電子發燒友網報道(文/李彎彎)在過去接近10年時間里,AI產業經歷了幾個重要節點,2012年深度學習的研究突破,給AI產業帶來新的起點,2016年Alphago打敗李世石,正式引爆市場,一時間涌現出大量AI創業企業,資本也大量投進這個賽道。
在短時間火熱之后,湊熱鬧的人逐漸退出,AI產業繼續穩步向前發展,最近幾年AI技術快速發展,應用場景不斷浮現,AI產業也進入到爆發式增長階段,巨大的市場潛力逐漸顯現出來。據艾媒咨詢數據顯示,2020年中國AI芯片市場規模達183.8億元,預計2023年將突破千億級別。
同時AI芯片也逐漸呈現出多元化趨勢,主要體現在幾個方面:一是早期AI芯片更多集中在訓練上,如今除了AI訓練芯片持續增長,AI推理芯片的市場規模也在快速擴大,預計將超過訓練芯片;二是AI芯片過去主要部署在云端,如今已經向邊緣端/終端方向發展;第三,AI芯片有各種類型,其中多數是GPU,不過很明顯,ASIC、FPGA等非GPU芯片市場規模也在逐步提升。
AI推理芯片市場規模逐步擴大
AI芯片可分為訓練和推理兩個環節,訓練環節通常需要通過大量的數據輸入,或采取增強學習等非監督學習方法,訓練出一個復雜的深度神經網絡模型。推理環節指利用訓練好的模型,使用新的數據去推理出各種結論,比如,視頻監控設備通過后臺的深度神經網絡模型,判斷一張抓拍到的人臉是否屬于黑名單。
也因此通常也會有AI訓練芯片和AI推理芯片,另外還會根據是部署在云端數據中心、邊緣端、還是終端,更細化的分為云端AI訓練、云端AI推理、邊緣/終端AI推理芯片。
因為AI訓練需要大量的數據,基本被部署在云端,過去幾年地方政府加快建設公有云、私有云、數據中心,也因此AI訓練芯片市場大增,在2018年的時候中國云端AI訓練芯片市場份額達到51.3%,中國AI芯片市場規模也以云端訓練芯片為主。
不過隨著大規模地方性數據中心建設陸續完成,云端訓練芯片增長速度逐步放緩,而隨著各領域市場需求的釋放,云端推理芯片、終端推理芯片市場增長速度呈現上升趨勢,根據IDC研究發現,2020年中國數據中心用于推理的芯片的市場份額已經超過50%,預計到2025年,用于推理的工作負載的芯片將達到60.8%。

邊緣AI芯片市場規模將超過云端芯片
同時AI芯片正在從云端向邊緣端發展,IDC&浪潮日前發布的《2021-2022中國人工智能計算力發展評估報告》顯示,在新技術的驅動下,5G 等連接技術降低了數據的傳輸和處理速度,為了分擔數據中心的計算壓力并且也能提高實時響應速度,人工智能在邊緣側的處理將成為企業的一個關鍵增長領域。
人工智能在邊緣以及端側將有廣泛的應用場景,從自動駕駛到工業制造,再到消費者智能家居和可穿戴設備。據市場咨詢公司ABI Research的數據顯示,預計到2025年,邊緣AI芯片市場的收入將達到122億美元,云AI芯片市場的收入將達到119億美元,邊緣AI芯片市場將超過云AI芯片組市場。
非GPU芯片占比增加,將超過20%
目前AI芯片有3種主流技術路線,分別是GPU、ASIC以及FPGA。其中GPU芯片被認為更適合用于承擔訓練負載,有分析人士指出,目前GPU已經發展到較為成熟的階段。根據IDC數據,2021年上半年AI芯片中,GPU依然是實現數據中心加速的首選,占有90%以上市場份額。
英偉達是GPU領域的絕對龍頭,占據了絕大部分市場份額,近幾年國內也有多家GPU廠商逐漸成長起來,將其用于AI訓練和推理,包括天數智芯、摩爾線程、沐曦集成、壁仞科技、登臨科技等。
