國產芯押注AI潮 逃離利潤谷底

人工智能的應用浪潮推動了國產芯片的替代進程。為打破壟斷，國內頭部及傳統的IC制造商試圖繞過被英偉達壟斷的GPU框架，集體轉向設計并研制專用計算芯片(ASIC)、FPGA及融合型異構處理器，以滿足人工智能市場廣泛需求的云端訓練及終端推理作業。

01 樓閣坍塌

2016年至今，中國人工智能產業蓬勃發展，一連出現了如商湯、曠視、科大訊飛、云從等獨角獸公司。時至2019年，這一現象達到高潮。

2017年，廣州市政府向云從科技注資3.01億美元，同年國有資本風險投資基金向曠視科技投入4.6億美元資金。2017年，中國人工智能初創企業股權融資額占全球總量的48%，高出美國10個百分點。截止2018年底，中國人工智能企業獲得風險投資總額接近1100億元，超過美國同期的93.3億美元;2019年10月，北京市海淀區政府為響應人工智能發展政策，提出愿為重點項目提供最高3000萬的資金支持···

然而，一切高歌猛進在復雜的中美摩擦中戛然而止。

2019年5月，華為公司及其在分布在國內外的百家機構被美列入實體名單，大批量半導體斷貨。

6月21日，中科曙光、天津海光、成都海光集成電路等五家機構被列入實體名單。

10月7日，“黑色”恐怖相繼蔓延，海康威視、大華科技、科大訊飛、曠視科技、商湯科技、美亞柏科、頤信科技和依圖科技等28家中國與人工智能技術相關的機構和公司集體被列入實體名單，被限制從美國購買零部件。

面對突如其來的“制裁”，AI公司們能做的只有譴責。

科大訊飛表示，列入黑名單不會影響其日常運營。

美亞柏科表示，海外收入不足總收入1%、貨源大多來自國內。

大華則在股東會議上表示，主營產品的多數組件可獲得替代。

然而正如一位業內人士所說，一項超速發展的下游產業，很難不被緩慢進步的上游產業的缺口所牽制。

8家AI公司表面說沒事，實則暗地流血。

數據統計，海康威視500億元人民幣(合70億美元)的收入中有近30%來自海外;2019Q3財報顯示，海康威視存貨金額由年初的57億增長到98億，浮動+71.96%;外幣借貸額增勢更明顯，由年初4.4億增長到期末45億，同比增長+929.69%，顯然，海康的資本重心發生了大角度轉變。

為避免帶有情緒的股民集體拋售，海康、大華在名單公布當日一早，宣布了臨時停盤。

一位接近曠視科技的人士稱，“名單對公司上市進程影響很大···為繞開敏感GPU供應商，不得不把產品分成軟件、硬件兩標投。然而，一邊合作方將硬件加價掛牌出售，套走大筆利潤;另一邊，客戶以名單為由，坐地壓價甚至重新招標···”

由于AI公司普遍采用的美國產的半導體，此次事件對于8家AI公司影響頗大，并險些陷入此前與中興相似的境遇。若無自主可控的AI芯片，業務定位很難逃離微笑曲線谷底。

樓閣已塌。

據統計，在中國使用的半導體中，只有16%是國內生產的，而這其中又僅有不到一半是由中國公司自主設計的。工業和信息化部科技司司長胡燕認為，人工智能的發展不能再走“沙灘建高樓”的模式，若芯片、操作系統等頂層基礎不突破，我們的人工智能產業，就是空中閣樓、是為別人做嫁衣。

AI公司受芯片牽制久已。由于抵擋不住“抽芯”壓力，人工智能產業迫切的需要國產芯片的一臂之力。而時至2019年底，這一產業的國產化替代趨勢初露頭角。

02 尋找最優技術路線

為理解這個趨勢，需要從基礎技術談起。

首先，如何抽象人工智能?簡單來講，軟件通過對現有信息進行自動化分析并得到規律，利用規律對未知數據進行預測，便是人工智能最基本的工作流。

即便有了學術界數十年探索，工業界通過大量實踐得出一項共識：面對確定性問題，AI有著得天獨厚的優勢;而面對不確定的問題，AI和人腦(動物腦)之間仍存在難以逾越的鴻溝。人腦善于線性推理，AI反之，善于高精度、大規模運算。人工智能的分支中的“強化學習”，就是在填補這個條鴻溝。

而在人類社會中，智力相較于勞動力，有著更高溢價范疇。

2012～2016年，巔峰時期的互聯網經濟回歸基本面，一部分互聯網公司、AI初創解決方案商看到智能服務的缺口，人工智能創業浪潮隨之涌現。其中不乏涉及人臉識別、自動駕駛、機器學習等分支技術，并落地于金融、安防、工業、農業、教育等領域。這些領域受數據隱私、商業機密限制，依賴高性能運算同時，對運算屬性需求獨立分散且靈活。

AI運算包含大量矩陣、卷積、積分等并行運算，我們熟知的CPU并不適用。為滿足不同環境下的AI運算，業界普遍采用GPU(圖形顯示卡)、FPGA(現場可編程邏輯門陣列)、ASIC(專用集成電路)，亦或是在SoC內封裝NPU(神經網絡處理器)、IPU(圖像處理單元)等技術路線，以滿足AI的訓練(train)和推理(inference)。

云端訓練芯片市場，英偉達(Nvidia)一家獨大，主推GPU單卡或多卡集成主機方案。其GPU產品線覆蓋不同程度算力、不同數據類型的訓練需求，且編程環境成熟，產品支持市場上主要的開發框架和語言。然而由于成本等因素，GPU并不適用于AI推理端。國內AI芯片廠也有著統一共識：絕不走純GPU路線，嘗試其他技術路線“繞道超車”。

FPGA，適用于高凈值的「推理端」，例如自動駕駛，工控集成，成本略高，優勢在于定制性強、設計周期短，然而FPGA的設計人才難聘。同時，近些年來看，其高昂成本仍難以繞開。當然也有聲音稱，國內某家智能駕駛公司與賽靈思合作，將進口單片成本降至2000元，配給主機廠做L2套件。

從經濟角度講，FPGA具備“暫時性”替代ASIC芯片地位，可彌補ASIC長研發周期、流片周期的時間缺口，是目前少有能兼顧訓練和推理的高性能芯片。然則全球僅四家公司具備FPGA的生產能力：Xilinx(美)、Altera(被intel收購)、Lattice(美)、Microsemi，先有英特爾、IBM、德州儀器，再有摩托羅拉、飛利浦、東芝等公司成立獨立部門投入FPGA研發，均無疾而終。

ASIC(專用集成電路)，研發-流片周期長，成本卻可降至FPGA十分之一水平。Google獨家技術的TPU(張量處理器)及英偉達DLA(Deep Learning Accelerator，深度學習加速器)即采用ASIC技術路線。國內華為海思、寒武紀、比特大陸、嘉楠智耘等幾大芯片廠商，主要產品同樣采用該技術路線，目前已實現一定規模的量產。相比FPGA這類剛剛起步的技術路線，ASIC是國內芯片生產商唯一能夠在短期獲得盈利的半導體產品。

面對殘酷的歷史教訓，傳統芯片廠也好，新晉半導體設計公司也好，量產推理端芯片，ASIC是最優解。

關鍵詞： 國產芯 AI潮