fpga一般用在什么产品？(FPGA是什么意思？)
fpga一般用在什么产品？
4个方面介绍FPGA的用武之地：视频图像处理、通信领域、数字信号处理和其他领域。
FPGA最初的应用领域也是传统的应用领域，通信领域，但随着信息产业以及微电子计数发展，FPGA的应用范围编辑航空航天、汽车、医疗、工业控制等领域。
视频图像处理是多媒体领域中的热门技术，因为视频图像处理的数据量越来越大。基于这些大量的数据，可分为视频编解码和目标识别两大类。
FPGA是什么意思？
FPGA，现场可编程门阵列(Field Programmable Logic Device)，可编程逻辑器件的一种。它可以由用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题。
可编程器件发展的初期主要是用来解决存储问题，随着后来的发展转向各种逻辑应用。在结构、工艺、集成度、功耗、速度等方面有了很大的提高和改进。
可编程逻辑器件的发展阶段
我们一起来了解一下可编程逻辑器件的发展历史。
可编程逻辑器件的发展主要经历以下几个阶段：
早期的可编程逻辑器件，早期的PLD主要是用来解决各种存储问题，如可编程只读存储器（ROM）、可编程只读存储器（PROM）、紫外线可擦除存储器（EPROM）、电可擦除存储器（EEPROM），由于结构限制，它们只能完成简单的数字逻辑功能。
结构上稍微复杂的可编程逻辑器件，80年代初期，AMD公司和Lattice公司先后推出了各自的可编程逻辑器件，主要为可编程逻辑器件（PAL）、通用阵列逻辑（GAL）、可编程逻辑器件（PLA）等等，这些PLD在设计上有很强的灵活性，可以实现速度性能较好的逻辑功能，但它们结构简单，只能实现小规模的电路设计。
复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD)和现场可编程门阵列(Field Programmable Logic Device)，这类器件的体系结构和逻辑单元灵活、集成度高、适用范围广。这类器件兼容了PLD和通用门阵列的优点，具备实现大规模电路设计的能力，编程也灵活，开发周期短、设计成本低、开发工具成熟、质量可靠，因此被大规模使用。
FPGA芯片内部结构
目前大部分的FPGA仍是基于查找表（LUT）技术，但是随着版本的升级，代与代之间的基本功能差别很大，在现在的FPGA内部，整合了很多常用功能（如RAM、时钟管理 和DSP）的硬核（ASIC型）功能模块。
图一 FPGA芯片的内部结构
图一给出一个通用的内部结构模型，实际上不同系列的FPGA，内部的结构都不尽相同。但是从上图我们可以看出，FPGA芯片的主要部分由6大模块，分别为：可编程输入输出单元（IOB）、基本可编程逻辑单元（CLB）、数字时钟管理（DCM）、嵌入块式RAM（BRAM）、丰富的布线资源、内嵌的底层功能单元和内嵌专用硬件模块。
目前FPGA具备的功能
经过这么多年的发展，目前的FPGA已经具备了以下的功能：
支持模数转换和数模转换；
采用片内锁相环，支持高速时钟，减少信号的畸变，时钟可以复用；
有丰富的布线资源；
在片内有分布RAM和块RAM；
包含独立的快速逻辑进位模块，有专门的乘法器；
逻辑功能块的局部布线和相互间的通用布线，可以精确的预测网线的延时；
I/O模块有快速的I/O驱动、寄存的输入输出、三态使能控制等控制特性。
FPGA的发展方向
随着微电子技术的快速发展，速度更快、集成度更高的FPGA在不断出现，结构和工艺的提高，使FPGA的资源越来越丰富，可实现的功能越来越强大。
所以FPGA有如下的发展趋势：
向更高密度、更大容量迈进；
朝着低成本、低电压、低功耗、微封装方向发展；
IP资源复用得到普遍的认同并成为主要的设计方式；
MCU、DSP、MPU等嵌入式处理器IP成为FPGA应用的核心。
FPGA在神经网络方面的应用
近两年，随着AI、神经网络技术等产业的迅猛发展，对计算力的要求越来越高，因为FPGA具有资源丰富、配置灵活以及DSP、MCU等IP集成到一起的巨大优势，所以基于FPGA的NN加速器的研究和产业化，十分火热。比如微软的Bing搜素业务等就使用了基于FPGA的NN加速器。
但是FPGA价格较贵，所带来成本上的压力，在一定上面，可能会抑制它的更大规模的使用。
小结
FPGA作为可以让用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题的器件，在各种新型技术兴起的前期（之前的大数据、如今的神经网络），都表现出了非常好的活力，它降低了新兴技术研究的成本，加快了新兴技术研究的速度，在整个技术演进道路上，扮演着举足轻重的角色。
