作者系私募操盘手，深度原创投资机会挖掘作者，TMT发烧友

华为“麒麟970”芯片在这个9月跃上了风口浪尖。

“全球首款人工智能芯片”的锃亮标签之下，A股正在演绎着极为亢奋的“芯片行情”。

股市掘金固然重要，但知其然还须知其所以然。

关于促动出这波连日大阳的“麒麟970”，以及其所属的行业竞争格局，笔者试着以自己的视角进行了剖析，并成文如下。

“麒麟970”是为何物？

刚刚结束的德国柏林消费电子展上，华为正式发布搭载10nm工艺制程的年度旗舰处理器“麒麟970”。

华为消费者事业部CEO余承东如是说：这一带有强大AI计算力的手机端移动计算平台，是业界首颗带有独立NPU(神经网络处理器)专用硬件处理单元的手机芯片。

然而，严格来说，“麒麟970”并非严格意义的AI芯片，而是一块SoC（System-on-chip）芯片。

所谓的SoC，即芯片上集成了若干不同的功能模块；其中的任一模块，通常都是上游的技术提供商通过IP（intellectual property，知识产权）提供授权。

根据分工不同，很多专用功能的处理单元被集成至SoC之上。

其中，我们最熟悉的是GPU；此外还包括ISP（图像处理）、Modem（通信模块）、DSP（数字信号处理）等。

而余承东所称的NPU，即为一个擅长神经网络计算的功能单元。

NPU的集成，虽不足以使其称之为严格意义上的AI芯片，但足以意味着智能手机正式进入人工智能时代。

此外，就“麒麟970”具体而言，其采用ARM Cortex-A73四核+Cortex-A53四核的架构，以及台积电10nm制造工艺；同时搭载12核高效GPU、8核高性能CPU，4.5G高速LTE Modem，最高下载速度可以达到1.2Gbps，与高通目前发布的最强的X20 LTE基带实力相当。

特别值得一提的是，麒麟970的GPU，用上了ARM最新推出的Mali-G72 MP12架构——这是Mali-G72 MP12 GPU的首次商用。

这个架构厉害支出在于，其比上一代的Mali-G71性能提高了40%，能效提高了25%。

“寒武纪”遇上“麒麟芯”

“麒麟970"所集成的NPU，正是来自当红炸子鸡——“寒武纪”IP。

寒武纪IP，主要用于深度神经网络（DNN）中的复杂计算，涉及语言识别、图像（人脸）识别以及深度学习等AI应用。

“寒武纪1A”深度神经元网络处理器，是“麒麟970"所集成的“寒武纪”IP的原型。

“寒武纪1A”特别设计了专门的存储结构，以及完全不同于通用处理器的指令集，得以每秒处理160亿个神经元和超过2万亿个突触，而功耗只有原来的1/10。

关于“寒武纪”，当前已是名声鹊起。

其研发公司寒武纪科技，系由中国科学院计算技术研究所)陈云霁、陈天石两兄弟携手创立。

今年8月18日，该公司对外宣布完成1亿美元A轮融资。

其投资方阵容颇为强大，包括国投创业，阿里巴巴创投、联想创投、国科投资、中科图灵、科大讯飞（天使轮）、元禾原点(天使轮)、涌铧投资(天使轮)等。

众星捧月之下，寒武纪科技亦被称为全球AI芯片领域第一个独角兽初创公司。

此番寒武纪IP集成至华为的麒麟芯上，不仅意味全球首款AI手机芯片的问世，更意味着以“深度神经网络”为主要核心的人工智能应用正是开启了普及应用之路。

一如华为官方海报所言，“AI不止是语音助手”——这预示华为新一代自研的处理器将摆脱束缚，实现更多人机交互的可能性。

图为寒武期板卡

图为寒武纪芯片

科技巨头“抢占赛道”白热化

放眼全球，当前的科技巨头，对于智能芯片追逐和布局已经到了白热化的地步：

1. 人工智能显卡芯片总龙头英伟达股价2年8倍，继续领涨美国科技股；

2、2016年7月20日，软银宣布将以243亿英镑(约合320亿美元)，43%的溢价收购移动端芯片总龙头ARM，英国芯片设计公司ARM；

3、2016年9月，英特尔收购视觉芯片公司Movidius；

4、2017年3月，英特尔宣布以153亿美元收购以色列无人驾驶Mobileye；

5. 谷歌自主研发人工智能数据中心芯片TPU，搭载AlphaGo应用，横扫人类围棋界

以在英特尔芯片垄断PC时代，以及ARM芯片称霸移动互联网时代的历史进可鉴中，芯片永远都是产业链最上游的存在，是行业先导指标。

核心芯片往往决定一个计算时代的基础架构！

当今，谷歌、微软、IBM、Facebook、英伟达等IT巨头之所以纷纷投巨资加速人工智能核心芯片的研发，都是意图从源头上掌控核心芯片架构，取得人工智能计算时代的主导权。

