边缘计算AI芯片专题：关注人才、资本、场景三要素

1. 边缘 AI 芯片——边缘智能之魂

1.1 边缘智能迅猛发展，而边缘 AI 芯片占据产业链上游举足轻重

边缘计算的下一发展阶段即为边缘智能。借用《边缘智能白皮书》中的比喻，边缘计算可以认为是在象牙塔里学到的理论知识，但是理论终究要运用到实践中，而将边缘计算与人工智能相结合，让每个边缘计算的节点都具有计算和决策的能力，才是现实中可落地的方案，这一方案即边缘智能。边缘计算产业与云计算产业相辅相成，而边缘智能使得边缘计算、人工智能与应用场景结合，是边缘计算最好的实践形态。

边缘智能优势颇多。与边缘计算相比，边缘智能安全性更高，功耗更低，时延更短，可靠性更高，带宽需求更低，还可以更大限度的利用数据，以及进一步缩减数据处理成本。机构研究发现边缘与云端距离越短，数据处理成本越低。边云距离减少到 322 公里的时候，成本将缩减 30%，当距离为 161 公里的时候，成本将缩减 60%，而当边缘具备人工智能分析能力的时候，成本将进一步缩减。

依托于物联网，边缘智能将有无限发展潜力。尽管 Gartner 曲线显示，边缘智能目前仅处于最初的触发期，技术、业务、商业模式等各方面仍具有不确定性，但随着物联网产业规模的不断发展壮大，边缘智能必定有巨大的市场规模。从连接数来看，未来产业物联网中有大量设备会直接连接至边缘智能平台。根据BI Intelligence 发布的报告预测，到 2020 年估计有超过 5.63 亿政府和企业级物联网设备连接至边缘智能平台，而以上数据仅为政府和企业级项目，预计消费物联网中采用边缘智能方案的项目更多。如此庞大的设备连接数为边缘智能产业发展奠定坚实基础。

作为边缘智能的灵魂，边缘 AI 芯片有着重要地位。边缘智能（EI）其实就是在业务层、终端侧部署人工智能，而 AI 芯片则是人工智能的核心，是人工智能唯一的物理基础。业内素有“无芯片，不 AI”的说法，可见 AI 芯片的重要性。根据调研机构 IDC 的预测，到 2021 年，将有 43%的物联网计算将发生在边缘，而赋予 AI 芯片是边缘计算及学习能力的重要支撑。假如将拥有计算能力的边缘设备看作一个人的话，那么设备边缘 AI 芯片就相当于他负责学习的大脑，有着不可或缺的地位。只有边缘设备通过 AI 芯片获得了自主计算的能力，才能真正的称之为边缘智能。

根据 ICA 联盟发布的《边缘智能白皮书》，我们可以发现芯片在整个边缘智能的产业图谱中占据产业链上游，属于基础设施层。边缘 AI 芯片厂商作为产业链上游参与方投入大量资源进行技术研发，从供给方面为边缘智能的实现打下坚实牢固基础。

1.2 边缘 AI 芯片多为边缘推断芯片，可由三种架构实现

要想了解边缘 AI 芯片，首先需要了解 AI 芯片。宽泛的讲，面向人工智能应用的芯片都可以称之为AI 芯片。从部署位置上来看，AI 芯片分为两种：云端 AI 芯片和边缘 AI 芯片，而从功能上来看，AI 芯片分为训练芯片和推断芯片两种。

由于功耗、算力等条件限制，目前边缘端的 AI 芯片绝大部分为边缘推断芯片。作为人工智能实现途径的深度学习分为两个阶段：模型训练与智能推断。由于模型训练通常需要运用各种非监督学习方法训练出一个复杂的神经网络模型，故其对功耗、算力等硬性指标要求很严格，目前只能在云端实现。而推断环节则不同，其仅需利用既定模型推断出新结论。相比训练环节来说，推断的计算量要小很多，对硬性指标的要求可放宽，更有望在边缘侧完成。因此边缘 AI 芯片大部分是边缘推断芯片。

从技术架构来看，它可分为四大类，分别为通用性芯片（GPU）、半定制化芯片（FPGA）、全定制化芯片（ASIC）、类脑芯片。由于类脑芯片属新型编程架构，整体还处于研发初期，实现起来较为困难，故我们暂且不将其纳入对比范围。

