芯片帝国之场景篇 | GPU占领云端，手机应用ASIC，FPGA发力云端和车载

 

图片来自“123rf.com.cn”

上篇说到CPU、GPU、FPGA、ASIC及类脑芯片都是芯片界举足轻重的角色，但由于AI芯片对计算能力的要求，CPU在AI芯片中只起辅助和控制功能，而类脑芯片则因还不够成熟，尚未落地。因而，以下在对场景应用的讨论中，更多涉及GPU、FPGA、ASIC三类芯片。

在应用场景上，AI芯片的应用主要分为云端和终端，这也是目前芯片领域又一分岔路口。以深度学习的算法来说，云端人工智能硬件负责“训练+推断”，终端只负责“推断”，因而终端的计算量更小，没有传输问题，更适合于安防、汽车等功耗要求低、安全性要求高的场景，终端也被看作未来发展方向。

下文将AI硬件应用场景分为云端和终端，云端指服务器端，包括各种共有云、私有云、数据中心等；终端指安防、车载、手机等领域。

云端场景：英伟达GPU生态领先，赛灵思FPGA追赶，谷歌ASIC或是未来

据测算，全球云端场景的AI芯片规模合计已达几百亿美元，是目前最大的AI应用场景。基于云平台，各大科技巨头大力布局人工智能。不过先来科普下，云计算平台是什么。

云计算，提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络、服务器、存储、应用软件、服务），包括IaaS（基础设施即服务），Paas（平台即服务），Saas（软件即服务）三层。

目前各大科技巨头纷纷在自有云平台基础上搭载人工智能系统，主要有IBM的waston、亚马逊的AWS、以及国内的阿里云、百度云平台等。其中英伟达的GPU采用更为广泛，英特尔的CPU、阿尔特拉的FPGA等也有使用，而谷歌则使用自研的ASIC芯片TPU。

GPU应用开发周期短，成本相对低，技术体系成熟，目前全球各大公司云计算中心如谷歌、微软、亚马逊、阿里巴巴等主流公司均采用GPU进行AI计算，GPU是目前云端应用范围最广的芯片，而英伟达则是最大的GPU芯片供应商，占据99%市场份额。2017年5月，英伟达发布了Tesla V100，采用台积电12nm FFN制程并整合210亿颗电晶体，在深度学习的性能上等同于250颗CPU。

不过其也面临着老二AMD的严峻挑战。野村证券称英特尔正在试图阻止将15-20%的数据中心处理器份额让给AMD。今年第二季度，AMD专门为数据中心研发的EPYC处理器被包括惠普企业、思科系统、腾讯云、意大利国家核物理研究所等采用，销售额同比增长53%。AMD称，预计EPYC将在今年年底达到“中等个位数”的份额。

另外，赛灵思、英特尔、百度等厂商也在积极采用FPGA在云端进行加速。

目前全球FPGA市场主要被赛灵思（Xilinx）和阿尔特拉（Altera）瓜分，两者合计占有近90%的市场份额。全球七大超大规模云服务公司，有3家采用了赛灵思FPGA。去年8月，百度也和赛灵思合作发布了基于FPGA的云计算加速芯片XPU。而老二阿尔特拉则在2015年被英特尔收购，今年4月，英特尔阿尔特拉的FGPA被正式应用于主流的数据中心OEM厂商中，客户包括戴尔、富士通等。

除GPU和FPGA外，AI领域专用架构芯片ASIC则因其更好的性能和功耗，成为云端领域新的搅局者，谷歌就是ASIC在数据中心应用的先行者。

谷歌2017年5月推出TPU，与GPU相比耗电量降低60%，芯片面积下降40%，能更好的满足其庞大的AI算力要求。今年2月，谷歌以Beta测试的形式开放了TPU，5月发布了TPU 3.0，8月又推出为边缘计算定制的Edge TPU。不过TPU目前并不对外发售，但对英特尔、英伟达这些传统数据中心业务的大佬来说，也足以构成威胁。

总体来说，目前，GPU依然是数据中心的主力，FPGA的角色也逐渐变得越来越重要，而TPU等，则更可能因其良好的性能和功耗，成为未来的主流方向，但其性能还需进一步检验。安防：英伟达GPU领先，国内创企FPGA落地，Movidiu的ASIC芯片广泛应用

