AI晶片是算力的硬體基石，主要指針對人工智能算法做了特殊加速設計的晶片。
人工智能晶片多用傳統型晶片，或用昂貴的圖形處理器(GPU),或用現場可程式設計門陣列晶片配合中央處理器(FPGA+CPU)為主, 用以在雲端資料中心的深度學習訓練和推理, 通用／專用型AI晶片（ASIC），也就是張量處理器或特定用途內建電路(ASIC)，主要是針對具體應用場景，三類晶片短期内将共存并在不同應用場景形成互補。#人工智能##AI晶片#
AI各類晶片對比：
在用于深度學習時，四類晶片各有不同：1）通用性：CPU>GPU>FPGA>ASIC，通用性越低，代表其适合支援的算法類型越少；2）性能功耗比：CPU<GPU<FPGA<ASIC，性能功耗比越高越好，意味着相同功耗下運算次數越多，訓練相同算法所需要的時間越短。
深度學習時，四類AI晶片表現有所差異:
資料來源：快科技
随着海内外科技巨頭加大AI領域的資本開支，這也對資料中心和相關的配套産業帶來更大的需求。據億歐智庫預測，2025年大陸AI晶片市場規模将達1780億元，較2022年增長近100%。
關注樂晴智庫，洞悉産業格局！
CPU
CPU是計算機系統的運算和控制核心。
分為通用高性能微處理器、嵌入式微處理器和移動端用SoC MPUs/AP，是電子資訊時代需求量最大，最重要的半導體産品之一。
CPU是一種通用處理器，适用于大多數計算任務。其核心數較少，是以其更适用于單線程或少量線程的任務，例如文本處理、網頁浏覽、程式設計等，對于高性能計算任務，如機器學習、深度學習等，則表現稍顯乏力。
CPU内部組成部分和工作原理：
算力方面，CPU可以通過指令實作并行計算提升AI系統的計算性能。
無論是機器學習還是深度學習模型，大多數計算任務在AI算法中主要基于向量和矩陣運算，而CPU通過高效的向量化指令集，可以實作對大規模矩陣乘法、卷積等高性能的計算，能夠在機關時間内完成多個數值運算，進而有效地提高運算效率。
由于很多計算任務如卷積神經網絡（CNN）的卷積運算都具有較強的并行性，CPU可以通過SIMD指令（單指令流多資料流結構）以及多線程技術來加速AI工作負載。
CPU基本架構圖：
資料來源：Computer Science GCSE GURU
CPU生态體系是硬體和軟體的結合，是産業上下遊互動的産物。
從底層指令系統出發，硬體上通過IP核形成晶片實體電路，并最終用于闆卡、整機廠商等不同領域的整機裝置；軟體上包括Linux核心、編譯器、Java、.NET等基礎開發軟體，以及與指令系統高度适配的作業系統，為搭建完全基于指令系統的應用軟體生态提供平台支撐，最終形成應用于政企、教育、電信等行業的成熟軟硬體體系。
CPU産業鍊巨頭大多集中在海外，位居産業鍊各個環節核心，對全球CPU行業影響力較大。
行行查 | 行業研究資料庫 資料顯示，在設計環節，英特爾和AMD幾乎壟斷通用型CPU市場；在裝置、材料、EDA/IP等環節國内龍頭與國外龍頭差距較大，國産化率較低；在制造環節，目前隻有台積電和三星有5nm制程生産能力，但均需使用美國裝置；在封測環節，目前中國台灣、中國大陸、美國三分天下。
從全球市場競争格局來看，英特爾仍以70.77%市場佔有率占據全球第一，但受新一代産品Sapphire Rapids釋出推遲影響，市場佔有率相較2021年下降9.94pct。
而AMD在新一代伺服器處理器Genoa的驅動下，市場佔有率進一步提升至19.8%（yoy：+8.10pct）。
此外，基于ARM架構的伺服器CPU廠商AWS和Ampere Computing市場佔有率亦有所增長，2022年AWS/Ampere市場佔有率為3.2/1.5%，較2021年增長1.4/0.4pct。
從目前國産CPU産業鍊進口替代的視角來看：在設計環節，華為鲲鵬，飛騰等龍頭已跻身世界一流水準；封測環節，通富承接AMD7nmCPU封測，14nm及以下結點的先進制程；裝置、材料、EDA/IP、制造等環節仍與國外龍頭差距較大，目前仍采用“外循環為主+内循環為輔”的模式。
國内CPU産業鍊：
GPU
GPU直接受益于全球算力需求激增。
根據VerifiedMarketResearch的資料，2021年全球GPU市場規模335億元，2028年全球GPU市場規模有望達到4774億元，22-30年CAGR達33.3%。
IDC資料顯示，中國AI晶片中，GPU 占有90% 以上的市場佔有率，穩居第一，而ASIC、FPGA、NPU等其他非GPU 晶片也在各個行業和領域被越來越多地采用，整體市場佔有率接近10%，預計到2025 年其占比将超過20%。
GPU 的工作原理和CPU 類似，都是通過執行指令來完成計算任務的。
不同的是，CPU 是通過串行執行指令的方式來完成計算任務的，而GPU 是通過并行執行指令的方式來完成計算任務的。