GPU、FPGA、ASIC 三种架构均可以用在边缘端，各有优势。

GPU 技术成熟，终端拔得头筹。GPU 最先被引入深度学习，技术最为成熟，在终端的安防、汽车等领域，GPU 也率先落地，是目前应用范围最广、灵活度最高的 AI 硬件。

FPGA 具有硬件可编程特点，性能出众但壁垒高。FPGA 相比 GPU 具有低功耗优势，同时相比 ASIC具有开发周期快，更加灵活编程等特点。FPGA 是效率和灵活性的较好折衷——“和时间赛跑”，在算法未定型之前具较大优势。在现阶段的终端智能安防领域，目前也有厂商采用 FPGA 方案实现 AI 硬件加速。

ASCI 由于可定制、低成本是未来终端应用的最佳选择。无论是从性能、面积、功耗等各方面，AISC都优于 GPU 和 FPGA。但在 AI 算法尚处于蓬勃发展、快速迭代的今天，ASIC 存在开发周期较长、需要底层硬件编程、灵活性较低等劣势，因此发展速度不及 GPU 和 FPGA。

2.边缘 AI 芯片来袭，高速发展

2.1 需求端：物联网时代来袭，云端短板、下游场景均需边缘 AI 发展

2.1.1 云端 AI 短板凸显，实时性等要求亟需边缘智能出现

随着物联网解决方案的逐渐成熟，物联网时代即将到来。根据中国产业信息网给出的预测：2022 年全球物联网连接数接近 200 亿部，其中全球物联网终端总数将达到 193.1 亿部，中国占比约 23%，物联网终端总数将达到 44.8 亿部。

万物互联在推动大量设备接入的同时，会在网络中形成海量数据。据 IDC 预测，全球物联网设备产生的数据从将 2013 年的 0.1ZB 增长到 2020 年的 4.4ZB。

云端 AI 已满足不了数据爆炸式增加后的计算需求。数据爆炸式的增加，带来了对计算传输能力需求的指数级增长，同时产生在边缘的数据由于时效性或存储问题等种种因素也需进行实时处理，这时云端AI 的弊端显现。

在此情形下，众人均将目光转向边缘 AI。边缘 AI 依托边缘计算的分布式计算理念，在边缘端采集数据，并完成数据处理，提供智能终端推断的边缘计算，因其能够满足实时性、安全性的需求，且能节约带宽与存储，能够完美的解决了云端 AI 出现的问题，因此得到越来越多的关注。

2.1.2 下游应用场景爆发，边缘 AI 芯片需求旺盛

就目前来看，边缘 AI 芯片主要应用场景为手机等智能消费电子、安防和自动驾驶等场景。按照不同应用场景，我们可以将它划分为为手机等消费电子 AI 芯片、安防 AI 芯片和汽车 AI 芯片，这三大市场需求十分旺盛。根据观研天下发布的《2018 年中国 AI 芯片市场分析报告》中数据测算，到 2022 年，在边缘端汽车 AI 芯片占比将达 44%，消费电子类 48%，安防 AI 芯片也占据 8%的份额。随着技术的不断进步与发展，未来可能会出现更多需求边缘端进行智能计算的场景，边缘 AI 芯片应用前景广阔。

1.智能手机备受关注，AI 芯片渗透率逐年提升

智能手机等消费电子产品是 AI产品化的重要领域，推动边缘 AI芯片起步。苹果 iPhoneX 上的 FaceID、谷歌 Pixel 手机上的音乐识别、谷歌自动拍照相机 Clips 等，都是 AI 功能在消费电子产品上的体现。而终端的 AI 芯片在其中扮演十分重要的角色。以手机中的图像识别功能为例，智能手机中大概率会采用 AI 算法+终端芯片的架构，可实现对于现实世界图像的智能识别，并在此基础上进行实时优化。

预计 AI 推断芯片将从高端机型向下渗透，在智能手机上的渗透率将从 2017 年的 3%上升到 2018 年的 10%和 2022 年的 45%。艾瑞咨询报告预测，AI 手机出货量占比将从 2017 年的不到 10%提升到 2022年的 80%，年销量将超 13 亿部。

