性能優良，體積小，功耗低，可靠性高。在大規模生產的情況下，它也具有低成本的特點。近年來，越來越多的公司開始使用sic晶元進行深度學習演算法加速，其中最突出的就是tpu。這是一個人工智慧加速器晶元，谷歌已經設計用於機器學習，以提高人工智慧計算能力，同時大幅降低電力消耗。它的表現非常出色。

此外，國內企業開發的寒武紀系列處理器也受到了廣泛的關注。ASIC的全球市場規模從2012年的163億美元增長到2017年的257億美元，預計未來五年將保持18.4％的複合年增長率，到2022年將達到597億美元。目前，市場格局仍相對零散。

FPGA集成了大量的基本門電路和存儲器，其靈活性介於CPU、GPU等通用處理器和專用集成電路（ASIC）之間。我國在這方面剛剛起步，與Silence、Intel、Ledith、MGM等四大FPGA巨頭相比還有很大的差距。就市場份額而言，Cyrins和Intel合計約佔市場份額的90％，其中Silence佔50％以上。2017年，FPGA的全球市場為59.6億美元，預計到2023年將達到98億美元。

人工智慧的發展還處於起步階段，人工智慧晶元正朝著「人工智慧加速晶元」的方向發展。人工智慧計算的發展需要經歷傳統智能計算、基於深度學習的智能計算和基於神經模擬的智能計算三個階段。至於第三階段的神經模擬晶元，目前涉及的企業很少，要成為未來的主流還有很長的路要走。

然而，英特爾在2018年國際消費電子展上展示了Loihi，這是一款基於14納米的新型神經模擬計算晶元，其異質設計包括128個神經形態核心（神經形態核心）和三個低功耗Intel x86核心，擁有13萬個神經元和1.3億個天線。

AI晶元市場空間巨大

並不一定有很多玩家。

根據Gartner的預測，未來五年，全球人工智慧晶元市場將從2018年的42.7億美元飆升至343億美元，增長逾7倍。未來AI晶元市場將有很大的增長空間。

然而，對於許多初創企業來說，研發晶元將面臨巨大的時間和資金挑戰.就時間而言，晶元的研發通常需要兩年左右的時間才能開始銷售。相比之下，更重要的一點是晶元的成本很高。

在人工智慧應用領域，將根據晶元的部署位置和任務要求，採用不同的處理方式。終端設備晶元一般採用65 nm和28 nm工藝，EDGE晶元和部分移動設備晶元一般採用16 nm或10 nm工藝，雲端晶元一般採用7 nm工藝。

晶元製造決定了開發成本。據IBS估計，根據不同的工藝，65納米晶元的開發成本為2850萬美元，而5納米晶元的開發成本為5.422億美元。因此，在晶元的研發過程中，誤差容限幾乎為零。目前，40nm和55nm工藝比較成熟。然而，對於目前先進的7nm工藝，許多企業的技術還不夠成熟。

高開發成本，加上逐年的開發周期，ai晶元公司在融資的早期階段需要大量資金，才能在沒有產品銷售的時期生存下來。政府補貼和投資者資金往往有利於銷售良好的公司。而資本市場則希望縮短投資周期。因此，融資也成為一個門檻。

另外，由於晶元的開發周期通常需要1~3年，軟體在正常的時間內會有很快的發展，但演算法也會在此期間快速更新，晶元如何支持這些更新也是困難的。

從長遠來看，人工智慧晶元本身的技術發展將面臨以下困難。

目前主流的AI晶元採用馮·諾依曼架構。在馮·諾依曼架構中，晶元以1合1輸出模式計算，數據從處理單元外部的存儲器中提取，然後在處理後寫回存儲器，以便順序讀取任務。由於計算組件和存儲組件之間的速度差異，當計算能力達到一定水平時，訪問存儲器的速度跟不上計算組件消耗數據的速度，並且附加計算組件不能充分利用，這不僅是AI晶元的實現。瓶頸也是長期困擾計算機體系結構的問題。

另外，為了滿足人工智慧發展對計算能力的要求，有必要減小CMOS工藝中的集成尺寸，不斷提高晶元的系統性能。目前，7 nm已經開始批量生產，5 nm節點的技術定義已經完成。然而，它也導致了CMOS工藝和器件的瓶頸。首先，由於納米晶體管的能耗很高，很難實現晶元的密集封裝。其次，幾個納米的CMOS器件，它的層厚度只有幾個原子層，這樣的厚度很容易導致電流泄漏，從而影響工藝尺寸的減小效果。

儘管ai晶元市場有很大的增長空間，但它可能無法容納足夠的公司。行業本身的特點和ai目前的發展階段都決定了ai晶元公司將會有一段比較長的挫折期，而在這個過程中，被資本所油炸的泡沫也會被壓縮。

以上均為網路整理得，如有錯誤，請聯繫深銘易購電子元器件商城進行刪除，謝謝！