CPU和GPU對比：
GPU 的并行計算方式可以同時執行多個任務，大大提高了計算效率和速度。可以對需要同時執行多個計算和記憶體密集型任務的應用進行加速，在AI中主要用于加速訓練和推斷過程。
算力方面，GPU可以通過并行處理能力顯著提升AI應用的處理速度。
英偉達是GPU市場的主導者，全球獨立顯示卡市占率高達80%。其高端GPU如H100，A100和V100等占據了AI算法訓練市場絕大部分的份額。
英偉達在1999年推出首款GeForce256産品，定義了GPU作為圖形渲染晶片的功能。2010年開始英偉達開始專注于AI領域的研發，其TeslaGPU為全球最快的超級計算機提供算力支援，同時推出了首個GPU計算架構“Fermi”。#英偉達#
此後，英偉達保持每半年推出一款新産品，每兩年疊代一次新的晶片架構。從Fermi架構到如今最新的Hopper架構，産品的制程由40nm疊代至4nm，半導體數量從30億增長至800億，FP32算力從1.5TFLOPS提升到60TFLOPS，記憶體帶寬從192.4 GB/s提升到3TB/s。
英偉達Turing TU102 GPU 構架圖:
美國持續加大對中國高端晶片的出口限制，高速運算相關的GPU晶片國産化程序必然加快。從國産替代方案來看，GPU：寒武紀、壁仞科技、燧原科技、昆侖芯、華為海思等。
國内GPU産業鍊：
FPGA
FPGA 是一種內建電路晶片，最大特點是現場可程式設計性。
FPGA于1985年由賽靈思創始人之一Ross Freeman發明，并在現有的可程式設計器件（如PAL、GAL、CPLD等）的基礎上進一步發展而來。
FPGA 主要由可程式設計I/O單元、可程式設計邏輯單元、可程式設計布線資源等組成。作為專用內建電路（ASIC）領域中的一種半定制電路，FPGA可以根據使用者的需求通過配套EDA軟體多次重複程式設計配置以實作特定功能。
FPGA結構圖：
作為AI計算平台使用最為廣泛的加速晶片之一，FPGA具有功耗低、延遲短、靈活性強的特點，被廣泛應用于機器學習、網絡安全、超大規模圖像處理、基因檢測等領域。
由于FPGA具有高度靈活、高速的特點，其并行處理能力可以極大地提高AI算法的計算性能，進而實作高效的推理和訓練等任務。
由于其純硬體的實作方式，FPGA比傳統的CPU和GPU更加靈活，是以越來越多的AI開始采用FPGA進行計算處理。
全球市場格局方面，海外廠商主導全球FPGA 市場，Xilinx 和Intel 形成雙頭壟斷，國内企業持續加大FPGA 晶片的布局，成長空間巨大。
FPGA 方面，複旦微電（高可靠FPGA 技術領先，率先推出億門級FPGA 和PSoC 晶片，應用領域不斷豐富）和紫光國微（國内特種內建電路行業領先者，産品覆寫500 多個品種，特種領域FPGA 持續更新）、安路科技（國内民用FPGA龍頭）。
ASIC
ASIC是面向特定的、具體的、相對單一的人工智能應用設計的專用晶片。
2016年，Google釋出TPU晶片（ASIC類），ASIC克服了GPU價格昂貴、功耗高的缺點，ASIC晶片開始逐漸應用于AI領域，成為AI晶片的重要分支。
ASIC從性能、能效、成本均極大的超越了标準晶片，非常适合AI計算場景。
資料來源：eSilion
根據CSET資料，ASIC晶片在推理領域優勢明顯，其效率和速度約為CPU的100-1000倍，相較于GPU和FPGA具備顯著競争力。
盡管ASIC晶片同樣可以應用于訓練領域（例如TPUv2、v3、v4），但其有望在推理領域率先出現爆品。
ASIC晶片更多應用于推理領域：
目前市場上主流ASIC有TPU晶片、NPU晶片、VPU晶片以及BPU晶片，它們分别是由Google、寒武紀、Intel以及地平線設計生産。由于ASIC開發周期長，僅有大廠有資金與實力進行研發。同時，ASIC是全定制晶片，在某些特定場景下運作效率最高，故某些場景下遊市場空間足夠大時，量産ASIC晶片可以實作豐厚的利潤。
近年來頭部廠商紛紛切入ASIC領域。英偉達延續GPU路線，22年釋出H100晶片，目前廣泛應用于雲端訓練和推理；AMD利用自身技術積累，将CPU和GPU內建在一起，推出InstinctMI300晶片，預計23年H2上市。
頭部廠商開始切入ASIC領域，Google為AIASIC晶片的先驅，21年推出TPUv4，運算效能大幅提升；英特爾19年收購HabanaLab，22年推出Gaudi2ASIC晶片；IBM、三星等頭部廠商亦紛紛切入ASIC領域。#5月财經新勢力#
資料來源：國信證券
人工智能時代算力晶片産業鍊有望飛速發展，為上下遊産業鍊的帶來新機遇。國内廠商有望抓住本輪AI浪潮加速國産替代，産業鍊各環節市場空間廣闊。
查行業資料，就用行行查！行行查 | 行業研究資料庫