2.智能安防场景下边缘摄像头 AI 化成趋势，发展空间大

据数据预测，2018 年中国安防行业市场规模将达 6570 亿元，其中智能安防行业市场规模近 300 亿元，预计在 2020 年将创造一个千亿的市场。在智能安防市场中，智能视频监控市场最大，占比过半。

搭载边缘 AI 芯片的摄像头优点明显，发展空间巨大。摄像头作为视频监控市场的基本硬件，目前大多只进行数据采集，数据存储与分析等工作多交由后端服务器或云端，费时费力。而搭载 AI 芯片的智能摄像头具备强大的视频处理能力和智能因素，可以为用户提供更多高级的视频分析功能，提高视频监控系统的能力和效率，降低监控系统的成本，同时能够使视频资源发挥更大的作用。过去几年里，安防行业越来越多的将数据分析从云中心迁移到摄像头等边缘位置，但智能摄像头的渗透率仍极低，不足1%，有很大发展空间。

3.自动驾驶一片蓝海，边缘 AI 芯片成基石

中国将成为全球最大的自动驾驶市场。据麦肯锡最新研究显示，如果自动驾驶的前景在中国铺展开来，中国未来很可能成为全球最大的自动驾驶市场，而这一产业的收益规模将达到数万亿美元。

而汽车中搭载的边缘 AI 芯片则是自动驾驶的基石。若想使车辆实现真正的自动驾驶，要经历在感知—建模—决策三个阶段，每个阶段都离不开终端推断芯片的计算。以感知场景为例：在车辆感知周围环境的过程中，边缘推断芯片在融合数据并进行分析中起到了关键性作用。首先，芯片要对各路获得的“图像”数据进行分类；其次，车辆必须要辨别目标为何物，这就需对图像进行快速识别。而从云端进行推断则时延过大，存在安全隐患，不符合自动驾驶的要求，此时终端 AI 芯片的优势凸显。

根据观研天下预测，边缘 AI 芯片在 L2/3 的新车产量中渗透率将从 2017 年的 0.5%，上升到 2022 年的 18%，而 L4/5 将从 2019 年的 0.1%，上升到 2022 年的 5%。

注：SAE International（国际汽车工程师协会）制定的等级标准已经成为定义自动驾驶车辆的全球行业参照标准，用以评定自动驾驶技术。分为五个级别——L0 级（人工驾驶）、L1 级（辅助驾驶）、L2 级（半自动自动驾驶）、L3 级（高度自动驾驶）、L4 级（超高度自动驾驶）、L5 级（完全自动驾驶）。

2.3 人工智能+边缘计算双风口来袭，AI 国家政策、边缘计算联盟建立促进边缘 AI 芯片产业发展

边缘计算+人工智能双风口来袭，边缘 AI 作为双方交叉产物，必受双方产业发展推进。而边缘 AI 芯片作为边缘 AI 的灵魂，定会从中受益。

2.3.1 人工智能处于发展的政策红利期，上升到国家战略高度

人工智能处于发展的政策红利期，上升到国家战略高度。近年来，我国在人工智能领域密集出台相关政策，更在 2017、2018 连续两年的政府工作报告中提到人工智能，可见中国政府把人工智能上升到国家战略的决心。据统计，2015 年到 2018 年 1 月发布的近 60 项国家与地方的人工智能政策。

2.3.2 众联盟纷纷成立助边缘计算走上正轨

边缘计算作为新兴产业应用前景广阔，产业同时横跨 OT、IT、CT 多个领域，且涉及网络联接、数据聚合、芯片、传感、行业应用多个产业链角色。物联网涉及的环节众多，一家厂商的规模力量再大也不能够覆盖到方方面面，为了全面促进产业深度协同，加速边缘计算在各行业的数字化创新和行业应用落地，各公司联合建立多个联盟，利用手中资源加强合作，讨论制定行业标准，发布各细分领域白皮书，助边缘计算向规范化迈进，引领边缘计算产业的健康可持续发展。

2.4 资本助力边缘 AI 芯片发展

近年来与 AI 芯片相关的技术和产品频出不穷，整个行业呈现一种井喷式发展。随着 AI 在安防、医疗、金融、大数据等落地场景上的出色表现，投资人持续看好人工智能行业。根据艾媒咨询数据显示，2018 年中国人工智能领域共获融资 1311 亿元，、融资额增长率超过 100%。

