大模型背景下，AI芯片廠商面臨怎樣的機遇與挑戰(zhàn)？

從2022.11.30的ChatGPT，到2023.6.13的360智腦大模型2.0，全球AI界已為大模型持續(xù)瘋狂了七個多月。ChatGPT們正如雨后春筍般涌現(xiàn)，向AI市場投放一個個“炸彈”：辦公、醫(yī)療、教育、制造，亟需AI的賦能。

而AI應用千千萬，把大模型打造好才是硬道理。

對于大模型“世界”來說，算法是“生產關系”，是處理數(shù)據(jù)信息的規(guī)則與方式；算力是“生產力”，能夠提高數(shù)據(jù)處理、算法訓練的速度與規(guī)模；數(shù)據(jù)是“生產資料”，高質量的數(shù)據(jù)是驅動算法持續(xù)迭代的養(yǎng)分。在這之中，算力是讓大模型轉動的前提。

我們都知道的是，大模型正對算力提出史無前例的要求，具體的表現(xiàn)是：據(jù)英偉達數(shù)據(jù)顯示，在沒有以Transformer模型為基礎架構的大模型之前，算力需求大致是每兩年提升8倍；而自利用Transformer模型后，算力需求大致是每兩年提升275倍?；诖耍?30B參數(shù)量的Megatron-Turing NLG模型，將要吞噬超10億FLOPS的算力。

（AI不同模型算法算力迭代情況 圖源：格隆匯）

作為大模型的大腦——AI芯片，是支撐ChatGPT們高效生產及應用落地的基本前提。保證算力的高效、充足供應，是目前AI大算力芯片廠商亟需解決的問題。

GPT-4等大模型向芯片廠商獅子大開口的同時，也為芯片廠商尤其是初創(chuàng)芯片廠商，帶來一個利好消息：軟件生態(tài)重要性正在下降。

早先技術不夠成熟之時，研究者們只能從解決某個特定問題起步，參數(shù)量低于百萬的小模型由此誕生。例如谷歌旗下的AI公司DeepMind，讓AlphaGO對上百萬種人類專業(yè)選手的下棋步驟進行專項“學習”。

而小模型多了之后，硬件例如芯片的適配問題迫在眉睫。故，當英偉達推出統(tǒng)一生態(tài)CUDA之后，GPU+CUDA迅速博得計算機科學界認可，成為人工智能開發(fā)的標準配置。

現(xiàn)如今紛紛涌現(xiàn)的大模型具備多模態(tài)能力，能夠處理文本、圖片、編程等問題，也能夠覆蓋辦公、教育、醫(yī)療等多個垂直領域。這也就意味著，適應主流生態(tài)并非唯一的選擇：在大模型對芯片需求量暴漲之時，芯片廠商或許可以只適配1-2個大模型，便能完成以往多個小模型的訂單。

也就是說，ChatGPT的出現(xiàn)，為初創(chuàng)芯片廠商們提供了彎道超車的機會。這就意味著，AI芯片市場格局將發(fā)生巨變：不再是個別廠商的獨角戲，而是多個創(chuàng)新者的群戲。

本報告將梳理AI芯片行業(yè)發(fā)展概況、玩家情況，總結出大算力時代，玩家提高算力的路徑，并基于此，窺探AI大算力芯片的發(fā)展趨勢。

01.國產AI芯片，正走向AI3.0時代

現(xiàn)階段的AI芯片，根據(jù)技術架構種類來分，主要包括GPGPU、FPGA、以 VPU、TPU 為代表的 ASIC、存算一體芯片。

根據(jù)其在網(wǎng)絡中的位置，AI 芯片可以分為云端AI芯片 、邊緣和終端AI芯片；

云端主要部署高算力的AI訓練芯片和推理芯片，承擔訓練和推理任務，例如智能數(shù)據(jù)分析、模型訓練任務等；

邊緣和終端主要部署推理芯片，承擔推理任務，需要獨立完成數(shù)據(jù)收集、環(huán)境感知、人機交互及部分推理決策控制任務。

根據(jù)其在實踐中的目標，可分為訓練芯片和推理芯片：

縱觀AI芯片在國內的發(fā)展史，AI芯片國產化進程大致分為三個時代。

1.0時代，是屬于ASIC架構的時代

自2000年互聯(lián)網(wǎng)浪潮拉開AI芯片的序幕后，2010年前后，數(shù)據(jù)、算法、算力和應用場景四大因素的逐漸成熟，正式引發(fā)AI產業(yè)的爆發(fā)式增長。申威、沸騰、兆芯、龍芯、魂芯以及云端AI芯片相繼問世，標志著國產AI芯片正式啟航。

2016年5月，當谷歌揭曉AlphaGo背后的功臣是TPU時，ASIC隨即成為“當紅辣子雞”。于是在2018年，國內寒武紀、地平線等國內廠商陸續(xù)跟上腳步，針對云端AI應用推出ASIC架構芯片，開啟國產AI芯片1.0時代。

ASIC芯片，能夠在某一特定場景、算法較固定的情況下，實現(xiàn)更優(yōu)性能和更低功耗，基于此，滿足了企業(yè)對極致算力和能效的追求。

所以當時的廠商們，多以捆綁合作為主：大多芯片廠商尋找大客戶們實現(xiàn)“專用場景”落地，而有著綜合生態(tài)的大廠選擇單打獨斗。

地平線、耐能科技等AI芯片廠商，分別專注AI芯片的細分領域，采用“大客戶捆綁”模式進入大客戶供應鏈。

在中廠們綁定大客戶協(xié)同發(fā)展之際，自有生態(tài)的大廠阿里成立獨資芯片公司平頭哥，著眼AI和量子計算。

2019年，平頭哥發(fā)布的第一款AI芯片含光800，便是基于ASIC架構打造，用于云端推理。據(jù)阿里介紹，1顆含光800的算力相當于10顆GPU，含光800推理性能達到78563 IPS，能效比500 IPS/W。相比傳統(tǒng)GPU算力，性價比提升100%。

在1.0時代，剛出世的國內芯片廠商們選擇綁定大客戶，有綜合生態(tài)的大廠選擇向內自研，共同踏上探索AI芯片算力的征途。

2.0時代，更具通用性的GPGPU“引領風騷”

盡管ASIC有著極致的算力和能效，但也存在著應用場景局限、依賴自建生態(tài)、客戶遷移難度大、學習曲線較長等問題。

于是，通用性更強的GPGPU（通用圖形處理器）在不斷迭代和發(fā)展中成為AI計算領域的最新發(fā)展方向，當上AI芯片2.0時代的指路人。

自2020年起，以英偉達為代表的GPGPU架構開始有著不錯的性能表現(xiàn)。通過對比英偉達近三代旗艦產品發(fā)現(xiàn)，從FP16 tensor 算力來看，性能實現(xiàn)逐代翻倍的同時，算力成本在下降。

于是，國內多個廠商紛紛布局GPGPU芯片，主打CUDA兼容，試探著AI算力芯片的極限。2020年起，珠海芯動力、壁仞科技、沐曦、登臨科技、天數(shù)智芯、瀚博半導體等新勢力集結發(fā)力，大家一致的動作是：自研架構，追隨主流生態(tài)，切入邊緣側場景。

在前兩個時代中，國產AI芯片廠商都在竭力順應時代潮流，前赴后繼地跟隨國際大廠的步伐，通過研發(fā)最新芯片解決AI算力芯片的挑戰(zhàn)。

我們能看到的變化是，在2.0時代中，國產AI芯片廠商自主意識覺醒，嘗試著自研架構以求突破。

3.0時代，存算一體芯片或成GPT-4等大模型的最優(yōu)選

ASIC芯片的弱通用性難以應對下游層出不窮的應用，GPGPU受制于高功耗與低算力利用率，而大模型又對算力提出前所未有的高要求：目前，大模型所需的大算力起碼是1000TOPS及以上。

