【中昊芯英斩获硬核芯「2025 年度创业团队奖」成唯一获此殊荣企业】

作为中国集成电路行业内极具影响力的产业活动，硬核芯生态大会自2019年创办以来已成功举办六届，累计吸引超600家 IC设计公司申报、是业内挖掘优秀半导体企业、推动产业高质量发展的重要平台。

本届大会以 「把握芯片本土化窗口期，共探产业发展新机遇」为主题，汇聚了电子制造企业高管、技术专家、投资者等产业链上下游精英，通过主题论坛、供需对接会及颁奖盛典等形式，共同探索中国半导体产业的创新路径。

根据黄仁勋预计三年内，Ai芯片市场将达到7000亿美元（普通芯片规模目前约万亿美元），

目前英伟达占Ai尖端芯片市场的80%，其净利润率高达56%。

可见国产替代的蓝海有多么大！以后5600亿美元AI芯片起码一半留给中昊芯英！也就是2800~3000亿美元！

从广义上讲只要能够运行人工智能算法的芯片都叫作AI芯片，但通常意义上的AI芯片指的是针对人工智能算法做了特殊加速设计的芯片。

AI芯片也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块（其他非计算任务仍由CPU负责）。

AI芯片是人工智能的底层基石

2014年李天石博士“DianNao”系列论文让科学界看到，在冯诺依曼架构下也可以实现AI专用芯片。此后Google推出的TPU运算架构的AlphaGo，接连打败李世石和柯洁，看到了专用芯片的商业价值。人工智能经历过三阶段，迎来爆发式增长。

AI人工智能的发展主要依赖两个领域的创新和演进：一是模仿人脑建立起来的数学模型和算法，其次是半导体集成电路AI芯片。AI的发展一直伴随着半导体芯片的演进过程，20世纪90年代，贝尔实验室的杨立昆（YannLeCun）等人一起开发了可以通过训练来识别手写邮政编码的神经网络，但在那个时期，训练一个深度学习卷积神经网络（Convolutional Neural Network，CNN）需要3天的时间，因此无法实际使用，而硬件计算能力的不足，也导致了当时AI科技泡沫的破灭。

AI芯片是AI发展的底层基石。英伟达早在1999年就发明出GPU，但直到2009年才由斯坦福大学发表论文介绍了如何利用现代GPU远超过多核CPU的计算能力（超过70倍），把AI训练时间从几周缩短到了几小时。算力、模型、数据一直是AI发展的三大要素，而AI芯片所代表的算力则是人工智能的底层基石。

训练芯片及推理芯片

根据机器学习算法步骤，AI芯片分为“训练（Training）”芯片和“推理（Inference）”芯片。“训练芯片”主要用于人工智能算法训练，即在云端将一系列经过标记的数据输入算法模型进行计算，不断调整优化算法参数，直至算法识别准确率达到较高水平。“推理芯片”主要用于人工智能算法推理，即将在云端训练好的算法模型进行裁剪优化变“轻”之后，进入“实战”阶段，输入数据直接得出准确的识别结果。

不同用途（训练or推理）、不同应用场景（端-边-云）对AI芯片有着不同的要求。首先，训练芯片追求的是高计算性能（高率）、低功耗，但是推理芯片主要追求的是低延时（完成推理过程所需要的时间尽可能短）、低功耗。其次，“端-边-云”三个环节对AI芯片的有不同的要求——其中端和边上进行的大部分是AI“推理”，因此用于端和边的AI芯片性能要求和上述推理芯片一致；大部分的训练过程是在云和数据中心进行，训练过程对时延没有什么要求，因此需要保证AI芯片在尽可能保证较高算力的情况下，功耗尽可能低，另外许多推理过程也是在云端进行。

终端芯片及云端芯片

根据部署场景，AI芯片可用于端、边、云三种场景，具体而言：

1）终端AI芯片追求以低功耗完成推理任务，以实际落地场景需求为导向，在能耗/算力/时延/成本等方面存在差异；

2）边缘AI芯片介于终端与云端之间，承接低时延/高隐私要求/高网络带宽占用的推理或训练任务；

3）云端AI芯片以高算力/完成训练任务为目标，包括CPU/GPU/FPGA/ASIC等多种类型。

GPU、FPGA、ASIC及CPU

从技术架构来看，AI芯片主要分为图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、中央处理器（CPU）四大类。其中，GPU是较为成熟的通用型人工智能芯片，FPGA和ASIC则是针对人工智能需求特征的半定制和全定制芯片，GPU、FPGA、ASIC作为加速芯片协助CPU进行大规模计算。

GPU：AI高性能计算王者

GPU（Graphics Processing Unit）图形处理器：GPU最初是为了满足计算机游戏等图形处理需求而被开发出来的，但凭借高并行计算和大规模数据处理能力，逐渐开始用于通用计算。根据应用场景和处理任务的不同，GPU形成两条分支：传统GPU：用于图形图像处理，因此内置了一系列专用运算模块，如视频编解码加速引擎、2D加速引擎、图像渲染等；GPGPU：通用计算图形处理器（general-purposeGPU）。为了更好地支持通用计算，GPGPU减弱了GPU图形显示部分的能力，将其余部分全部投入到通用计算中，同时增加了专用向量、张量、矩阵运算指令，提升了浮点运算的精度和性能，以实现人工智能、专业计算等加速应用。

GPU在AI模型构建中具有较高的适配性。GPU的高并行性可以更好地支持AI模型训练和推理过程中大量的矩阵或向量计算，以NVIDIAGPU系列旗舰产品A100为例：根据NVIDIA公布的规格参数，A100的深度学习运算性能可达312Tflops。在AI训练过程中，2048个A100GPU可在一分钟内成规模地处理BERT的训练工作负载；在AI推理过程中，A100可将推理量提升到高达CPU的249倍。

AI模型与应用的加速发展推动GPU芯片放量增长。

AI芯片是专为人工智能计算任务设计的芯片，通过软硬件优化加速深度学习、机器学习等算法，广泛应用于视觉处理、语音识别、自然语言处理等领域。自从AI技术大爆发以来，全球科技巨头持续加码AI大模型，消费电子领域日益呈现人工智能的趋势，AI芯片的需求将与日俱增，AI芯片供应紧张状况一直延续。

AI芯片产业链

AI芯片产业链上游为半导体材料和半导体设备，半导体材料包括硅片、光刻胶、溅射靶材、电子特气、封装材料等，半导体设备包括光刻机、刻蚀机、薄膜沉积设备、清洗设备、涂胶显影设备等；中游为AI芯片可分为CPU、GPU、FPGA、ASIC；下游为Al大模型、云计算、智能驾驶、智慧医疗、智能穿戴、智能机器人等应用领域。

AI芯片市场规模大增

AI芯片作为专门为人工智能计算设计的集成电路，近年来受到广泛关注，中国AI芯片行业市场规模不断增长。