边缘计算+AI 双风口来袭，边缘 AI 芯片受到投资者的广泛关注。虽是资本寒冬，但 2018 年仍有多家涉足边缘端计算的 AI 芯片企业获投。

2.5 供给需求两侧双向刺激边缘 AI 芯片发展，2030 年规模将达百亿

当前中国 AI 芯片投资热情高涨。中国从事 AI 芯片研发的公司超过 20 家，集中于边缘推断芯片。越来越多的 AI 初创企业将终端专用芯片作为重点攻克课题，以解决云端连接存在的功耗、延迟、带宽、隐私等问题——毫无疑问，越来越多的计算未来将会在终端设备上完成，智能将会下沉到终端设备，智能边缘计算将会崛起，带动边缘 AI 芯片蓬勃发展。

据观研天下测算，边缘 AI 芯片市场需求于 2018 年开始爆发，从 2017 年的 4 亿美元，翻 4 倍至 2018年的 19 亿，再年均增长 86%至 2022 年的 230 亿美元。

3.众企征战边缘 AI 芯片市场，格局尚未明晰，中国有望突围

3.1 边缘 AI 芯片市场刚刚起步，参与者众多

边缘 AI 芯片市场的广阔前景吸引了众多参与者。传统芯片厂商向边缘端发力，通过收购等方式迅速提高自己的市场竞争力。2015 年 6 月，CPU 市场龙头 Intel 以 167 亿美元的价格，收购了全球第二大 FPGA厂商 Altera，发力边缘芯片；2018 年 7 月，自适应和智能计算的美国企业赛灵思公司宣布已经完成对 AI芯片独角兽深鉴科技的收购。初创企业雨后春笋般诞生，意借边缘端机会入局。2018 年 6 月，寒武纪完成数亿美元 B 轮融资，投后整体估值为 25 亿美元（约合 167 亿人民币），成为全球 AI 芯片创业公司的“领头羊”。2019 年 2 月，地平线获得 6 亿美元（约合 40 亿人民币）左右的 B 轮融资，估值达 30 亿美元（约合200 亿人民币），成目前全球估值最高的 AI 芯片独角兽。

3.1.1 海外多巨头入局，剑指边缘

各方巨头厂商看准边缘 AI 芯片机会，均向边缘端进攻。

GPU 龙头英伟达保持了极大的投入力度，快速提高 GPU 的核心性能，增加新型功能，保持了在 AI训练市场的霸主地位，并积极拓展终端嵌入式产品形态，于 2018 年 1 月发布首个自动驾驶处理器——Xavier。Xavier 的 GMSL 高速 IO 将其与迄今为止最大阵列的激光雷达、雷达和摄像头传感器连接起来。

英特尔作为传统 PC 芯片的老大，也在积极向 PC 以外的市场转型，布局自动驾驶领域。为了加强在AI 芯片领域的实力，英特尔收购 FPGA 生产商 Altera，收购自动驾驶技术公司 Mobileye，以及机器视觉公司 Movidius 和为自动驾驶汽车芯片提供安全工具的公司 Yogitech，收购人工智能软硬件创业公司Nervana。

Google 作为巨头 IT 厂商也发布了边缘 AI 芯片 Edge TPU。Edge TPU 的尺寸很小，它可以在较小的物理尺寸以及功耗范围内提供不错的性能，支持 PCIe 以及 USB 接口。Edge TPU 优势在于可以加速设备上的机器学习推理，或者也可以与 Google Cloud 配对以创建完整的云端到边缘机器学习堆栈。

赛灵思收购深鉴科技，在自动驾驶领域推出首款自适应计算加速平台芯片 Versal。Versal 是基于 FPGA演化出的新架构，其使用多种计算加速技术，可以为任何应用程序提供强大的异构加速。

3.1.2 国内初创企业迸发，进攻边缘市场

国内涉足边缘 AI 芯片的厂商以中小公司为主，没有巨头，多集中于 ASIC 的开发，并已有所建树。据统计，目前创立于国内的 AI 芯片初创公司有 13 家，包括寒武纪、比特大陆、地平线机器人、西井科技等，均瞄准了边缘 AI 芯片这个领域。