雖然目前GPU仍然占據主要的市場份額,不過ASIC、FPGA等其他非GPU芯片在各個領域越來越多的被使用,整體市場份額接近10%,預計到2025年其占比將超過20%,主要原因:一是越來越多的AI初創企業成長起來,它們很多采用ASIC芯片進行訓練和推理;二是GPU較多的被用于云端訓練,而隨著云端、邊緣推理芯片市場規模逐漸擴大,FPGA和ASIC芯片的價值更容易得到體現。
小結
整體而言,經過多年的發展,AI芯片市場規模正在快速增長,同時AI芯片也逐漸走向更加多元化,從功能上來看,逐漸從云端AI訓練拓展到云端和邊緣端推理,從芯片類型來看,GPU芯片仍然占據重要位置,而FPGA和ASIC等芯片的價值也得到更多體現。
我們也明顯看到,不少AI芯片企業開始全面推出產品,或者包括云端訓練和推理,或者同時進行云端和邊緣端芯片產品布局,比如寒武紀推出同時支持訓練和推理的芯片,燧原在推出云端訓練芯片之后,也推出了云端推理芯片,鯤云科技基于CAISA芯片的產品可應用于云端和邊緣端推理。
在短時間火熱之后,湊熱鬧的人逐漸退出,AI產業繼續穩步向前發展,最近幾年AI技術快速發展,應用場景不斷浮現,AI產業也進入到爆發式增長階段,巨大的市場潛力逐漸顯現出來。據艾媒咨詢數據顯示,2020年中國AI芯片市場規模達183.8億元,預計2023年將突破千億級別。
同時AI芯片也逐漸呈現出多元化趨勢,主要體現在幾個方面:一是早期AI芯片更多集中在訓練上,如今除了AI訓練芯片持續增長,AI推理芯片的市場規模也在快速擴大,預計將超過訓練芯片;二是AI芯片過去主要部署在云端,如今已經向邊緣端/終端方向發展;第三,AI芯片有各種類型,其中多數是GPU,不過很明顯,ASIC、FPGA等非GPU芯片市場規模也在逐步提升。
AI推理芯片市場規模逐步擴大
AI芯片可分為訓練和推理兩個環節,訓練環節通常需要通過大量的數據輸入,或采取增強學習等非監督學習方法,訓練出一個復雜的深度神經網絡模型。推理環節指利用訓練好的模型,使用新的數據去推理出各種結論,比如,視頻監控設備通過后臺的深度神經網絡模型,判斷一張抓拍到的人臉是否屬于黑名單。
也因此通常也會有AI訓練芯片和AI推理芯片,另外還會根據是部署在云端數據中心、邊緣端、還是終端,更細化的分為云端AI訓練、云端AI推理、邊緣/終端AI推理芯片。
因為AI訓練需要大量的數據,基本被部署在云端,過去幾年地方政府加快建設公有云、私有云、數據中心,也因此AI訓練芯片市場大增,在2018年的時候中國云端AI訓練芯片市場份額達到51.3%,中國AI芯片市場規模也以云端訓練芯片為主。
不過隨著大規模地方性數據中心建設陸續完成,云端訓練芯片增長速度逐步放緩,而隨著各領域市場需求的釋放,云端推理芯片、終端推理芯片市場增長速度呈現上升趨勢,根據IDC研究發現,2020年中國數據中心用于推理的芯片的市場份額已經超過50%,預計到2025年,用于推理的工作負載的芯片將達到60.8%。

邊緣AI芯片市場規模將超過云端芯片
同時AI芯片正在從云端向邊緣端發展,IDC&浪潮日前發布的《2021-2022中國人工智能計算力發展評估報告》顯示,在新技術的驅動下,5G 等連接技術降低了數據的傳輸和處理速度,為了分擔數據中心的計算壓力并且也能提高實時響應速度,人工智能在邊緣側的處理將成為企業的一個關鍵增長領域。
人工智能在邊緣以及端側將有廣泛的應用場景,從自動駕駛到工業制造,再到消費者智能家居和可穿戴設備。據市場咨詢公司ABI Research的數據顯示,預計到2025年,邊緣AI芯片市場的收入將達到122億美元,云AI芯片市場的收入將達到119億美元,邊緣AI芯片市場將超過云AI芯片組市場。