关于FPGA相关内容，我写了《浅谈FPGA技术》、《浅谈FPGA芯片结构》等多篇文章，详细介绍了FPGA的工作模式、硬件架构等内容，如果有兴趣，欢迎加关注“单眼皮老王”，阅读相关文章，更欢迎和我讨论。
希望回答会对你有所帮助，感谢。
FPGA是什么意思？
FPGA，现场可编程门阵列(Field Programmable Logic Device)，可编程逻辑器件的一种。它可以由用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题。
可编程器件发展的初期主要是用来解决存储问题，随着后来的发展转向各种逻辑应用。在结构、工艺、集成度、功耗、速度等方面有了很大的提高和改进。
可编程逻辑器件的发展阶段
我们一起来了解一下可编程逻辑器件的发展历史。
可编程逻辑器件的发展主要经历以下几个阶段：
早期的可编程逻辑器件，早期的PLD主要是用来解决各种存储问题，如可编程只读存储器（ROM）、可编程只读存储器（PROM）、紫外线可擦除存储器（EPROM）、电可擦除存储器（EEPROM），由于结构限制，它们只能完成简单的数字逻辑功能。
结构上稍微复杂的可编程逻辑器件，80年代初期，AMD公司和Lattice公司先后推出了各自的可编程逻辑器件，主要为可编程逻辑器件（PAL）、通用阵列逻辑（GAL）、可编程逻辑器件（PLA）等等，这些PLD在设计上有很强的灵活性，可以实现速度性能较好的逻辑功能，但它们结构简单，只能实现小规模的电路设计。
复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD)和现场可编程门阵列(Field Programmable Logic Device)，这类器件的体系结构和逻辑单元灵活、集成度高、适用范围广。这类器件兼容了PLD和通用门阵列的优点，具备实现大规模电路设计的能力，编程也灵活，开发周期短、设计成本低、开发工具成熟、质量可靠，因此被大规模使用。
FPGA芯片内部结构
目前大部分的FPGA仍是基于查找表（LUT）技术，但是随着版本的升级，代与代之间的基本功能差别很大，在现在的FPGA内部，整合了很多常用功能（如RAM、时钟管理 和DSP）的硬核（ASIC型）功能模块。
图一 FPGA芯片的内部结构
图一给出一个通用的内部结构模型，实际上不同系列的FPGA，内部的结构都不尽相同。但是从上图我们可以看出，FPGA芯片的主要部分由6大模块，分别为：可编程输入输出单元（IOB）、基本可编程逻辑单元（CLB）、数字时钟管理（DCM）、嵌入块式RAM（BRAM）、丰富的布线资源、内嵌的底层功能单元和内嵌专用硬件模块。
目前FPGA具备的功能
经过这么多年的发展，目前的FPGA已经具备了以下的功能：
支持模数转换和数模转换；
采用片内锁相环，支持高速时钟，减少信号的畸变，时钟可以复用；
有丰富的布线资源；
在片内有分布RAM和块RAM；
包含独立的快速逻辑进位模块，有专门的乘法器；
逻辑功能块的局部布线和相互间的通用布线，可以精确的预测网线的延时；
I/O模块有快速的I/O驱动、寄存的输入输出、三态使能控制等控制特性。
FPGA的发展方向
随着微电子技术的快速发展，速度更快、集成度更高的FPGA在不断出现，结构和工艺的提高，使FPGA的资源越来越丰富，可实现的功能越来越强大。
所以FPGA有如下的发展趋势：
向更高密度、更大容量迈进；
朝着低成本、低电压、低功耗、微封装方向发展；
IP资源复用得到普遍的认同并成为主要的设计方式；
MCU、DSP、MPU等嵌入式处理器IP成为FPGA应用的核心。
FPGA在神经网络方面的应用
近两年，随着AI、神经网络技术等产业的迅猛发展，对计算力的要求越来越高，因为FPGA具有资源丰富、配置灵活以及DSP、MCU等IP集成到一起的巨大优势，所以基于FPGA的NN加速器的研究和产业化，十分火热。比如微软的Bing搜素业务等就使用了基于FPGA的NN加速器。
但是FPGA价格较贵，所带来成本上的压力，在一定上面，可能会抑制它的更大规模的使用。
小结
FPGA作为可以让用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题的器件，在各种新型技术兴起的前期（之前的大数据、如今的神经网络），都表现出了非常好的活力，它降低了新兴技术研究的成本，加快了新兴技术研究的速度，在整个技术演进道路上，扮演着举足轻重的角色。