由于天然具有大量需要处理的视频等非结构化数据，安防目前已成为AI落地最快的场景之一。用AI赋能安防，能极大提高追踪效率，促进事后防范向事前防范转换。

目前“AI+安防”方案有两种，包括中后端和前端解决方案。中后端方案利用普通摄像机采集视频信息后传输到中后端，再进行智能分析，前端则将AI芯片集成至摄像头中，实现视频采集智能化。相比来说，中后端可利用已经部署的摄像头进行智能分析，在多路数据处理、算法升级以及部署成本上都占有优势，但长期来看，前端智能更能满足安防快速反应、安全性高的需求，或是未来主流。

安防巨头也都开始布局AI领域，在经历了安防行业高清化和网络化之后，留存下来的海康、大华等巨头们，并不想被人工智能这第三次技术革命抛下。

而在应用AI芯片方面，海康、大华都选择了英伟达的GPU，其AI算法和产品都基于英伟达的Jetson TX1 GPU芯片实现。2016年，海康威视推出从前端到后端全系列的AI产品，发布基于英伟达GPU和深度学习技术“深眸”摄像机、“超脑”NVR等产品。大华股份2016年第三季度成立AI研究院，2017年联合英伟达发布多款“睿智”系列前端和后端智能设备。

但利用英伟达GPU芯片，成本毕竟较为昂贵。因而，为了降低成本、提高效能，大华、东方网力等也与国内初创公司深鉴（后被赛灵思收购）等合作，推出了基于赛灵思FPGA的DPU产品。在专用ASIC产品出现之前，FPGA成为部分安防场景降成本的有效手段。

另外，国内安防厂商也更看好低成本、低功耗、高算力的ASIC成为未来主流。2017年8月，英特尔子公司Movidiu推出Myriad X视觉处理器(VPU），被大量应用于大疆无人机、美国菲力尔（flir）智能红外摄像机、海康“深眸”系列摄像机、华睿智能工业相机等产品中。

未来，ASIC芯片大规模量产，成本边际效益递减，采用ASIC方案的AI摄像头实现成本将大幅度降低，这也为安防向前端智能转变提供可能。

不过，目前由于后端还有大量成量视频需要处理，既有传统摄像头短时间内不会全部更换，以及ASIC还不够成熟等因素，安防前端智能的发展，及ASIC芯片普及都还需要时间。汽车：英伟达GPU、高通CPU+GPU主流，地平线ASIC开拓市场

随着自动驾驶的热潮袭来，汽车场景也成为AI落地的良好场景。不过目前已商用的自动驾驶芯片基本处于高级驾驶辅助系统（ADAS）阶段，即可实现L1-L2等级的辅助驾驶和半自动驾驶；而适应L4-L5超高度自动驾驶及全自动驾驶的AI芯片，离规模化商用仍有距离。

汽车场景的AI芯片，领先的依然是英伟达。

2016年9月，英伟达发布针对自动驾驶技术和汽车产品的芯片Xavier，采用自定义的八核CPU架构，内建Volta GPU架构作为计算机视觉加速器，采用16nm FinFET工艺，运算性能达到20 TOPS，功耗为20W。

今年1月，英伟达又发布用于自动驾驶的Jetson Xavier芯片，采用12nm FFN制程，功耗为30W（相对上款芯片功耗上升，官方解释“为提升性能”），及车载计算机Drive PX Pegasus，搭载两块Xavier SoC，算力支持L5。目前，英伟达在智能汽车领域的客户包括20多家汽车制造商，其中最重要的客户是特斯拉。

不过看英伟达在自动驾驶领域做大，英特尔也不甘心。2017年，英特尔收购了Mobileye，开始发力自动驾驶。

Mobileye在汽车领域可算战绩辉煌，其在汽车驾驶辅助系统领域，份额超过70％。从2007年与沃尔沃开始合作碰撞预警功能，与包括宝马、特斯拉、通用等汽车巨头合作推进驾驶辅助技术，2016年与宝马、英特尔三方联合开发自动驾驶汽车。

并且，Mobileye在2016年5月发布的EyeQ5（预计将于今年出工程样品，2020年量产），宣称将采用7nm工艺，提供每瓦特2.4 DL TOPS（万亿次/每秒）的效能——这一数字比英伟达公开宣称的Xavier要高2.4倍。收购Mobileye，也是英特尔在无人驾驶领域与英伟达展开的一次激烈竞争。

另外，移动芯片领域的霸主高通也在积极布局自动驾驶领域。

2016年10月，高通宣布以每股110美元的价格收购车用芯片大厂恩智浦半导体，这一事件在当时几乎震惊整个半导体行业。虽其后因反垄断审查，而遭遇收购失败，但高通发力汽车的决心并没有减少。