以 2020 年發(fā)布的 GPT-3 預訓練語言模型為例，其采用的是2020年最先進的英偉達A100 GPU, 算力是624TOPS。2023年，隨著模型預訓練階段模型迭代，又新增訪問階段井噴的需求，未來模型對于芯片算力的需求起碼要破千。

再例如自動駕駛領域，根據(jù)財通證券研究所表明，自動駕駛所需單個芯片的算力未來起碼要1000+TOPS：2021年4月, 英偉達就已經(jīng)發(fā)布了算力為1000TOPS的DRIVE Atlan芯片；到了今年，英偉達直接推出芯片Thor，達到2000TOPS。

由此，業(yè)界亟需新架構、新工藝、新材料、新封裝，突破算力天花板。除此之外，日漸緊張的地緣關系，無疑又給高度依賴先進制程工藝的AI大算力芯片廠商們提出新的挑戰(zhàn)。

在這些大背景下，從2017年到2021年間集中成立的一批初創(chuàng)公司，選擇跳脫傳統(tǒng)馮·諾依曼架構，布局存算一體等新興技術，中國AI芯片3.0時代，正式拉開帷幕。

目前存算一體，正在上升期：

學界，ISSCC上存算/近存算相關的文章數(shù)量迅速增加：從20年的6篇上漲到23年的19篇；其中數(shù)字存內計算，從21年被首次提出后，22年迅速增加到4篇。

產界，巨頭紛紛布局存算一體，國內陸陸續(xù)續(xù)也有近十幾家初創(chuàng)公司押注該架構：

在特斯拉2023 Investor Day預告片末尾，特斯拉的dojo超算中心和存算一體芯片相繼亮相；在更早之前，三星、阿里達摩院包括AMD也早早布局并推出相關產品：阿里達摩院表示，相比傳統(tǒng)CPU計算系統(tǒng)，存算一體芯片的性能提升10倍以上，能效提升超過300倍；三星表示，與僅配備HBM的GPU加速器相比，配備HBM-PIM的GPU加速器一年的能耗降低了約2100GWh。

目前，國內的億鑄科技、知存科技、蘋芯科技、九天睿芯等十余家初創(chuàng)公司采用存算一體架構投注于AI算力，其中億鑄科技、千芯科技偏向數(shù)據(jù)中心等大算力場景。

現(xiàn)階段，業(yè)內人士表示，存算一體將有望成為繼CPU、GPU架構之后的第三種算力架構。

該提法的底氣在于，存算一體理論上擁有高能效比優(yōu)勢，又能繞過先進制程封鎖，兼顧更強通用性與更高性價比，算力發(fā)展空間巨大。

在此基礎上，新型存儲器能夠助力存算一體更好地實現(xiàn)以上優(yōu)勢。目前可用于存算一體的成熟存儲器有NOR FLASH、SRAM、DRAM、RRAM、MRAM等。相比之下，RRAM具備低功耗、高計算精度、高能效比和制造兼容CMOS工藝等優(yōu)勢：

目前，新型存儲器RRAM技術已然落地：2022上半年，國內創(chuàng)業(yè)公司昕原半導體宣布，大陸首條RRAM 12寸中試生產線正式完成裝機驗收，并在工控領域達成量產商用。據(jù)昕原半導體CTO仇圣棻博士介紹，昕原RRAM產品的良率已經(jīng)超過93%。

隨著新型存儲器件走向量產，存算一體AI芯片已經(jīng)挺進AI大算力芯片落地競賽。

而無論是傳統(tǒng)計算芯片，還是存算一體芯片，在實際加速AI計算時往往還需處理大量的邏輯計算、視頻編解碼等非AI加速計算領域的計算任務。隨著多模態(tài)成為大模型時代的大勢所趨，AI芯片未來需處理文本、語音、圖像、視頻等多類數(shù)據(jù)。

對此，初創(chuàng)公司億鑄科技首個提出存算一體超異構AI大算力技術路徑。億鑄的暢想是，若能把新型憶阻器技術(RRAM)、存算一體架構、芯粒技術（Chiplet）、3D封裝等技術結合，將會實現(xiàn)更大的有效算力、放置更多的參數(shù)、實現(xiàn)更高的能效比、更好的軟件兼容性、從而抬高AI大算力芯片的發(fā)展天花板。

站在3.0時代門口，國產AI大算力芯片廠商自主意識爆發(fā)，以期為中國AI大算力芯片提供彎道超車的可能。

AI芯片市場的發(fā)展動力，大抵來源于以下幾個因素。

中央與地方政府正為提供充足算力而奔波

2023年2月，中央政府發(fā)布多個相關報告與布局規(guī)劃，強調東數(shù)西算中算力的調動，目前已落下一子：東數(shù)西算一體化服務平臺。

地方政府層面，例如成都在2023年1月，發(fā)布“算力券”，即將政府算力資源與算力中介服務機構、科技型中小微企業(yè)和創(chuàng)客、科研機構、高校等共享，有效提高算力利用率；北京在2023年3月，發(fā)布加快落實算力的相關意見，加快計算中心、算力中心、工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等基礎設施建設。

基于國家與地方政府相關政策指引，AI廠商們紛紛建立起超算/智算中心，較于以往不同的是，今年算力的首個市場化運作模式誕生，智算中心算力的規(guī)模也實現(xiàn)質的飛躍：據(jù)國家信息中心與相關部門聯(lián)合發(fā)布的《智能計算中心創(chuàng)新發(fā)展指南》顯示，目前全國有超過30個城市正在建設或提出建設智算中心。

AI芯片產業(yè)布局規(guī)劃持續(xù)落地

可以看到，關于AI芯片政策已從“十三五”的規(guī)劃階段，來到“十四五”的落地階段：提高AI芯片研發(fā)技術，推廣AI應用。

同時，各地明確提出，要加強AI芯片產業(yè)布局。在這之中，浙江、廣東、江蘇等省份均提出了至2025年，人工智能芯片領域的具體發(fā)展方向。

存算一體正成為地方算力產業(yè)新機遇

存算一體，正成為深圳算力產業(yè)鏈創(chuàng)新發(fā)展的新機遇，并在積極落地之中。

2023年4月2日，在第二屆中國產業(yè)鏈創(chuàng)新發(fā)展峰會新一代信息技術產業(yè)發(fā)展論壇上，北京大學深研院信息工程學院副院長楊玉超表示，深圳將立足于相對完善的產業(yè)鏈集群，從先進工藝與封裝、創(chuàng)新電路與架構、EDA工具鏈、軟件與算法生態(tài)這四個方面解決存算一體在產業(yè)化應用上的挑戰(zhàn)。

今年4月，中國大模型正式爆發(fā)，未來，對于AI大算力芯片的需求只增不減。

現(xiàn)有的大模型，正向著英偉達A100大算力芯片獅子大開口：

故例如商湯等AI廠商，正把眼光放置在國產AI大算力芯片上：2023年4月10日商湯披露，目前商湯所用的國產化AI芯片占比達到總體的10%。這無疑，將加速國內AI芯片廠商的成長。

英偉達表示，未來將從GPU架構出發(fā)，走向“GPU+DPU的超異構”：推出NVLink-C2C 、支持UCLe+芯粒+3D封裝；推出Thor“超異構”芯片2000T；

AMD表示，未來硬件創(chuàng)新突破更難，將走向“系統(tǒng)級創(chuàng)新”，即從整體設計的上下游多個環(huán)節(jié)協(xié)同設計來完成性能的提升。

千億美元的AI芯片市場，2023火得滾燙

整體人工智能產業(yè)鏈，基本分為基礎層、技術層和應用層三個層面：

基礎層包括AI芯片、智能傳感器、云計算等；技術層包括機器學習、計算機視覺、自然語言處理等；應用層包括機器人、無人機、智慧醫(yī)療、智慧交通、智慧金融、智能家居、智慧教育、智慧安防等。