“寒武纪”成立于 2016 年，由中科院计算所孵化。2017 年 11 月，寒武纪在北京发布了三款新一代人工智能芯片，分别为面向低功耗场景视觉应用的寒武纪 1H8，高性能且拥有广泛通用性的寒武纪 1H16，以及用于终端人工智能和智能驾驶领域的寒武纪 1M。1M 是寒武纪第三代机器学习专用芯片，使用TSMC 7nm 工艺生产，其 8 位运算效能比达 5Tops/watt（每瓦 5 万亿次运算）。

华为海思是华为的子公司，于 2004 年成立，专注于芯片研究。2018 年 8 月发布两款应用于边缘端的芯片——昇腾 310 和麒麟 900 系列。昇腾 310 的最大功耗仅为 8W，属于昇腾的迷你系列、整数精度的算力达到 16TFLOPS；麒麟 970 是全球首款手机 AI 芯片，用于华为 Mate 10、P20 系列手机。麒麟980 则用于最新的 Mate20 系列和荣耀 Magic 2.采用寒武纪的 AI IP.

地平线成立于 2015 年 7 月，是一家注重软硬件结合的 AI 初创公司。2017 年 12 月，地平线自主设计研发了中国首款嵌入式人工智能视觉芯片——旭日 1.0 和征程 1.0。今年又推出了基于旭日（Sunrise）2.0 的架构的 XForce 边缘 AI 计算平台，其主芯片为 Intel A10 FPGA，典型功耗 35W，可用于视频人脸识别、人体分割、肢体检测等功能。

比特大陆成立于 2013 年 10 月，是全球第一大比特币矿机公司，目前占领了全球比特币矿机 70%以上的市场，并已将业务拓展至 AI 领域。BM1880 是比特大陆首款面向边缘端计算的低功耗 AI 协处理器，采用 28nm 工艺，ARM A53 双核架构，RISC-V CPU，其典型功耗 2W，int 8 精度算力能够达到 1Tops。

3.2 英伟达为当前 AI 芯片龙头，边缘侧场景爆发将打破现有局面

由上文分析我们可知，根据部署位置的不同，AI 芯片分为云端芯片和边缘端芯片。同时，根据功能的不同我们将 AI 芯片分为训练芯片和推断芯片。目前 AI 芯片多在云端，英伟达的 GPU 芯片被广泛应用于深度神经网络的训练和推理，根据中国科学院自动化研究所测定，2017 年英伟达的 GPU 芯片在 AI 芯片市场中占比高达 54%。

边缘端 AI 芯片快速发展会打破现有的 GPU 称霸 AI 芯片局面。边缘端对芯片的功耗限制比较严格，现有的云端 AI 芯片无法满足终端低功耗的需求，故终端的 AI 芯片需重新进行开发。而边缘侧场景又以细分赛道见长，不同的赛道对芯片有着不同的要求。以安防、驾驶、消费电子三个场景为例：智能安防、智能驾驶由于视频信号的数据量较大，对数据流计算速度要求较高；智能驾驶除计算能力外对硬件的稳定性和突发状况处理速度要求较高；智能手机、音箱、AR/VR 终端等消费电子类受限于电池容量，对低功耗的要求更高些。由上文我们知道边缘端的 AI 芯片可由 GPU、FPGA、ASIC 三种架构实现，这三种架构各有优缺点。故根据不同的场景需求，架构的选择也变得多样化起来。

根据 Tractica 的报告显示，未来边缘端的 AI 芯片会呈高速增长态势，到 2025 年，基于云的 AI 芯片组将带来 146 亿美元的收入，而基于边缘的 AI 芯片组将带来 516 亿美元的收入，是数据中心的 3.5 倍。这样大规模增长势必会对现有的 AI 芯片格局大洗牌。

边缘 AI 芯片的迅速发展将打破 AI 芯片中 GPU 称霸格局，但由于目前整个行业仍处于研究阶段，并未有大规模的商业落地，故其竞争格局还未明朗，仍需等待时日才能揭晓。

3.3 中国企业有望在边缘 AI 芯片领域突围

在边缘 AI 芯片领域，中国企业具备了“天时、地利、场景和”三个方面的优越条件，有望在边缘端完成突围。

3.3.1 天时：边缘智能产业处于早期阶段，中国技术不落后

市场处于早期阶段。上文中我们提到过根据 Gartner 曲线，边缘智能处于技术触发期，技术、业务等各方面的挑战仍然具有不确定性，加上人工智能行业整体也处于早期状态，还未形成有效竞争格局，导致双方的交叉点边缘 AI 芯片产业并不成熟，芯片技术及产业标准化刚刚处于起步阶段，存在众多机会。