在GMIC2016上，高通发布了智能汽车芯片骁龙820A，该处理器采用CPU+GPU的异构计算模式。2017年9月，高通公司又推出了一款新的汽车芯片组——C-V2X，这款芯片组提升了自动驾驶所需通信系统的配合度。目前已得到奥迪、福特以及上汽集团等的认可与关注，具体上市时间预计为今年下半年。

我国芯片企业，也参与到这场自动驾驶领域的芯片争夺战中。2016年3月奇点汽车发布会上，地平线首次展示了其先进辅助驾驶系统（ADAS）原型系统—雨果平台。2017年1月的CES上，地平线又与英特尔发布了基于BPU架构（ASIC架构）的最新的高级辅助驾驶系统。产业调研显示，地平线也是目前唯一在四大汽车市场—美国、德国、日本和中国，与顶级OEMs和Tier1s建立重要客户关系的中国初创企业。

2017年12月，地平线发布“旭日”和“征程”两款嵌入式AI芯片，分别面向智能驾驶和智能摄像头；今年4月，地平线发布“征程2.0”芯片及MATRIX 1.0自动驾驶计算平台。

总体来说，ASIC可以更好的满足车载应用下重点关心的“最差情况处理”的延时问题。但鉴于其研发周期长，目前车载场景下，厂商仍考虑GPU作为主流方案，预计随着ADAS定制化需求的增加，未来ASIC将成主流。智能手机：苹果、华为搭载ASIC芯片，高通、ARM发布新的AI架构

AI+手机，也是当下最火的AI概念之一。

目前AI在手机里面主要是辅助处理图形图像的识别（比如拍照的快速美颜）及语音语义的识别等场景。但目前此类应用对AI算法处理速度的要求并不高。同时手机对功耗要求极低，ASIC低成本、低功耗、低面积将占据核心优势。

而在AI芯片进入手机方面，华为和苹果都先后发布了有自己独立AI处理单元的芯片。

2017年9月，华为发布了全球首款移动端AI芯片麒麟970，并将其运用于Mate10。这是业内第一次在手机芯片中，出现专门用于进行AI计算的处理单元，其集成了国内芯片创企“寒武纪”的NPU。今年8月，华为又发布了麒麟980，率先采用7nm工艺，双核NPU。

紧随其后，苹果也在9月发布了iPhone X，及其专用神经网络处理芯片A11“Bionic神经引擎”。该芯片将CPU和GPU巨大的计算量分开，将面部识别、语音识别等AI相关的任务卸载到AI专用模块(ASIC)上处理。

在华为和苹果之后，高通也于12月发布骁龙845，采用10nm工艺，支持Adreno 630 GPU，相比835，在AI计算能力上提升三倍，并支持多平台的神经网络系统。未来高通的策略是，提供开放AI平台生态系统给合作伙伴。

但高通的AI芯片，并没有针对AI的独立运算单元，依旧是传统的CPU/GPU以及DSP/ISP等特定场景处理器来兼职处理AI。

而为目前世界超过95%的智能手机和平板电脑提供IP的ARM，在AI方面稍显来迟。不过今年8月，ARM也发布了两款针对移动终端的AI芯片架构，机器学习处理器和物体检测处理器。机器学习处理器将主要吸引平板电脑和智能手机制造商，计划在今年第一季度供货；对象检测处理器，可能被用于智能安防摄像机、无人机及更广泛用途，预计年中供货。总结：各架构芯片百花齐放，终极形态向ASIC进化

目前，云端领域，英伟达凭借其FPGA稳稳占据最大市场份额，老二AMD在追击，基于FPGA的赛灵思和英特尔阿尔特拉也在拓展，ASIC领域则以谷歌TPU为最大威胁者。

汽车领域，英伟达依然是巨头，英特尔Mobileye则是直接对标英伟达，高通在进军，我国企业地平线也用BPU（ASIC）布局这一市场。安防领域，英伟达地位不变，赛灵思深鉴的FPGA也有应用，Movidiu的ASIC也打开了部分市场。手机领域，华为和苹果先发基于ASIC的AI芯片，高通和ARM则在其后推出了自己的AI架构。

GPU、FPGA、ASIC可谓各架构百花齐发，而ASIC也正在逐渐打开自己的市场。

---

 

 

0