基礎層作為人工智能行業(yè)發(fā)展的基礎，為人工智能提供數(shù)據(jù)和算力支撐，其中，AI芯片是人工智能算力的基礎。

在AI產業(yè)尚未成熟之時，基礎層企業(yè)當前價值量最大，中國人工智能產業(yè)鏈中，基礎層企業(yè)比例達到83%，技術層企業(yè)比例為5%，應用層企業(yè)比例為12%。

基礎層決定大樓是否穩(wěn)固，而下游的應用層面決定大樓高度。在應用層，智能機器人、無人機等智慧終端潛力無限，智慧城市、智慧醫(yī)療等領域，更是有不少金子能挖。目前，我國智能機器人市場規(guī)模持續(xù)快速增長。

數(shù)據(jù)顯示，2017-2021年我國智能機器人市場規(guī)模從448億元增長至994億元，期內年均復合增長率達22.05%，預計2023年其市場規(guī)模將達1300億元。

據(jù)中國信通院數(shù)據(jù)統(tǒng)計，中國智慧城市市場規(guī)模近幾年均保持30%以上增長，2021年市場規(guī)模達21.1萬億元，預計2023年其市場規(guī)模將達28.6萬億元。

千億美元市場，AI芯片魅力無限

在全球數(shù)字化、智能化的浪潮下，技術層的技術正不斷迭代：自動駕駛、影像辨識、運算等技術正在各領域深化應用；與此同時，應用層的物聯(lián)網(wǎng)設備正不斷豐富：工業(yè)機器人、AGV/AMR、智能型手機、智能音箱、智能攝影機等。

這無疑，會推動基礎層的AI芯片與技術市場迅速成長。根據(jù)灼識咨詢數(shù)據(jù)，2022年全球AI芯片市場規(guī)模達到960億美元，預計2027年達到3089億美元，2022年至2027年的復合年增長率為23%：

國內的AI芯片市場，更為火熱：根據(jù)灼識咨詢數(shù)據(jù)，2022年中國AI市場規(guī)模達到319億美元，預計于2027年將達到1150億美元，2022年至2027年的復合年增長率為29.2%。

2021，AI芯片賽道迎來風口

隨著下游安防、汽車等市場需求量增大，再加上2019年以來，美國持續(xù)制裁國內廠商的動作，2021年，國內AI芯片賽道迎來風口。在這一年里，資本們競相挑選屬于中國AI芯片市場的“潛力狗”，以期掌握未來芯片市場的話語權。盡管2022年投資熱度有所回落，但總體金額仍超百億元。

（2016-2023年中國人工智能芯片行業(yè)融資整體情況 圖源：前瞻經(jīng)濟學人APP）

C輪后的融資較少，AI芯片市場仍處于萌芽期

通過分析投資輪次發(fā)現(xiàn)，AI芯片市場仍處于萌芽期：目前人工智能芯片行業(yè)的融資輪次仍處于早期階段，C輪后的融資數(shù)量較少。

（2016-2023年中國人工智能芯片行業(yè)投融資輪次情況 圖源：前瞻經(jīng)濟學人APP）

存算一體成為香餑餑

細分賽道來看，GPU是價值量最高的賽道，摩爾線程等GPU玩家融資超10億，榮獲“MVP”；

而存算一體賽道融資公司數(shù)量最多，億鑄科技、知存科技等七家存算一體玩家，備受資本青睞。值得注意的是，存算一體賽道下的四家初創(chuàng)公司億鑄科技、知存科技、蘋芯科技、后摩智能，已連續(xù)兩年獲得融資。

國內AI大算力賽道，玩家?guī)缀危?/p>

目前，寒武紀、平頭哥等1.0時代玩家，現(xiàn)已成為優(yōu)質AI算力芯片上市公司；2.0時代涌現(xiàn)的非上市AI算力芯片公司如壁仞科技、登臨科技、天數(shù)智芯等在產品端持續(xù)發(fā)力；3.0時代，千芯科技、億鑄科技等初創(chuàng)公司正在存算一體這一架構上尋求突破。

經(jīng)偲睿洞察整理發(fā)現(xiàn)，目前，多數(shù)AI芯片公司布局邊緣側、中心側偏小算力場景，例如智慧安防、智慧城市、智慧醫(yī)療等應用場景；壁仞科技、平頭哥、億鑄科技能夠覆蓋邊緣側、中心側偏大算力場景；在新一批初創(chuàng)企業(yè)中，億鑄科技做出大膽的嘗試，試圖用存算一體架構去做大算力場景。

故，我們按照架構以及應用場景分類，呈現(xiàn)出以下AI算力芯片中游廠商全景圖：

ChatGPT火爆來襲，引發(fā)AI產業(yè)巨浪，國產AI芯片正迎來3.0時代。在大模型催生的3.0時代，亟需AI大算力芯片提供充足算力，讓日益沉重的大模型快速滾動起來。

02.大模型盛行，芯片廠商如何解決大算力難題？

算力，即國力

伴隨“元宇宙”時代開啟，GPT-4等大模型來勢洶洶，數(shù)據(jù)流量將迎來爆發(fā)增長。據(jù)IDC預測數(shù)據(jù)，預估未來五年，全球算力規(guī)模將以超過50%的速度增長，到2025年整體規(guī)模將達到3300EFlops。而2025年全球物聯(lián)網(wǎng)設備數(shù)將超過400億臺，產生數(shù)據(jù)量接近80ZB，且超過一半的數(shù)據(jù)需要依賴終端或者邊緣的計算能力進行處理。

（全球算力需求未來增長情況 圖源：中國銀河證券研究院）

（全球算力增長速度明顯落后于數(shù)據(jù)量增長 圖源：中國銀河證券研究院）

數(shù)據(jù)量暴增，各國急需算力維系數(shù)據(jù)的正常運轉，各國之間的算力之爭，正式打響。而事實上遠不止算力之爭這么簡單，這背后，是各國國力的角逐。

2022年3月，由IDC、浪潮信息、清華大學全球產業(yè)研究院聯(lián)合編制的《2021-2022全球計算力指數(shù)評估報告》，揭示了現(xiàn)如今“算力與國力”的基本關系：

全球各國算力規(guī)模與經(jīng)濟發(fā)展水平顯著正相關，算力規(guī)模越大，經(jīng)濟發(fā)展水平越高。計算力指數(shù)平均每提高1點，數(shù)字經(jīng)濟和GDP將分別增長3.5‰和1.8‰；美國和中國的計算力指數(shù)分別為77分和70分，明顯領先其他國家的計算力指數(shù)。

場景眾多，不同的算力場景，對芯片的要求不同

小至耳機、手機、PC，大到汽車、互聯(lián)網(wǎng)、人工智能（AI）、數(shù)據(jù)中心、超級計算機、航天火箭等，“算力”都在其中發(fā)揮著基礎核心作用。而不同的算力場景，對芯片的要求不同：

可以看到，數(shù)據(jù)中心由于其算法多樣、迭代速度更快等特性，對芯片的要求尤其高：既要其高算力、又要其低功耗、低成本、高可靠性，還要其具備更高的通用性。

數(shù)據(jù)中心建設，迫在眉睫

在眾多應用場景之中，數(shù)據(jù)中心尤為重要。作為AI基礎設施，數(shù)據(jù)中心承載著多個中心側與邊緣側算力的應用：

1、國家數(shù)據(jù)中心集群支撐工業(yè)互聯(lián)網(wǎng)、金融證券、災害預警、遠程醫(yī)療、視頻通話、人工智能推理。

2、城市內的數(shù)據(jù)中心作為算力“邊緣”端，服務金融市場高頻交易、VR/AR、超高清視頻、車聯(lián)網(wǎng)、聯(lián)網(wǎng)無人機、智慧電力、智能工廠、智能安防等。

現(xiàn)如今，算力、甚至是國力之爭，已然拉開序幕。

美國對中國數(shù)據(jù)中心、智算中心、超算中心的制裁自2021年就已開始：2021年4月，美國商務部對中國國家超級計算濟南中心、深圳中心、無錫中心、鄭州中心等中國超算實體列入“實體清單”。