未来3-5年，随着人工智能定制芯片的突破，所有行业都将实现人工智能化。届时，智能化市场之规模和容量将数十倍于现今的移动互联网市场。

新的计算时代来临之时，往往是新兴企业弯道超车的绝佳机遇，目前使用的GPU、FPGA均非人工智能定制芯片，天然存在局限性，人工智能专用芯片对于IT巨头和初创企业是同一起跑线的蓝海。

目前以深度学习为代表的人工智能新计算需求，主要采用 GPU、FPGA，AISC定制化芯片等已有适合并行计算的通用芯片来实现加速。

三种主流人工智能芯片方向：GPU, FPGA，AISC定制

GPU：以英伟达为主导的GPU芯片。

作为图像处理器，设计初衷是为了应对图像处理中需要大规模并行计算。

因此，其在应用于深度学习算法时，存在应用过程中无法充分发挥并行计算优势，硬件结构固定不具备可编程性，运行深度学习算法能效远低于 FPGA。

FPGA：即现场可编辑门阵列，是一种新型的可编程逻辑器件。

其设计初衷是为了实现半定制芯片的功能，即硬件结构可根据需要实时配臵灵活改变。

目前的FPGA 市场由 Xilinx 和 Altera 主导，两者共同占有 85％的市场份额。

其中Altera 在 2015 年被 intel 以 167 亿美元收购（此交易为 intel 有史以来涉及金额最大的一次收购案例）。

另一家Xilinx 则选择与 IBM 进行深度合作，背后都体现了 FPGA 在人工智能时代的重要地位。

对于机器学习算法的性能和功耗的角度来说：FPGA 可以开发出为机器学习算法专用的架构，但是 FPGA 本身的峰值性能较 GPU 要差很多。

FPGA 实现的机器学习加速器，在架构上可以根据特定应用优化所以比 GPU 有优势；但是 GPU 的运行速度（>1GHz) 相比 FPGA 有优势 (~200MHz)。

所以，对于平均性能，看的就是 FPGA 加速器架构上的优势是否能弥补运行速度上的劣势。

AISC定制：ASIC是指依产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。

以谷歌TPU为代表的AISC定制化芯片（包括4个芯片能够提供180TFLOPs浮点运算的计算能力）就是一种最大化性能需求和成本能耗平衡的重要手段。

打个形象的比方，我们设计一款人工智能芯片就像设计一个某种功能的房子，那么我们有三种选择：

1、买一个已有的比较通用的房子，然后改变内部的软件设施来让这个房子达到我们需要的功能。

优点是对于用户代价小，但肯定没法达到性能最大化，这就对应了通用型GPU芯片。

2、买一个半成品的房子，我们可以随时改变房子里面的各个房间格局。

优点是相对第一种房子性能肯定会更贴近我们需求，而且也保证了一定灵活性，如果需求有改变，可以随时再改变内部房间格局。

这对应着FPGA芯片。

3、完全一块砖一块砖按自己需求重新搭建一个房子。

这种肯定性能上最能贴近我们的需求，但是一次性投入太大，如果不是确定性需求需要冒风险，这就对应着ASIC芯片。

所以，我们不难理解为什么大部分创业公司，都会采用英伟达GPU这类生态成熟的通用芯片；为什么在人工智能算法没有最终成熟需要不断改进时，FPGA会出现在一些应用领域；而谷歌这类财大气粗自己需求量很大的公司自己用ASIC的TPU。

终端应用的两种智能芯片应用模式：

一种是通用GPU处理器采用较为通用的处理器。

如movidius、英伟达的Jetson系列芯片。

有点事通用性较好，能够运行各类神经网络算法；但价格相对较高，主要针对高端市场。

这类芯片的代表就是刚刚被intel收购的Movidius公司，它们推出 Myriad 系列VPU（视觉处理器）平台可以用于3D感知及扫描建模的芯片，可以支持室内导航、360度全景视频处理等机器视觉应用。

第二种是以华为麒麟970为标志的SoC芯片。

这种芯片将已经训练好的较为通用的智能识别类算法直接固化为IP，嵌入到SOC芯片中。

优点是因为是专用芯片（ASIC）,量产后功耗、价格等都极具优势，但功能拓展性有限。

例如在安防领域，商汤科技的SenseEmbed将深度学习人脸识别算法通过高性能计算极致优化，搭建底层算法最优解决方案，利用商汤科技自主研发的PPL、FastCV高性能异构并行计算组件库，能将复杂的深度学习算法集成在一张小小的芯片中，进行毫秒级识别速度。

目前已支持海思Hi3519/Hi3516A/Hi3516D、飞思卡尔IMX6、ARMCortexA7等多款主流嵌入式芯片，将为硬件设备提供最优深度学习算法引擎。

投资机会有哪些？

重点关注：建议分别从硬件和应用两方面关注具备行业先导指标的意义的公司，人工智能产业发展初期率先启动、弹性最大的行业。

下图为具体的产业标的一览。