非GPU芯片占比增加,將超過20%
目前AI芯片有3種主流技術路線,分別是GPU、ASIC以及FPGA。其中GPU芯片被認為更適合用于承擔訓練負載,有分析人士指出,目前GPU已經發展到較為成熟的階段。根據IDC數據,2021年上半年AI芯片中,GPU依然是實現數據中心加速的首選,占有90%以上市場份額。
英偉達是GPU領域的絕對龍頭,占據了絕大部分市場份額,近幾年國內也有多家GPU廠商逐漸成長起來,將其用于AI訓練和推理,包括天數智芯、摩爾線程、沐曦集成、壁仞科技、登臨科技等。
雖然目前GPU仍然占據主要的市場份額,不過ASIC、FPGA等其他非GPU芯片在各個領域越來越多的被使用,整體市場份額接近10%,預計到2025年其占比將超過20%,主要原因:一是越來越多的AI初創企業成長起來,它們很多采用ASIC芯片進行訓練和推理;二是GPU較多的被用于云端訓練,而隨著云端、邊緣推理芯片市場規模逐漸擴大,FPGA和ASIC芯片的價值更容易得到體現。
小結
整體而言,經過多年的發展,AI芯片市場規模正在快速增長,同時AI芯片也逐漸走向更加多元化,從功能上來看,逐漸從云端AI訓練拓展到云端和邊緣端推理,從芯片類型來看,GPU芯片仍然占據重要位置,而FPGA和ASIC等芯片的價值也得到更多體現。
我們也明顯看到,不少AI芯片企業開始全面推出產品,或者包括云端訓練和推理,或者同時進行云端和邊緣端芯片產品布局,比如寒武紀推出同時支持訓練和推理的芯片,燧原在推出云端訓練芯片之后,也推出了云端推理芯片,鯤云科技基于CAISA芯片的產品可應用于云端和邊緣端推理。
聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。
舉報投訴
-
asic
+關注
關注
34文章
1243瀏覽量
121991 -
gpu
+關注
關注
28文章
4912瀏覽量
130662 -
AI
+關注
關注
87文章
34256瀏覽量
275414
發布評論請先 登錄
相關推薦
熱點推薦
從云端到終端:RAKsmart服務器構筑AI云平臺智慧城市全棧解決方案
傳統服務器方案常面臨算力分散、運維復雜、能效比低等問題,導致AI算法難以高效落地。而RAKsmart服務器憑借其技術創新與全棧服務能力,正在為AI云平臺智慧城市提供從云端算力
陣列云從訓練到推理
在云場景下,陣列云(分布式計算集群)從模型訓練到推理的完整技術流程可結構化分解如下: 一、訓練階段技術實現 1,資源動態編排? 基于Kubernetes集群或云廠商彈性計算服務(如AW
從邊緣計算 到云端計算
處理數據,需通過互聯網傳輸原始數據?。 延遲與實時性? 邊緣計算?:毫秒級響應,適用于自動駕駛、工業控制等實時場景?。 云端計算?:因網絡傳輸和集中處理,延遲較高(通常秒級),適合非實時任務(如數據分析、模型訓練)?。

從CPU到GPU:渲染技術的演進和趨勢
渲染技術是計算機圖形學的核心內容之一,它是將三維場景轉換為二維圖像的過程。渲染技術一直在不斷演進,從最初的CPU渲染到后來的GPU渲染,性能和質量都有了顯著提升。一、從CPU

《算力芯片 高性能 CPUGPUNPU 微架構分析》第3篇閱讀心得:GPU革命:從圖形引擎到AI加速器的蛻變
在數據挖掘工作中,我經常需要處理海量數據的深度學習任務,這讓我對GPU架構和張量運算充滿好奇。閱讀《算力芯片》第7-9章,讓我對這些關鍵技術有了全新認識。
GPU架構從早期的固定功能流水線,到
發表于 11-24 17:12
評論