基于下游市場的需求增長，地緣政治等因素，我國數(shù)據(jù)中心也快速提上日程：2021年5月，國家提出“東數(shù)西算”工程，明確圍繞8個國家算力樞紐，推進國家數(shù)據(jù)中心集群以及城市內部數(shù)據(jù)中心建設。

現(xiàn)如今，中國數(shù)據(jù)中心建設較于美國仍有一定差距：

《2021-2022全球計算力指數(shù)評估報告》指出，目前世界上大約有600個超大規(guī)模的數(shù)據(jù)中心，每個都擁有超過5000臺服務器，其中約39％在美國，是中國的4倍，而中國、日本、英國、德國和澳大利亞的服務器數(shù)量總和約占總數(shù)的30％。

截至2021年底，我國在用數(shù)據(jù)中心機架總規(guī)模達 520 萬標準機架，在用數(shù)據(jù)中心服務器規(guī)模1900萬臺，算力總規(guī)模超過140 EFLOPS。

在算力即國力的大背景下，大模型的催化下，低成本、低功耗的大算力一定會成為剛需。中國，亟需能夠承載算力的自主可控的數(shù)據(jù)中心，而數(shù)據(jù)中心的算力，依賴著芯片的國產替代進度。

數(shù)據(jù)中心場景下，國產主流AI芯片，仍有差距

在數(shù)據(jù)中心這一基礎設施中，服務器占據(jù)69%。現(xiàn)如今，在數(shù)據(jù)中心加速服務器市場，GPGPU憑借著更高性能、更高通用性占主導地位：

根據(jù)IDC數(shù)據(jù)，2021年，GPU/GPGPU服務器以91.9%的份額占我國加速服務器市場的主導地位；而前面我們提到過的ASIC、FPGA等非GPU加速服務器僅占比8.1%。

而現(xiàn)階段，在云端數(shù)據(jù)中心場景下，國產GPGPU芯片較于國際頂尖水平，仍有差距。

在進行對比之前，我們需要明確的是，在云端（服務器端），對于訓練芯片、推理芯片的要求不全然相同：

訓練芯片需通過海量數(shù)據(jù)訓練出復雜的神經(jīng)網(wǎng)絡模型，使其適應特定的功能，相應地，對性能和精度有較高的要求，并需具備一定的通用性；

推理芯片則是利用神經(jīng)網(wǎng)絡模型進行推理預測，對峰值計算性能要求較低，則更加注重單位能耗算力、時延、成本等綜合指標。

AI訓練芯片，國產仍有差距

目前，壁仞科技、平頭哥、昆侖芯、沐曦、天數(shù)智芯等玩家對于云端數(shù)據(jù)中心皆有布局，其中，昆侖芯、平頭哥等大多廠商推出推理芯片；寒武紀、沐曦、天數(shù)智芯則推出訓推一體芯片。

近年來，國內廠商訓練芯片產品硬件性能不斷取得突破，但與市場主流英偉達A100產品仍存在一定差距：

以燧原云邃T20產品為例，其32位單精度浮點性能達32TFLOPS，高于A100的19.5TFLOPS，且在功耗上更具優(yōu)勢，但內存寬帶不足A100的1/3，在應對機器學習和深度學習的帶寬需求上仍有差距。

同時據(jù)浙商證券分析，寒武紀去年年底推出的思元590系列可能在部分模型上由于其ASIC專用性表現(xiàn)出更優(yōu)異的性能，但由于其通用性不足，仍需要后期適配和技術支持。對比之下，中國AI訓練芯片仍與英偉達在性能、生態(tài)（兼容）有一定差距。

AI推理芯片，國產有望追平

目前，寒武紀、燧原、昆侖芯等國內廠商產品已具備與市場主流的Tesla T4 正面競爭能力：其能效比為1.71TOPS/W，與T4的1.86TOPS/W差距較小。

算力優(yōu)化路徑

差距猶在，國產AI廠商亟需趕上國際速度。大家提升芯片性能的第一步，都是卷先進制程。

現(xiàn)階段，先進制程芯片設計成本高昂：單位面積成本在14/16nm后陡增。

（先進制程芯片的單位面積成本增加 圖源：天風證券）

1、根據(jù)奇異摩爾數(shù)據(jù)，隨著制程從28nm制程演變到5nm，研發(fā)投入也從5130萬美元劇增至5.42億美元，2nm的開發(fā)費用接近20億美元，先進制程已然成了全球巨頭的燒錢競賽。

2、根據(jù)EETOP公眾號數(shù)據(jù)，在7nm節(jié)點，設計一款芯片的費用高達3億美元。且伴隨摩爾定律不斷放緩，晶體管同時逼近物理極限、成本極限。

由此，芯片上游企業(yè)也在瘋狂漲價：供貨商臺積電的先進制程晶圓價格每年都在漲，越漲越離譜。

3、先前還是分制程漲價：2021年，臺積電在8月25日中午通知客戶全面漲價，即日起7nm及5nm先進制程將漲價7%至9%，其余的成熟制程漲價約20%；

4、而在2023年初，臺積電全線大幅度漲價：根據(jù)《電子時報》報道，臺積電12英寸5nm晶圓價格高達1.6萬美元/片，較上一代7nm晶圓漲價60%。

成本上漲將成為常態(tài)，更令人遺憾的是，在國內廠商已經(jīng)把制程卷到7nm的情況下，性能也并沒有趕超英偉達。

若是卷到5nm以達到更高的性能，芯片廠商得不償失：

首先是成本難以負擔，英偉達在GPGPU的護城河，是靠著錢砸出來的。據(jù)英偉達黃仁勛表示，光是A100芯片的研發(fā)成本，就是20-30億美元（百億元級別）以及4年時光。短期之內，國內初創(chuàng)企業(yè)沒有如此大的體量，也付不起時間成本。

目前，高昂的研發(fā)成本已讓寒武紀等廠商，仍未盈利。

其次是錢花了，沒效果：性能并非保持“正增長”。邏輯芯片依然沿著摩爾定律向前演進，存儲芯片繼續(xù)縮減尺寸已不再具備成本和性能方面的優(yōu)勢，模擬芯片制程的縮小反而可能導致模擬電路性能的降低。

同時，長期來看，7nm芯片比5nm成本效益更高：

美國喬治城大學發(fā)布了一份AI芯片研究報告，其中對采用不同工藝節(jié)點的AI芯片進行經(jīng)濟效益分析。該報告通過量化模型揭示出，相比5nm工藝節(jié)點，7nm工藝芯片的成本收益更優(yōu)。

研究人員從該成本分析模型，得出兩個結論：

1、在正常運營兩年內，先進工藝(7/5nm)芯片的能耗成本就超過了其生產成本，采用舊工藝的芯片(10nm及以上)能耗成本增長更快。若綜合考慮生產成本和運營成本，先進工藝芯片的成本效益是舊工藝芯片的33倍。

2、對比7nm和5nm芯片，當正常運營使用8.8年時，二者的成本相當。這意味著，如果在8.8年以內更換芯片，7nm更劃算。鑒于數(shù)據(jù)中心AI訓練和推理所用的AI加速器大都是3年更換一次，單從成本效益來看7nm芯片比5nm更劃算。

除此之外，還有著地緣政治影響，國內的先進制程研發(fā)屢屢受阻。芯片苦于先進制程久矣，而提升芯片算力，絕非只是提升單芯片的性能，而是要考慮芯片的宏觀總算力。

宏觀總算力 = 性能*數(shù)量（規(guī)模）*利用率，而目前在CPU、GPU、AI等大算力芯片身上，我們能看到的是，很多方案不能兼顧這三大因素：

1、有的算力芯片，可以做到性能狂飆，但較少考慮芯片的通用性易用性，導致芯片銷量不高、落地規(guī)模小。例如通過FPGA定制，便是規(guī)模太小，成本和功耗太高。

