[TOC]
1 定义
广义上讲，AI芯片指能一切够对AI算法进行部署运行的芯片，包括GPU、CPU、FPGA、ASIC等。
1.1 GPU
定义
GPU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。
产品特点：
- 计算能力强大。GPU中超过80%部分为运算单元（ALU），擅长大规模并行运算。
- 产品成熟。目前，CPU+GPU异构模式已经在人工智能云端训练平台得到广泛应用。
市场格局：
英伟达绝对领先，AMD跟随，英特尔规划进入；国内处于起步阶段，比特大陆2019年推出了第一代的产品，但市场份额几乎可以忽略。
发展趋势：
- 短期来看，GPU仍将主导AI芯片市场。GPU凭借其强大的计算能力、较高的通用性，将继续占AI芯片的主要市场份额。而且，两大GPU厂商都还在不断升级架构并持续推出新品，深度学习性能提升潜力大。
- 长期来看，GPU主要方向是高级复杂算法和通用型人工智能平台。
1.2 FPGA
定 义
FPGA（现场可编程门阵列）芯片集成了大量的基本门电路以及存储器，灵活性介于CPU、GPU和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。
优 势：
- 算力强劲。
- 功耗较低。相比CPU和GPU，FPGA没有取指和译码操作，能耗比指标优秀。
- 灵活性好，成本有优势。
国际格局：
当前，全球FPGA市场被赛灵思、英特尔、莱迪思等巨头垄断。其中，赛灵思和英特尔合计占到市场的70%左右，赛灵思的市场份额超过40%。
国内格局：
国内FPGA市场刚刚起步，差距较大，主要市场依然为赛灵思、英特尔、莱迪思等国际大厂占据，其中2017年赛灵思和英特尔合计市场规模占比达到80%，国内厂商市场份额较小，只占4%。其中主要参与者包括高云半导体、上海安路科技、同创国芯等。
1.3 ASIC
定 义：
ASIC（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、体积小、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。
性 能：
ASIC芯片主要应用于深度学习加速。其中表现最为突出的ASIC就是Google的TPU（张量处理芯片）。谷歌数据显示，TPU 平均比当时的 GPU 或CPU 快15-30倍，能耗比高出约 30-80倍。
市场格局：
国外主要是谷歌在主导，国内企业主要是寒武纪。近年来，国内一些AI算法企业开始向下游延伸，针对自身算法特点自研或者联合开发芯片，行业呈现出百花齐放的状态。
风 险：
ASIC一旦制造完成以后就不能后续修改，且研发周期较长、商业风险较大。一般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。
2 分类
2.1 按照承担任务划分
推理芯片
用于算法模型开发和训练。
训练芯片
用于应用层，利用训练好的模型，通过芯片计算“推理”出结果。
2.2 按照部署位置划分
云端芯片
部署在公有云、私有云或者混合云上，不但可用于训练，也可用于推理，算力强劲。
边缘端芯片
主要应用于嵌入式、移动终端等领域，此类芯片一般体积小、耗电低，性能要求也相对不高，一般只需具备一两种AI能力，用于推理。