AI芯片的发展历程和市场格局

人工智能早已悄然融入日常生活：手机应用推荐你喜欢的视频内容、智能语音助手帮你安排当天的日程、自动驾驶汽车让你的通勤更加轻松，而这些神奇的智能体验背后，都离不开一个至关重要的推手——AI芯片。

就像大脑赋予人类思考的能力，AI芯片则赋予机器以智能。无论是数据中心的算力需求，还是边缘设备的智能升级，抑或是自动驾驶等前沿应用的实现，都离不开高性能、高效率的AI芯片。它的性能不仅影响着人工智能够的广度和深度，也决定着应用场景能否带来令人惊艳的体验。

随着AI技术的持续火热发展，AI芯片市场逐渐成为科技领域的焦点，它不仅牵动着全球科技巨头神经，也激发了无数初创公司的创新热情。此次，AI硬件创业公司AGIGA的CEO王晓冉与我们分享了关于AI芯片发展及当前AI芯片市场格局的见解。

PART.01AI芯片的发展历程

随着人工智能的迅猛发展，传统通用芯片已无法满足人工智能任务对于算力、功耗和延迟的特殊需求，AI芯片应运而生。AI芯片的发展主要经历了从CPU主导到GPU崛起，再到专用AI芯片涌现的历程。

01从通用芯片到AI专用芯片

王晓冉表示，如今大家都知道人工智能有“算力、算法、数据”三大支柱，而在半导体设计领域，其实也有三大关键支柱，即面积、功耗和性能。而AI芯片的发展，本质上是围绕着这三个支柱进行持续优化、创新和突破的过程。

早期AI计算多采用通用CPU，但由于CPU主要用于执行串行计算、擅长逻辑和复杂任务，对于AI发展所需要大规模并行计算需求，其性能瓶颈明显、能耗比不佳，因此难以满足AI模型快速迭代和大规模数据处理的需求。随后，GPU凭借其强大的并行处理能力成为AI计算的重要支撑。

GPU初时是为图形渲染而设计的，具有大量的计算核心，适合并行计算。在深度学习发展的早期，研究人员发现GPU可以显著加速神经网络的训练过程，例如，在图像识别任务中，使用GPU可以将训练时间从数周缩短到几天甚至几小时。2007年，英伟达发布了通用计算平台CUDA，帮助开发者将GPU用于图形渲染之外的并行计算任务，CUDA的出现极大降低了AI研究人员和工程师使用GPU的门槛，使英伟达GPU成为AI计算领域的标准硬件。随着深度学习的发展，GPU也逐渐成为AI计算的主流硬件，许多深度学习框架，如TensorFlow和PyTorch，都对GPU进行了良好支持，进一步推动了GPU在AI研究和工业界的应用，从学术实验室到大型互联网公司的数据中心，GPU被广泛用于训练各种深度学习模型。

然而，虽然GPU在AI计算中有很大优势，但它仍然是一种通用性较强的芯片，在一些特定的AI任务中，如移动设备上的实时语音识别或在自动驾驶汽车上进行低功耗、高实时性环境感知计算，仍然存在能耗高、效率不够高等问题。于是，专为人工智能设计的AI芯片开始兴起，它们通过高度定制化的架构和先进的工艺节点，在缩减芯片面积的同时大幅降低功耗、提高性能。

02AI芯片的类型

AI芯片一般可以从设计工艺和应用场景两个维度来划分为不同类型。从设计工艺看，AI芯片主要包括ASIC（专用集成电路）和FPGA（现场可编程门阵列）两种。

ASIC芯片：为特定应用或算法定制开发的专用芯片，具备高性能、低功耗、小面积的优势，但开发成本高、周期较长，典型代表如谷歌TPU、华为昇腾芯片等。

FPGA芯片：通过可编程逻辑单元实现不同算法，灵活性高，开发周期短，但在性能、功耗、面积效率方面逊于ASIC，典型产品来自AMD和英特尔。

王晓冉表示，从应用场景的角度，AI芯片大体可分为训练芯片和推理芯片两类。训练芯片主要用于AI模型的训练过程，这一场景强调极高的计算性能、高精度浮点运算以及数据吞吐能力，典型代表包括英伟达Tesla V100/H100系列、谷歌TPU v3/v4等。推理芯片则用于已训练模型的实际应用部署，强调低功耗、低延迟、高效率的实时计算能力，典型代表包括谷歌Edge TPU、华为昇腾310、苹果A系列芯片中的神经引擎，以及英伟达Jetson系列等。

PART.02AI芯片产业链及行业格局

AI芯片产业链主要分为上游芯片设计工具与IP提供商、中游芯片设计与制造厂商、下游终端应用等主要环节。上游环节由EDA工具公司和IP核授权商组成，中游环节包含芯片设计公司以及芯片制造代工厂，下游则涉及AI芯片的终端应用场景，包括云端数据中心、边缘计算设备以及消费电子终端等。目前，全球AI芯片产业链整体呈现明显的区域化特征，上游EDA和IP环节主要被欧美企业主导，中游制造环节以台积电等亚洲企业占据主导地位，而芯片设计与应用端则呈现多元化竞争格局。

01各产业环节的代表性企业

AI芯片的上游环节，EDA工具公司和IP核授权商提供了必不可少的软件工具和知识产权。新思科技和Cadence作为主要的EDA工具公司，提供的芯片设计、仿真和验证工具极大地提高了芯片设计效率与可靠性；而IP核授权领域以ARM为代表，其CPU和GPU核IP广泛应用于各类AI芯片。此外，如Imagination、CEVA以及RISC-V架构提供商也在神经网络加速等AI专用IP方向快速发展。