2、有的算力提升方案，重在規(guī)模投入，但解決不了未來算力需求數(shù)量級提升的根本。

3、有的解決方案，通過各種資源池化和跨不同的邊界算力共享，來提升算力利用率，但改變不了目前算力芯片性能瓶頸的本質。

而想要達到大算力，需要兼顧性能、規(guī)模、利用率三大影響因子的、具備大局觀的方案。

算力解決方案，蓄勢待發(fā)

以AI云端推理卡為例，我們能看到的是，2018-2023年，算力由于工藝制程“卷不動”等種種原因，成本、功耗、算力難以兼顧。

但國力之爭已然打響，ChatGPT已然到來，市場亟需兼顧成本、功耗、算力的方案。

目前國際大廠、國內主流廠商、初創(chuàng)企業(yè)都在謀求計算架構創(chuàng)新，試圖找出兼顧性能、規(guī)模、利用率的方案，突破算力天花板。

對于架構創(chuàng)新，業(yè)內給出不少技術及方案：量子計算（量子芯片）、光子芯片、存算一體、芯粒（Chiplet）、3D封裝、HBM······

在這之中，現(xiàn)在能夠兼容CMOS工藝又能盡快量產的，有HBM、芯粒、3D封裝、存算一體。而存算一體、芯粒（Chiplet）是目前業(yè)內普遍認為，能夠突破 AI 算力困境，進行架構創(chuàng)新的兩條清晰路線。

用存算一體消除數(shù)據(jù)隔閡

從傳統(tǒng)馮·諾依曼架構到存算一體架構，通俗來講，就是消除數(shù)據(jù)與數(shù)據(jù)的隔閡，讓其更高效地工作。

在傳統(tǒng)馮·諾伊曼架構之下，芯片的存儲、計算區(qū)域是分離的。計算時，數(shù)據(jù)需要在兩個區(qū)域之間來回搬運，而隨著神經(jīng)網(wǎng)絡模型層數(shù)、規(guī)模以及數(shù)據(jù)處理量的不斷增長，數(shù)據(jù)已經(jīng)面臨“跑不過來”的境況，成為高效能計算性能和功耗的瓶頸，也就是業(yè)內俗稱的“存儲墻”。

（存儲墻限制具體表現(xiàn) 圖源：浙商證券）

存儲墻相應地也帶來了能耗墻、編譯墻（生態(tài)墻）的問題。例如編譯墻問題，是由于大量的數(shù)據(jù)搬運容易發(fā)生擁塞，編譯器無法在靜態(tài)可預測的情況下對算子、函數(shù)、程序或者網(wǎng)絡做整體的優(yōu)化，只能手動、一個個或者一層層對程序進行優(yōu)化，耗費了大量時間。

這“三堵墻”會導致算力無謂浪費：據(jù)統(tǒng)計，在大算力的AI應用中，數(shù)據(jù)搬運操作消耗90%的時間和功耗，數(shù)據(jù)搬運的功耗是運算的650倍。

而存算一體能夠將存儲和計算融合，徹底消除了訪存延遲，并極大降低了功耗?；诖耍闵套C券報告指出，存算一體的優(yōu)勢包括但不限于：具有更大算力（1000TOPS以上）、具有更高能效（超過10-100TOPS/W）、降本增效（可超過一個數(shù)量級）······

如下圖所示，相較于GPGPU，存算一體芯片能夠實現(xiàn)更低能耗、更高能效比，在應用落地方面能夠助力數(shù)據(jù)中心降本增效，賦能綠色算力。

基于此，若是處理一天的咨詢量，存算一體芯片在初始投入上，是A100的13%-26%，在每日電費上，是A100的12%。

用Chiplet賦予芯片更多能力

除了打破數(shù)據(jù)之間的墻，芯片設計廠商試圖賦予芯片更多的能力：把任務分發(fā)給不同架構的硬件計算單元(比如CPU、GPU、FPGA)，讓他們各司其職，同步工作，提高效率。

回顧計算機發(fā)展史，AI芯片處理器從單核—多核，計算從串行—并行，從同構并行到異構并行。

當摩爾定律還是行業(yè)的鐵律，也就是第一階段時，計算機編程幾乎一直都是串行的。絕大多數(shù)的程序只存在一個進程或線程。

此時，性能依賴于硬件工藝。而2003年以后，因為工藝達到了瓶頸，光是靠硬件提升行不通了。隨后，即便迎來了同構計算（疊加多個核，強行提升算力），但總體的天花板仍然存在。

異構并行計算的到來，開辟了新的技術變革：把任務分發(fā)給不同架構的硬件計算單元（比如說CPU、GPU、FPGA），讓他們各司其職，同步工作，提高效率。

異構的好處，從軟件的角度來講，異構并行計算框架能夠讓軟件開發(fā)者高效地開發(fā)異構并行的程序，充分使用計算平臺資源。

從硬件角度來講，一方面，多種不同類型的計算單元通過更多時鐘頻率和內核數(shù)量提高計算能力；另一方面，各種計算單元通過技術優(yōu)化提高執(zhí)行效率。

在這之中，Chiplet是關鍵技術。

在當前技術進展下，Chiplet方案能夠實現(xiàn)芯片設計復雜度及設計成本降低。IC設計階段將SoC按照不同功能模塊分解為多個芯粒，部分芯粒實現(xiàn)模塊化設計并在不同芯片中重復使用，能夠實現(xiàn)設計難度降低，且有利于后續(xù)產品迭代，加速產品上市周期。

用HBM技術拓寬“數(shù)據(jù)通道”

由于半導體產業(yè)的發(fā)展和需求的差異，處理器和存儲器二者之間走向了不同的工藝路線，這也就意味著，處理器與存儲器的工藝、封裝、需求大不相同。

這就導致，從1980年開始至今，二者之間的性能差距越來越大。數(shù)據(jù)顯示，從1980年到2000年，處理器和存儲器的速度失配以每年50%的速率增加。

（1980-2000年，處理器和存儲器兩者的速度失配以每年50%的速率增加 圖源：電子工程專輯）

存儲器數(shù)據(jù)訪問速度跟不上處理器的數(shù)據(jù)處理速度，兩者之間數(shù)據(jù)交換通路狹窄以及由此引發(fā)的高能耗兩大難題，在存儲與運算之間筑起了一道“內存墻”。

為了減小內存墻的影響，提升內存帶寬一直是存儲芯片關注的技術問題。黃仁勛曾表示計算性能擴展最大的弱點就是內存帶寬。

HBM，便是該難題的解法。

高帶寬存儲器（High Bandwidth Memory），是一種硬件存儲介質?；谄涓咄掏赂邘挼奶匦?，受到工業(yè)界和學術界的關注。

HBM其中一個優(yōu)勢就是通過中介層縮短內存與處理器之間的距離，通過先進的3D封裝方式把內存和計算單元封裝在一起，提高數(shù)據(jù)搬運速度。

超異構，兼顧性能、規(guī)模、利用率的新興方案

超異構計算，是能夠把更多的異構計算整合重構，從而能讓各類型處理器間充分地、靈活地進行數(shù)據(jù)交互而形成的計算。

簡單來說，就是聚合DSA、GPU、CPU、CIM等多個類型引擎的優(yōu)勢，同時結合Chiplet、3D封裝等新興架構，實現(xiàn)性能的飛躍：

√ DSA負責相對確定的大計算量的工作；

√ GPU負責應用層有一些性能敏感的并且有一定彈性的工作；

√ CPU啥都能干，負責兜底；

√ CIM就是存內計算，超異構和普通異構的主要區(qū)別就是加入了CIM，由此可以實現(xiàn)同等算力，更低能耗；同等能耗，更高算力。另外，CIM由于器件的優(yōu)勢，能負擔比DSA更大的算力。