中国企业在国际 AI 芯片市场有一定竞争力。2018 年 5 月，国际调研公司 Compass Ietelligence 发布了一份 AI 芯片排行榜单，其依据企业供应商指标、产品和客户指标、经济指标、领导力及近期活动等其他指标，共四个方向对全球 100 多家 AI 芯片企业进行了排名。其中三家企业上榜，分别为华为海思（第 12名），寒武纪（第 23 名），地平线（第 24 名）。

3.3.2 地利：中国人工智能政策红利颇多

上文中我们提到人工智能处于发展的政策红利期，上升到国家战略高度。我国政府从上至下给予了人工智能高度的关注，完成了一系列政策层面的顶层设计。近年来，我国在人工智能领域密集出台相关政策，更在 2017、2018 连续两年的政府工作报告中提到人工智能，可见中国政府把人工智能上升到国家战略的决心。据统计，2015 年到 2018 年 1 月发布的近 60 项国家与地方的人工智能政策。

3.3.3 场景和：中国智能安防场景全球领先，安防 AI 芯片预计将成第一桶金

中国安防 AI 化处于全球绝对领先地位。2018 年中国智能安防行业市场规模近 300 亿元，预计在 2020年将创造一个千亿的市场。上文提到目前智能摄像头的渗透率极低，有着极大上升空间，据机构预测，预期渗透率将从 2017 年的 0.5%，上升到 2022 年的 13%。随着智能摄像头的渗透率的逐步提升，在场景推动下，安防摄像头上的边缘推断芯片将是中国 AI 芯片业的第一桶金，未来也有很大可能走向全世界。

4.从独角兽寻优质企业特质，看好具有人才、资本优势，边缘场景落地能力强的初创企业

4.1 技术先行，人才是企业发展保证

技术人才是边缘 AI 芯片企业的基石。人工智能就是让机器像人一样进行深度学习，而学习是人类的高级行为，这其中的难度可想而知。边缘端的 AI 芯片则是要在边缘端低功耗的限制下，完成深度学习功能的实现，难上加难。边缘 AI 芯片的研发具有非常高的技术屏障，需要专家型的科研团队开展长期攻关研究。从寒武纪、地平线这两家独角兽公司来看，其创始人及核心团队均具有深厚的技术背景。

4.1.1 寒武纪科技脱胎中科院计算所，成首个 AI 芯片独角兽

寒武纪科技成立于 2016 年 3 月，脱胎于中科院计算所，最早可以追溯到 2008 年中科院计算机所成立的 10 人计算研究团队。在 2017 年，寒武纪科技获 A 轮 1 亿美元的投资，成为全球智能芯片领域首个独角兽初创公司。

寒武纪创始人为陈天石和其兄陈云霁。陈云霁 9 岁上中学，14 岁进入中国科技大学少年班。大学四年级就参与中国第一块 CPU 芯片龙芯一号的研制，2002 年师从胡伟武硕博连读，成为龙芯研发团队最年轻的队员，25 岁时成为8 核龙芯 3 号的主架构师。陈天石在处理器架构和人工智能领域深耕十余年，是国内外学术界享有盛誉的杰出青年科学家，曾获国家自然科学基金委员会“优青”、CCF-Intel 青年学者奖、中国计算机学会优秀博士论文奖等荣誉。公司骨干成员均毕业于国内外顶尖高校，具有丰富的芯片设计开发经验和人工智能研究经验，从事相关领域研发的平均时间达九年以上。

2014 年，陈氏兄弟组建团队为深度学习设计出一款专用处理器，经过多年艰苦钻研，终于展露头角。2014 年 3 月，团队撰写的《DianNao：一种小尺度的高吞吐率机器学习加速器》，在国际顶级学术会议ASPLOS 上获得了最佳论文奖，这也是亚洲学术研究成果首获处理器架构领域顶尖会议最佳论文；同年12 月，DaDianNao（又称寒武纪 2 号神经网络处理器，面向大规模神经网络的应用）荣获 2014 年度 Micro最佳论文，这也是 Micro 自 1963 年创办以来，第一次由美国以外的研究者摘得该奖项。