在芯片设计领域，科技巨头占据重要地位。英伟达凭借其在图形处理单元方面的深厚技术积累，设计的GPU广泛应用于AI训练和推理。近年来陆续推出的Tesla、A100/H100 GPU以及Jetson等系列产品使其在AI芯片市场占据优势地位。谷歌依靠强大的研发实力，推出的专为人工智能任务设计的TPU（张量处理单元），在深度学习推理方面展现出极高的效率和性能，尤其适用于大规模数据中心的人工智能计算。AMD则借助GPU与如Instinct MI系列的异构芯片迅速崛起。在移动端、边缘端AI推理芯片市场，华为昇腾系列、寒武纪的思元芯片、高通、苹果、联发科等也占有重要位置。

在制造端，全球的AI芯片制造呈现高度集中态势，台积电以其先进的工艺节点占据绝对主导地位，目前包括英伟达、AMD、苹果等绝大部分高端AI芯片均由其代工制造。此外，英特尔通过自有晶圆厂，具备设计与制造一体化能力，也在积极发展AI芯片制造业务。

02中国AI芯片市场现状

中国的AI芯片企业近年来发展迅猛，涌现出了一批具有代表性的公司。从业务定位、应用场景和技术路径等维度，目前中国的AI芯片企业大致可划分为三类：

第一类是以云端AI芯片为主的企业，这些公司主要聚焦高性能计算及数据中心领域的AI训练与推理芯片，强调芯片性能和大规模AI计算能力，典型代表包括华为海思、寒武纪。华为海思以“昇腾”系列芯片布局云端和边缘AI计算，在服务器端高性能计算和移动端高效推理场景均有广泛应用。寒武纪作为中国早期的AI芯片创业公司之一，以其“思元”系列芯片在云端推理及边缘端推理领域实现技术突破，推动了国产芯片在数据中心和智能终端上的广泛部署。

第二类是专注于终端与边缘AI芯片的企业，它们主要提供用于边缘计算、移动设备或IoT终端的低功耗、高能效推理芯片，典型代表包括地平线、黑芝麻智智能等。王晓冉表示，近年来，这类AI初创企业发展迅速。比如地平线专为自动驾驶、智能安防等边缘端AI应用场景设计芯片。去年年底，地平线成功在港股上市，成为当年顶流的科技类IPO，市值一度突破700亿港币。此外，黑芝麻智能也聚焦于自动驾驶与汽车智能化领域，其“华山”系列芯片具备高性能、低功耗优势，已成功应用于车载AI计算平台，逐渐成长为汽车AI芯片领域的重要参与者。这类企业侧重于汽车电子、智能安防、智能家居、消费电子等广泛场景，注重芯片功耗、延迟、经济性和性价比。

第三类是以类脑芯片或仿生计算芯片为代表的前沿探索型企业，比如清华大学孵化的灵汐科技等公司，旨在实现更加低功耗、类人脑计算模式的下一代AI芯片。但目前，这类企业的芯片更多处于研发和试验阶段，尚未大规模商业化应用。

王晓冉表示，虽然中国AI芯片企业快速崛起，但与国际厂商相比，中国AI芯片企业仍然在制造能力与软件生态方面等方面存在差距，还需要持续的技术积累和研发投入。

PART.03大模型推动AI芯片加速发展

随着生成式AI和大模型应用普及，AI市场需求规模持续扩大，推动AI基础设施建设进入高速增长阶段。

Grand View Research研究显示，预计2025年至2030年，人工智能产业的复合年增长率将高达35.9%。IDC的新预测还认为，到2030年，人工智能将广泛影响各行各业，为全球经济贡献19.9万亿美元，推动全球GDP增长3.5%。

大模型与生成式AI的迅速崛起，对AI芯片行业也产生着广泛影响。首先，以GPT等为代表的生成式AI模型，参数规模动辄数百亿甚至数万亿级别，使对算力的需求呈现指数级增长，极大地推动了芯片算力需求从单纯追求峰值性能转向持续、高效的规模化计算。为了应对这种变化，AI芯片的设计逻辑正在逐步从传统的单芯片算力优化，向多芯片、分布式算力架构演进，强调更高效的芯片互联与数据通信能力，如Chiplet（芯粒）技术和异构计算架构越来越受到重视。

同时，大模型对内存带宽和存储架构也提出了更高要求，使得高带宽内存、更高容量的片上缓存、存算融合技术等逐渐成为AI芯片设计中的关键要素。此外，由于大模型的训练和推理任务差异显著，AI芯片开始向场景化和定制化方向发展，针对训练场景的超大规模算力芯片和针对推理场景的高效低功耗芯片逐渐分化，ASIC专用芯片和GPU等通用芯片在不同场景中的定位越来越清晰。

需要注意的是，当前AI芯片行业在快速发展的同时也伴随着一定的泡沫风险，尤其体现在政策驱动和资本市场热捧下的出现投资过热现象。部分企业缺乏扎实的技术积累或清晰的商业模式，盲目追求短期估值和融资规模，导致市场竞争激烈但实际落地能力不足。AI芯片的研发周期长、技术壁垒高，因此相关技术企业也需要用更长期主义的心态去发展。