超異構計算能夠很好解決性能、規(guī)模、利用率問題。

在性能層面，由于存算一體的加入，能夠實現(xiàn)同等算力，更低能耗；同等能耗，更高算力；

在規(guī)模層面，由于超異構基于一個計算平臺能夠聚合多個類型引擎，能夠兼顧靈活性與通用性，也就沒有因為不夠通用導致規(guī)模過小；又由于該方案較為全能，能夠應付各類型的任務，利用率也能夠得到提升。

超異構未來研究方向

而現(xiàn)實是，僅僅是異構計算，便面臨著編程很難的困境，NVIDIA經(jīng)過數(shù)年的努力，才讓CUDA的編程對開發(fā)者足夠友好，形成主流生態(tài)。

超異構就更是難上加難：超異構的難，不僅僅體現(xiàn)在編程上，也體現(xiàn)在處理引擎的設計和實現(xiàn)上，還體現(xiàn)在整個系統(tǒng)的軟硬件能力整合上。

對于更好地駕馭超異構，軟硬件融合給出了方向：

1、兼顧性能和靈活性。從系統(tǒng)的角度，系統(tǒng)的任務從CPU往硬件加速下沉，如何選擇合適的處理引擎，達到最優(yōu)性能的同時，有最優(yōu)的靈活性。并且不僅僅是平衡，更是兼顧。

2、編程及易用性。系統(tǒng)逐漸從硬件定義軟件，轉向了軟件定義硬件。如何利用這些特征，如何利用已有軟件資源，以及如何融入云服務。

3、產品。用戶的需求，除了需求本身之外，還需要考慮不同用戶需求的差異性，和單個用戶需求的長期迭代。該如何提供給用戶更好的產品，滿足不同用戶短期和長期的需求。授人以魚不如授人以漁，該如何提供用戶沒有特定的具體功能的、性能極致的、完全可編程的硬件平臺。

算力即國力，數(shù)據(jù)中心是各國開展國力之爭的“根據(jù)地”。數(shù)據(jù)中心亟需大算力芯片，滿足各大中心側、邊緣側應用場景的需求。

然而在數(shù)據(jù)中心應用場景下，國內現(xiàn)有云端AI訓練、推理芯片仍與尖子生英偉達A100芯片有較大差距。同時，現(xiàn)階段工藝制程已達到物理極限、成本極限，尋求更高效的計算架構，才是上上之選。

現(xiàn)如今，存算一體，Chiplet，3D封裝等技術現(xiàn)已成熟，超異構等解決方案可實施性較高。傳統(tǒng)架構上，各國差距明顯，而在新型技術上，各國難分伯仲。

算力之爭的格局，正悄然發(fā)生變化。

03.國內AI芯片，百舸爭流，勝局未定

傳統(tǒng)架構下，英偉達一家獨大

按照市場格局來分，在AI芯片領域，目前有三類玩家。

一種是以 Nvidia、AMD 為代表的老牌芯片巨頭，這些企業(yè)積累了豐富的經(jīng)驗，產品性能突出。根據(jù)上文可知，在云端場景下，無論是推理芯片還是訓練芯片，國內廠商皆與其有差距。

另一種是以 Google、百度、華為為代表的云計算巨頭，這些企業(yè)紛紛布局通用大模型，并自己開發(fā)了 AI 芯片、深度學習平臺等支持大模型發(fā)展。如 Google 的 TensorFlow 以及 TPU，華為的鯤鵬、昇騰，阿里平頭哥的含光800。

最后是AI 芯片獨角獸，如寒武紀、壁仞科技、地平線等，憑借雄厚的技術實力、資金基礎、研發(fā)團隊，闖進AI芯片賽道。

目前，英偉達占據(jù)80%以上中國加速卡市場份額，國產 AI 芯片亟待發(fā)展：根據(jù) IDC 的數(shù)據(jù)顯示，2021 年中國加速卡的出貨數(shù)量已經(jīng)超過 80 萬片，其中 Nvidia 占據(jù)了超過 80%的市場份額。剩下的份額被 AMD、百度、寒武紀、燧原科技、新華三、華為等品牌占據(jù)。

技術路徑背后，暗藏玄機

按照計算架構分類，目前國內大抵分為三大陣營：ASIC、GPGPU、存算一體玩家。

通過梳理各廠商使用架構、應用場景、資源稟賦，可以發(fā)現(xiàn)以下幾條線索：

大廠與自動駕駛專業(yè)芯片廠商們，偏愛ASIC。

國內大廠華為海思、百度、平頭哥皆選擇ASIC作為自己的芯片架構：

1、華為選擇部署端到端的完整生態(tài)，例如使用昇騰910必須搭配華為的大模型支持框架MindSpore、盤古大模型。

2、阿里在該方面的定位是系統(tǒng)集成商和服務商，運用自身芯片產品搭建加速平臺中，對外輸出服務。

3、百度昆侖芯主要在自身智算集群和服務器上以及國內企業(yè)、研究所、政府中使用。

ASIC盡管集成度非常高，性能可以充分發(fā)揮、功耗可以得到很好的控制，但缺點也很明顯：應用場景局限、依賴自建生態(tài)、客戶遷移難度大、學習曲線較長等問題。

而大廠皆擁有多個特定場景，ASIC“應用場景局限、客戶遷移難度大”的弊端在大廠場景下便不復存在，同時選擇ASIC在量產制造供應鏈上的難度顯著低于GPU。

專注于自動駕駛場景的AI芯片廠商例如地平線、黑芝麻，由于手握多家訂單，同樣避免了ASIC的弊端：截止2023年4月23日，地平線征程芯片出貨量突破了300萬片，與超過20家車企，共計120多款車型達成量產定點合作。

2017年后，AI芯片獨角獸們，加入GPGPU陣營。

由于ASIC只能在特定場景、固有算法之下發(fā)揮極致性能，廠商們要么需要自身有特定場景（例如華為等大廠），要么綁定大客戶（例如耐能科技）。而更為通用的GPGPU展現(xiàn)出該有的性能之后，成為國產AI芯片公司的首選。

可以看到，選擇GPGPU的登臨科技、天數(shù)智芯、燧原科技已經(jīng)把訓練與推理都全面覆蓋，而ASIC大多芯片例如平頭哥，只能專注于推理或是訓練場景。

2019年前后，新一批AI芯片獨角獸們，押注存算一體

AI算力芯片發(fā)展至2019年前后，國內AI芯片廠商們發(fā)現(xiàn)，在傳統(tǒng)架構下，CPU、GPU、FPGA已被國外壟斷，且高度依賴先進工藝制程，缺乏一定先進制程技術儲備的國內AI廠商，紛紛尋找新的解法——存算一體芯片。目前，存算一體格局未定，或將成為國內廠商破局關鍵。存算一體主流的劃分方法是依照計算單元與存儲單元的距離，將其大致分為近存計算（PNM）、存內處理（PIM）、存內計算（CIM）。

特斯拉、阿里達摩院、三星等大廠所選擇的，是近存計算。

據(jù)Dojo項目負責人Ganesh Venkataramanan介紹，特斯拉Dojo（AI訓練計算機）所用的D1芯片相比于業(yè)內其他芯片，同成本下性能提升4倍，同能耗下性能提高1.3倍，占用空間節(jié)省5倍。具體來說，在D1訓練模塊方面，每個D1訓練模塊由5x5的D1芯片陣列排布而成，以二維Mesh結構互連。片上跨內核SRAM達到驚人的11GB，由于用上近存計算架構，能效比為0.6TFLOPS/W@BF16/CFP8。業(yè)內人士表示，對于CPU架構來說，這一能效比非常不錯。

阿里達摩院在2021年發(fā)布采用混合鍵合（Hybrid Bonding）的3D堆疊技術——將計算芯片和存儲芯片face-to-face地用特定金屬材質和工藝進行互聯(lián)。據(jù)阿里達摩院測算，在實際推薦系統(tǒng)應用中，相比傳統(tǒng)CPU計算系統(tǒng)，存算一體芯片的性能提升10倍以上，能效提升超過300倍。