除创始人外，研究团队的其他人员人大多是世界著名的顶尖学府毕业出来的高材生，比如哈佛大学、斯坦福大学等名校，多年专注人工智能芯片领域研发。

4.1.2 地平线研发团队实力强劲

地平线成立于 2015 年，创始人为前百度深度学习研究院院长余凯，拥有一支兼备算法、软件、硬件、芯片及云架构研发能力的业界顶级高管团队。全球四家最顶尖的互联网人工智能研发机构中，地平线创始团队成员创办了其中的两家——百度深度学习研究院（IDL）和 Facebook 人工智能研究院（FAIR）。公司核心成员曾 20 多次在各项国际人工智能评测中获得全球第一，更在芯片设计、高性能云计算、并行计算、人脸识别、语音语义识别等领域做出了影响数亿用户的产品和服务。

1）图像识别取得多项世界第一：

余凯曾带领团队获得 ImageNet 图像识别评测第一名；

杨铭主导的 DeepFace 项目应用于世界上最大的人脸识别系统；

2004 年，黄畅的人脸检测算法突破性实现在芯片中，现已占领 80%的数码相机市场，这是世界上第一款大规模应用的计算机视觉处理芯片团队成员曾获得如下评测的世界第一名：Pascal VOC、FDDB、LFW、TRECVID、KITTI。

2）自动驾驶实践的先行者

余凯在 2013 年发起了百度自动驾驶项目，是中国业界第一个自动驾驶项目；

地平线曾在 KITTI 自动驾驶评测中车辆检测任务名列第一长达 14 个月；

3）丰富扎实的工程、产品经验

余凯曾带领团队开发了世界上第一个支持 GPU&CPU 的并行深度学习平台，开发了世界上第一个基于深度学习的在线广告系统和搜索排序系统；

余凯曾带领团队部署了世界上最大规模的基于 FPGA 的深度学习加速器；

杨铭主导的 DeepFace 项目应用于世界上最大的人脸识别系统；

周峰曾带领团队研发了世界第一个用 FPGA 实现用于视频会议系统的 H265 高清视频编码器，和针对视频监控及下一代手机的 H265 超高清视频编码 ASIC 芯片；

吴强曾任 Facebook 总部高级主任研究员，担任过多个项目的技术负责人和主设计师，系统化地搭建连接十几亿人的云端架构；

4）业内顶尖的学术成绩

余凯在计算机视觉和图像识别方面有突出学术贡献，多篇学术论文在 CVPR、IEEE 等国际顶尖学术平台上发表，他在人工智能领域发表的研究论文被全球同行广泛引用超过 14,000 次，并曾获得 2013 年国际机器学习大会（ICML）最佳论文银奖，也是华人学者中第一位率队在 ImageNet 等国际主流人工智能竞赛中获得冠军的学者，曾任 ICML 和 NIPS 领域主席。2011 年在斯坦福大学计算机系任兼职教授主讲课程“CS121:Introduction to AI”。

黄畅长期从事计算机视觉、机器学习、模式识别和信息检索方面的研究，作为相关学术界和工业界的知名专家，发表的论文被引用超过 4,800 次，拥有多项国际专利。

杨铭，在顶级国际会议 CVPR/ICCV 发表论文 20 余篇，在顶级国际期刊 T-PAMI 上发表 8 篇论文，被引用超过 6,200 次。多次担 CVPR/ICCV/NIPS/ACMMM 等顶级国际会议程序委员会成员，T-PAMI/IJCV/T-IP 等顶级国际期刊审稿人。

4.2 资本为技术研发提供坚实后盾

AI 芯片是资本密集型领域，企业的开发费用极高。在人工智能应用领域，依据芯片的部署位置和任务需求，会采用不同的制程。在云端多会采用 7nm 制程，像是寒武纪的 MLU100 芯片；而在边缘端和部分移动端设备会采用 16nm 或 10nm 制成的芯片。但无论选择何种制程，企业的开发费用都极高，根据 IBS估算，ASIC 架构 5nm 的 AI 芯片开发费用为 54220 万美元，65nm 制程的芯片开发费用也有 2850 万美元，研发成本极高。

