2）静态编程：一旦配置完毕，不可更改。如果要改变 FPGA的功能，只能下电或在线重新载入配置信息；（3）逻辑不可复用：所有电路必须全部装入 FPGA，复用性为零；（4）面积效率低：每个 LUT 只能实现一位运算，面积效率只有5%。一个千万门级的 FPGA 只能实现几十万门的逻辑电路；（5）需要特种工艺：FPGA 往往需要最先进的制造工艺，且需对工艺进行特别调整；（6）电路设计技术：应用者必须具备电路设计知识和经验；（7）成本高昂：目前的 FPGA 价格在几十到几万美元一片。而 ASIC 是固化了的特定功能的芯片，其优点在于：单位成本低、速度高，但缺点在于不具有可编程特性，无法进行二次开发，因此灵活性弱于 FPGA。因此，一般来说，ASIC 用于大型项目，而对于需要快速投放市场且支持远程升级的小型项目，FPGA 则更为适合。机器智能是长久以来人类追求的目标，也是近期科学研究的热点。而机器智能中，芯片是承载计算功能的基础部件，对人工智能未来的发展起到决定性的作用。随着 AI 市场热度不断提升，对基础部件—芯片的要求也将越来越高，产业链上相关企业未来的发展潜力巨大。科技巨头华为发布全球首款移动 AI 芯片，抢先占领科技制高点，为其未来业绩腾飞奠定了坚实的基础。