三星基于存內處理架構，發(fā)布存儲器產品HBM-PIM（嚴格意義上是PNM）。三星表示該架構實現(xiàn)了更高性能與更低能耗：與其他沒有HBM-PIM芯片的GPU加速器相比，HBM-PIM芯片將AMD GPU加速卡的性能提高了一倍，能耗平均降低了約50%。與僅配備HBM的GPU加速器相比，配備HBM-PIM的GPU加速器一年的能耗降低了約2100GWh。

國內知存科技選擇的是，存內處理：2022年3月，知存科技量產的基于PIM的SoC芯片WTM2101正式投入市場。距今未滿1年，WTM2101已成功在端側實現(xiàn)商用，提供語音、視頻等AI處理方案并幫助產品實現(xiàn)10倍以上的能效提升。

而存內計算，便是國內大部分初創(chuàng)公司所說的存算一體：

億鑄科技，基于CIM框架、RRAM存儲介質的研發(fā)“全數(shù)字存算一體”大算力芯片，通過減少數(shù)據(jù)搬運提高運算能效比，同時利用數(shù)字存算一體方法保證運算精度，適用于云端AI推理和邊緣計算。

智芯科微，于2022年底推出業(yè)界首款基于SRAM CIM的邊緣側AI增強圖像處理器。

在存算一體陣營之中，大廠與初創(chuàng)公司同樣因為技術路徑，走了不同的路。

大公司與初創(chuàng)公司“自覺”分為兩個陣營：特斯拉、三星、阿里巴巴等擁有豐富生態(tài)的大廠以及英特爾，IBM等傳統(tǒng)的芯片大廠，幾乎都在布局PNM；而知存科技、億鑄科技、智芯科等初創(chuàng)公司，在押注PIM、CIM等“存”與“算”更親密的存算一體技術路線。

綜合生態(tài)大廠思量的是，如何快速攻破算力和功耗的瓶頸，讓自己豐富的應用場景快速落地；芯片大廠們針對客戶所提出的高效算力和低功耗需求，開發(fā)出符合客戶需求的技術。

也就是說，大廠對存算一體架構提出的需求是“實用、落地快”，近存計算作為最接近工程落地的技術，成為大廠們的首選。

而中國初創(chuàng)公司們，由于成立時間較短、技術儲備薄弱：缺乏先進2.5D和3D封裝產能和技術，為打破美國的科技壟斷，中國初創(chuàng)企業(yè)聚焦的是無需考慮先進制程技術的CIM。

云端場景下，玩家由淺入深

不同的業(yè)務場景均已呈現(xiàn)出各自的優(yōu)勢，在商業(yè)模式上國內外都在探索階段。而不論是國內外公司，先云端推理是大家一致的方向。

業(yè)界普遍認為，訓練芯片的研發(fā)難度和商業(yè)化落地更難，訓練芯片可以做推理，但推理芯片不能做訓練。

原因是，在AI訓練的過程中，神經(jīng)網(wǎng)絡模型并沒有固定，所以對芯片的通用性有很高的需求。而推理則更簡單，增速更快，故而訓練芯片對于芯片公司的設計能力考驗更高。

從全球AI芯片市場來看，先推理后訓練是主流路徑，英特爾收購的AI芯片公司Habana、國內諸多AI初創(chuàng)公司皆是如此。

如此選擇，也是下游市場的催化作用：

隨著近年來 AI 模型訓練逐漸成熟，AI 應用逐漸落地，云端推理的市場已經(jīng)逐漸超過了訓練的市場：

根據(jù)IDC與浪潮聯(lián)合發(fā)布的《2020-2021中國人工智能計算力發(fā)展評估報告》顯示，2021 年中國市場 AI 服務器的推理負載超過訓練負載，并且隨著 AI 進入應用期，數(shù)據(jù)中心推理算力需求的復合增長率是訓練側的2倍以上，預計到2026年用于推理的加速器占比將超過 60%。

AI芯片“新星”存算一體門檻奇高

2019年后，新增的AI芯片廠商，多數(shù)在布局存算一體：據(jù)偲睿洞察不完全統(tǒng)計，在2019-2021年新增的AI芯片廠商有20家，在這之中，有10家選擇存算一體路線。

這無一不說明著，存算一體將成為繼GPGPU、ASIC等架構后的，一顆冉冉升起的新星。而這顆新星，并不是誰都可以摘。

在學界、產界、資本一致看好存算一體的境況下，強勁的技術實力、扎實的人才儲備以及對遷移成本接受度的精準把控，是初創(chuàng)公司在業(yè)內保持競爭力的關鍵，也是擋在新玩家面前的三大門檻。

存算一體，打破了三堵墻，能夠實現(xiàn)低功耗、高算力、高能效比，但想要實現(xiàn)如此性能，挑戰(zhàn)頗多：

首先是存算一體涉及到芯片制造的全環(huán)節(jié)：從最底層的器件，到電路設計，架構設計，工具鏈，再到軟件層的研發(fā)；

其次是，在每一層做相應改變的同時，還要考慮各層級之間的適配度。

我們一層一層來看，一顆存算一體芯片被造出來，有怎樣的技術難題。

首先，在器件選擇上，廠商就“如履薄冰”：存儲器設計決定芯片的良率，一旦方向錯誤將可能導致芯片無法量產。

其次是電路設計層面。電路層面有了器件之后，需要用其做存儲陣列的電路設計。而目前在電路設計上，存內計算沒有EDA工具指導，需要靠手動完成，無疑又大大增加了操作難度。

緊接著，架構層面有電路之后，需要做架構層的設計。每一個電路是一個基本的計算模塊，整個架構由不同模塊組成，存算一體模塊的設計決定了芯片的能效比。模擬電路會受到噪聲干擾，芯片受到噪聲影響后運轉起來會遇到很多問題。

這種情況下，需要架構師了解模擬存內計算的工藝特點，針對這些特點去設計架構，同時也要考慮到架構與軟件開發(fā)的適配度。

軟件層面架構設計完成后，需要開發(fā)相應的工具鏈。

而由于存算一體的原始模型與傳統(tǒng)架構下的模型不同，編譯器要適配完全不同的存算一體架構，確保所有計算單元能夠映射到硬件上，并且順利運行。

一條完整的技術鏈條下來，考驗著器件、電路設計、架構設計、工具鏈、軟件層開發(fā)各個環(huán)節(jié)的能力，與協(xié)調各個環(huán)節(jié)的適配能力，是耗時耗力耗錢的持久戰(zhàn)。

根據(jù)以上環(huán)節(jié)操作流程可以看到，存算一體芯片亟需經(jīng)驗豐富的電路設計師、芯片架構師。

除此之外，鑒于存算一體的特殊性，能夠做成存算一體的公司在人員儲備上需要有以下兩點特征：

1、帶頭人需有足夠魄力。在器件選擇（RRAM、SRAM等）、計算模式（傳統(tǒng)馮諾依曼、存算一體等）的選擇上要有清晰的思路。

這是因為，存算一體作為一項顛覆、創(chuàng)新技術，無人引領，試錯成本極高。能夠實現(xiàn)商業(yè)化的企業(yè)，創(chuàng)始人往往具備豐富的產業(yè)界、大廠經(jīng)驗和學術背景，能夠帶領團隊快速完成產品迭代。

2、在核心團隊中，需要在技術的各個層級中配備經(jīng)驗豐富的人才。例如架構師，其是團隊的核心。架構師需要對底層硬件，軟件工具有深厚的理解和認知，能夠把構想中的存算架構通過技術實現(xiàn)出來，最終達成產品落地；

3、此外，據(jù)量子位報告顯示，國內缺乏電路設計的高端人才，尤其在混合電路領域。存內計算涉及大量的模擬電路設計，與強調團隊協(xié)作的數(shù)字電路設計相比，模擬電路設計需要對于工藝、設計、版圖、模型pdk以及封裝都極度熟悉的個人設計師。

