，优点是运算较高效且灵活，运算延迟效果好于GPU，缺点是单片成本较贵且单位算力价格高于GPU；ASIC意为为专门目的而设计的集成电路，并不只针对AI芯片，在AI芯片设计中的解决方案为在设计时就专门针对神经网络的运算优化，这样针对设计的电路运算速度和能耗都更好，缺点是研发成本较高需分摊，以及理论上（目前还看不到这样情景的发生）存在人工智能模型结构转变导致矩阵运算权重大幅降低，当前架构被废弃的风险。对于AI芯片行业来说，下图为一种常见的分类和对应的主要芯片厂商。图5：当前人工智能产业应用芯片类型和代表厂商
芯片市场井喷发展，专用芯片开始崭露头角。根据市场调研公司Tractica预测，仅深度学习芯片组市场收入将从2016年的513亿美元增长到2025年的122亿美元，复合年增长率（CAGR）为422％，各路运算方案你追我赶，今年上半年迎来井喷式突破，特别是ASIC，以谷歌TPU为代表，包括微软、英特尔，国内的寒武纪、地平线机器人、西井科技、云知声等众多的公司都提出了
10
f自己的AI芯片设计方案。实践中，ASIC表现良好，投产的谷歌TPU比较同代的英伟达GPU在训练数据集时用更小的能耗将训练时间缩小到原四分之一不到，综合考虑能耗和算力提升相当于GPU发展7年的结果，优秀的性能使得AI专用芯片在未来有望在所有人工智能运算领域展开竞争。（涉及的SoC为包含人工智能ASIC芯片的系统级芯片）表4：AI芯片领域近期的重要突破
AI专用芯片应用广泛，有望带来相关应用爆发。目前来看，AI芯片最大的应用机会在训练、云端推断和智能手机、ADAS、安防设备、VR设备、语音交互设备以及机器人这类高度依赖深度神经网络的终端推断设备。训练和云端推断是当前人工智能算力消耗最大的部分，批量采用后，ASIC芯片具有高效低价的竞争优势。对于终端设备来说，当前的计算能力并不能满足这些终端设备的本地
11
f深度神经网络推断，未来也难以全部依赖云，例如无人驾驶当前的计算量既大也不能依赖云，业界需要全新的低功耗异构芯片，赋予设备足够的算力去应对未来越发增多的人工智能应用场景。人工智能芯片ASIC化，国产企业迎来良机。过去IT产业，软硬件生态都是建立在ARM和x86指令集之上，错过了这两次机会也是中国芯片业赶不上来的核心原因，当前AI产业刚起步，中国有最大的AI市场，完全有可能影响国际AI生态发展。事实也是如此，换代机会下，我国的寒武纪研发了国际首个商用深度学习专用处理器芯片，其IP指令集扩大范围授权集成r