高成本的芯片开发费用要求企业必须拥有足够的资金，加上长达 1-3 年的开发周期，AI 芯片企业在融资的早期阶段需要大量资金浥注。

4.2.1 寒武纪成立仅 3 年，先后获得四次投资

寒武纪先后获得四次投资。寒武纪成立至今仅 3 年，已经融资 4 次，融资额高达上亿美元。2016 年，获元禾原点领投的天使轮投资；2017 年，接收中科院的 1000 万人民币 Pre-A 轮投资；同年 8 月，获得来自国投创业领投阿里巴巴、联想创投、国科投资、中科图灵、元禾原点、涌铧投资等跟投的 1 亿美元 A 轮投资，估值达 10 亿美元，成为全球第一家 AI 芯片领域独角兽；2018 年 8 月，再次获数亿美元，完成此次B 轮融资后估值高达 25 亿美元。

4.2.2 地平线已进行 6 轮融资

地平线已进行 6 轮融资。2015 年成立的地平线机器人在不足 4 年的成立时间内，先后获得投资人青睐，获得近 10 亿美元的投资。2015 年 7 月，公司获数百万美元天使轮投资；2016 年获 Pre-A 轮和 A 轮双次投资；2017 年再获超 1 亿美元的 A+轮投资，由 Intel Capital 领投，嘉实基金、晨兴资本、高瓴资本、双湖资本、线性资本、建投华科等跟投；今年 1 月，完成 B 轮 6 亿美元的融资，融资后市场估值为 30 亿美元，成为新一代 AI 芯片独角兽。

4.3 边缘场景下的商业化落地能力是企业运营关键

有了资本、技术的加持还远远不够，只有拥有了商业化落地的能力，企业才能收获利润，从而正常运转。目前，虽边缘端 AI 芯片产业整体仍处于初期阶段，商业化进程缓慢，但独角兽企业仍然在边缘场景端的商业落地方面展现出超强实力。

4.2.1 寒武纪合作华为海思等国内一线芯片公司，商业落地速度走在前列

寒武纪客户多为国内一线芯片公司。寒武纪在终端以处理器 IP 授权的形式进行合作推广，其终端客户主要以 SOC 厂商为主，目前包含华为海思、紫光展锐、晨星(MStar)/星宸半导体等中国最顶尖 SoC 芯片公司。

寒武纪 1A 和 1H 处理器分别应用于华为多款手机中，目前已量产。2017 年、2018 年连续两年，华为麒麟 970、麒麟 980 分别使用了寒武纪的 1A 处理器和 1H 处理器，并搭载在华为 Mate10 和 Mate 20 系列中，前者全球出货量累计达 1000 万台，后者全球销量也已超过 750 万台。

除了在手机端的应用，寒武纪还积极拥抱智慧城市、机器视觉等垂直场景。在 2018 安博会上，寒武纪联合星宸半导体/SigmaStar(原 MStarSmartCamera 事业部）和的卢深视（国内三维视觉领域新锐公司）推出了集成寒武纪终端智能处理器 IP 产品的系统解决方案，以芯片+场景展示实际应用。

4.2.2 地平线进攻智能零售、驾驶等场景，多方合作促商业落地

地平线也在加快商业化步伐，多方向落地。

在智能零售方向，据媒体 2018 年 6 月讯，地平线已与鞋服运动零售商百丽国际签下了战略合作协议，双方将联合探索线下零售场景与 AI 技术的融合，挖掘零售场景下的“人货场”深层关系，打造智慧零售新模式，将大量潜在的线下数据进行挖掘、翻译和处理，帮助实体零售行业智能化转型。（百丽国际是国内代表性的鞋服运动零售商，其在全国 400 余个城市拥有超过 20000 家直营店。）

在智能驾驶方向，地平线 2018 年选择了入驻北京环普国际科技园——将为地平线公司提供 5000 多平方米的空间解决方案以及物业服务，以满足其研发、测试、市场投放等多元化的办公需求。发言人表示，地平线还将自动驾驶部门设在环普科创园，希望能够融入北京网联汽车的应用生态体系中。

综上，分析独角兽企业寒武纪和地平线，我们认为在边缘 AI 领域拥有技术、资金优势并且具备边缘场景端商业落地能力的企业更容易在边缘 AI 芯片战场中获胜，应给予重点关注。

报告来源：广证恒生（魏也娜）

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）