神經網絡算法助推人工智能普及，計算能力需求爆發式增長：神經網絡算法是當前最主流的人工智能算法，其通過海量樣本數據進行機器學習，從而生成具備智能判斷能力的模型。近年來，隨著GPU等硬件計算平臺性能的提升，以及互聯網帶來的大數據資源，神經網絡算法已經被應用到人臉識別、語音識別等多個領域，實現了極高的準確率。但同時，神經網絡算法的精確度提升十分依賴于海量的計算資源，計算能力的需求將在人工智能時代迎來爆發式的增長。

　　軟件加速遭遇瓶頸，AI專屬芯片勢在必行：神經網絡算法應用的不斷發展，使得傳統的CPU已經無法負擔幾何級增長的計算量。傳統CPU支持的指令集更加通用，主要針對非計算密集型的程序，其優化在于加速分支判斷、邏輯判斷等操作，對神經網絡算法這種計算密集型的應用并不適合。在芯片產業的發展歷史上，當軟件加速方案已經遠遠達不到需求時，針對某一應用的硬件解決方案就會填補這一空白，從信號處理芯片DSP、圖形芯片GPU到圖像處理芯片ISP等，都是這一技術演進路徑的案例?；诋斚氯斯ぶ悄芩惴ǖ膹V泛應用，AI專屬芯片已成行業發展的必然選擇。

　　服務器端AI芯片：多種技術路線實現高并發計算：神經網絡訓練(Training)階段的加速主要在服務器端完成。在這一過程中，計算節點的處理芯片已不再是傳統的CPU，更適合神經網絡計算特點的芯片方案被采用，包括GPU、FPGA、以及專屬的ASIC芯片方案。其中GPU的浮點計算能力較為出色，FPGA架構更為靈活，適合迭代開發計算，而專屬的ASIC芯片方案性能最優，但是初期研發成本較高，目前主要是谷歌、英特爾等巨頭玩家參與。三種方案在成本、功耗、速度方面各有優劣，在當前的一段時間內會并存。

　　終端AI芯片：應用場景驅動，市場前景廣闊：隨著人工智能場景的應用深入滲透到行業的各個領域，在終端，推理(Inference)階段的計算能力越來越成為瓶頸。一些對即時性要求很高的應用場景，已經無法通過在云端進行推理計算的方式滿足，終端AI芯片加速成為了必選的方案。于是，以低延時、低功耗為目標的定制化終端AI芯片成為了各種應用場景的選擇，該領域典型的參與者有專注無人駕駛場景的Mobileye、機器視覺領域的Movidius、消費電子端的寒武紀等。我們認為，終端AI芯片更接近消費者，在硬件先行的前提下，未來如能形成豐富的終端AI應用生態圈，則快速增長的出貨量將攤薄前期研發成本，形成行業發展的正反饋。