落地，是第一生產力。在交付時，客戶考量的并不僅僅是存算一體技術，而是相較于以往產品而言，存算一體整體SoC的能效比、面效比和易用性等性能指標是否有足夠的提升，更重要的是，遷移成本是否在承受范圍內。

如果選擇新的芯片提升算法表現(xiàn)力需要重新學習一套編程體系，在模型遷移上所花的人工成本高出購買一個新GPU的成本，那么客戶大概率不會選擇使用新的芯片。

因此，存算一體在落地過程中是否能將遷移成本降到最低，是客戶在選擇產品時的關鍵因素。

目前來看，英偉達憑借著更為通用的GPGPU霸占了中國AI加速卡的市場。

然而，存算一體芯片憑借著低功耗但高能效比的特性，正成為芯片賽道，冉冉升起的一顆新星。

而存算一體市場，風云未定，仍處于“小荷才露尖尖角”階段。但我們不可否認的是，存算一體玩家已然構筑了三大高墻，非技術實力雄厚，人才儲備扎實者，勿進。

04.行業(yè)發(fā)展趨勢

存算一體，算力的下一級

隨著人工智能等大數(shù)據(jù)應用的興起，存算一體技術得到國內外學界與產界的廣泛研究與應用。在2017年微處理器頂級年會(Micro 2017)上，包括英偉達、英特爾、微軟、三星、加州大學圣塔芭芭拉分校等都推出他們的存算一體系統(tǒng)原型。

自此，ISSCC上存算/近存算相關的文章數(shù)量迅速增加：從20年的6篇上漲到23年的19篇；其中數(shù)字存內計算，從21年被首次提出后，22年迅速增加到4篇，23年有6篇。

（ISSCC2023存算一體相關文章 圖源：ISSCC2023）

系統(tǒng)級創(chuàng)新，嶄露頭角

系統(tǒng)級創(chuàng)新正頻頻現(xiàn)身半導體TOP級會議，展露著打破算力天花板的潛力。

在 AMD 的總裁兼CEO Lisa Su（蘇姿豐）帶來的主旨演講“Innovation for the next decade of compute efficiency“（下一個十年計算效率的創(chuàng)新）中，她提到了AI應用的突飛猛進，以及它給芯片帶來的需求。

Lisa Su表示，根據(jù)目前計算效率每兩年提升2.2倍的規(guī)律，預計到2035年，如果想要算力達到十萬億億級，則需要的功率可達500MW，相當于半個核電站能產生的功率，“這是極為離譜、不切合實際的”。

而為了實現(xiàn)這樣的效率提升，系統(tǒng)級創(chuàng)新是最關鍵的思路之一。

（算力與功耗關系 圖源：ISSCC2023大會）

在另一個由歐洲最著名三個的半導體研究機構IMEC/CEA Leti/Fraunhofer帶來的主旨演講中，系統(tǒng)級創(chuàng)新也是其核心關鍵詞。

該演講中提到，隨著半導體工藝逐漸接近物理極限，新的應用對于芯片的需求也必須要從系統(tǒng)級考慮才能滿足，并且提到了下一代智能汽車和AI作為兩個尤其需要芯片從系統(tǒng)級創(chuàng)新才能支持其新需求的核心應用。

“從頭到腳”打破算力天花板

系統(tǒng)級創(chuàng)新，是協(xié)同設計上中下游多個環(huán)節(jié)，實現(xiàn)性能的提升。還有一種說法是，系統(tǒng)工藝協(xié)同優(yōu)化。

系統(tǒng)工藝協(xié)同優(yōu)化為一種“由外向內”的發(fā)展模式，從產品需支持的工作負載及其軟件開始，到系統(tǒng)架構，再到封裝中必須包括的芯片類型，最后是半導體制程工藝。

（系統(tǒng)工藝協(xié)同優(yōu)化 圖源：ISSCC2023大會）

簡單來說，就是把所有環(huán)節(jié)共同優(yōu)化，由此盡可能地改進最終產品。

對此，Lisa Su給出了一個經(jīng)典案例：在對模型算法層面使用創(chuàng)新數(shù)制（例如8位浮點數(shù)FP8）的同時，在電路層對算法層面進行優(yōu)化支持，最終實現(xiàn)計算層面數(shù)量級的效率提升：相比傳統(tǒng)的32位浮點數(shù)（FP32），進行系統(tǒng)級創(chuàng)新的FP8則可以將計算效率提升30倍之多。而如果僅僅是優(yōu)化FP32計算單元的效率，無論如何也難以實現(xiàn)數(shù)量級的效率提升。

（特定域計算支持工作負載優(yōu)化，從而提高性能和效率 圖源：ISSCC2023大會）

這便是系統(tǒng)級創(chuàng)新成為關鍵路徑的原因所在：如果電路設計僅僅停留在電路這一層——只是考慮如何進一步優(yōu)化FP32計算單元的效率，無論如何也難以實現(xiàn)數(shù)量級的效率提升。

對此，在未來發(fā)展機會模塊的演講中，Lisa Su給出了未來系統(tǒng)級封裝架構的大致模樣：包含異構計算叢集，特定加速單元，先進封裝技術，高速片間UCIe互聯(lián)，存算一體等內存技術。

（未來的系統(tǒng)級封裝架構 圖源：ISSCC2023大會）

百舸爭流，創(chuàng)新者先

技術路徑、方案已然明確，接下來就是拼魄力的階段。

每一個新興技術的研發(fā)廠商，在前期無疑要面臨技術探索碰壁，下游廠商不認同等各個層面的問題。而在早期，誰先預判到未來的發(fā)展趨勢，并用于邁出探索的腳步，鋪下合理的資源去嘗試，就會搶到先機。

芯片巨頭NVIDIA在這方面做出了很好的榜樣。

當數(shù)據(jù)中心浪潮還未鋪天蓋地襲來、人工智能訓練還是小眾領域之時，英偉達已經(jīng)投入重金，研發(fā)通用計算GPU和統(tǒng)一編程軟件CUDA，為英偉達謀一個好差事——計算平臺。

而在當時，讓GPU可編程，是“無用且虧本”的：不知道其性能是否能夠翻倍，但產品研發(fā)會翻倍。為此，沒有客戶愿意為此買單。但預判到單一功能圖形處理器不是長遠之計的英偉達毅然決定，在所有產品線上都應用CUDA。

在芯東西與英偉達中國區(qū)工程和解決方案高級總監(jiān)賴俊杰博士的采訪中，賴俊杰表示：“為了計算平臺這一愿景，早期黃仁勛快速調動了英偉達上上下下非常多的資源?！?/p>

遠見+重金投入，在2012年，英偉達拿到了創(chuàng)新者的獎勵：2012年，深度學習算法的計算表現(xiàn)轟動學術圈，作為高算力且更為通用、易用的生產力工具，GPU+CUDA迅速風靡計算機科學界，成為人工智能開發(fā)的“標配”。

現(xiàn)如今，存算一體已顯現(xiàn)出強大的性能，在人工智能神經(jīng)網(wǎng)絡、多模態(tài)的人工智能計算、類腦計算等大算力場景，有著卓越的表現(xiàn)。

國內廠商也在2019年前后紛紛布局存算一體，同時選擇3D封裝、chiplet等新興技術，RRAM、SRAM等新興存儲器，突破算力天花板。

AI大算力芯片的戰(zhàn)爭，創(chuàng)新者為先。

05.結語

ChatGPT火爆來襲，引發(fā)AI產業(yè)巨浪，國產AI芯片正迎來3.0時代；在3.0時代，更適配大模型的芯片架構——存算一體將嶄露頭角，同時系統(tǒng)級創(chuàng)新將成為未來的發(fā)展趨勢，搶先下注的廠商將先吃到ChatGPT帶來的紅利。

—END—