关于FPGA相关内容，我写了《浅谈FPGA技术》、《浅谈FPGA芯片结构》等多篇文章，详细介绍了FPGA的工作模式、硬件架构等内容，如果有兴趣，欢迎加关注“单眼皮老王”，阅读相关文章，更欢迎和我讨论。
希望回答会对你有所帮助，感谢。
fpga工程师紧缺吗？
紧缺
中国企业普遍缺乏FPGA技术人才，人才匮乏已成为FPGA产业发展的首要因素。目前市场上FPGA人才供应仅能较好满足初级人才需求，而超过70%的被访企业或机构认为目前中级水平以上的工程师严重不足，63.4%的企业表示会在未来显著加强FPGA相关人员的招聘工作。
fpga工程师紧缺吗？
紧缺
中国企业普遍缺乏FPGA技术人才，人才匮乏已成为FPGA产业发展的首要因素。目前市场上FPGA人才供应仅能较好满足初级人才需求，而超过70%的被访企业或机构认为目前中级水平以上的工程师严重不足，63.4%的企业表示会在未来显著加强FPGA相关人员的招聘工作。
FPGA是什么意思？
FPGA，现场可编程门阵列(Field Programmable Logic Device)，可编程逻辑器件的一种。它可以由用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题。
可编程器件发展的初期主要是用来解决存储问题，随着后来的发展转向各种逻辑应用。在结构、工艺、集成度、功耗、速度等方面有了很大的提高和改进。
可编程逻辑器件的发展阶段
我们一起来了解一下可编程逻辑器件的发展历史。
可编程逻辑器件的发展主要经历以下几个阶段：
早期的可编程逻辑器件，早期的PLD主要是用来解决各种存储问题，如可编程只读存储器（ROM）、可编程只读存储器（PROM）、紫外线可擦除存储器（EPROM）、电可擦除存储器（EEPROM），由于结构限制，它们只能完成简单的数字逻辑功能。
结构上稍微复杂的可编程逻辑器件，80年代初期，AMD公司和Lattice公司先后推出了各自的可编程逻辑器件，主要为可编程逻辑器件（PAL）、通用阵列逻辑（GAL）、可编程逻辑器件（PLA）等等，这些PLD在设计上有很强的灵活性，可以实现速度性能较好的逻辑功能，但它们结构简单，只能实现小规模的电路设计。
复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD)和现场可编程门阵列(Field Programmable Logic Device)，这类器件的体系结构和逻辑单元灵活、集成度高、适用范围广。这类器件兼容了PLD和通用门阵列的优点，具备实现大规模电路设计的能力，编程也灵活，开发周期短、设计成本低、开发工具成熟、质量可靠，因此被大规模使用。
FPGA芯片内部结构
目前大部分的FPGA仍是基于查找表（LUT）技术，但是随着版本的升级，代与代之间的基本功能差别很大，在现在的FPGA内部，整合了很多常用功能（如RAM、时钟管理 和DSP）的硬核（ASIC型）功能模块。
图一 FPGA芯片的内部结构
图一给出一个通用的内部结构模型，实际上不同系列的FPGA，内部的结构都不尽相同。但是从上图我们可以看出，FPGA芯片的主要部分由6大模块，分别为：可编程输入输出单元（IOB）、基本可编程逻辑单元（CLB）、数字时钟管理（DCM）、嵌入块式RAM（BRAM）、丰富的布线资源、内嵌的底层功能单元和内嵌专用硬件模块。
目前FPGA具备的功能
经过这么多年的发展，目前的FPGA已经具备了以下的功能：
支持模数转换和数模转换；
采用片内锁相环，支持高速时钟，减少信号的畸变，时钟可以复用；
有丰富的布线资源；
在片内有分布RAM和块RAM；
包含独立的快速逻辑进位模块，有专门的乘法器；
逻辑功能块的局部布线和相互间的通用布线，可以精确的预测网线的延时；
I/O模块有快速的I/O驱动、寄存的输入输出、三态使能控制等控制特性。
FPGA的发展方向
随着微电子技术的快速发展，速度更快、集成度更高的FPGA在不断出现，结构和工艺的提高，使FPGA的资源越来越丰富，可实现的功能越来越强大。
所以FPGA有如下的发展趋势：
向更高密度、更大容量迈进；
朝着低成本、低电压、低功耗、微封装方向发展；
IP资源复用得到普遍的认同并成为主要的设计方式；
MCU、DSP、MPU等嵌入式处理器IP成为FPGA应用的核心。
FPGA在神经网络方面的应用
近两年，随着AI、神经网络技术等产业的迅猛发展，对计算力的要求越来越高，因为FPGA具有资源丰富、配置灵活以及DSP、MCU等IP集成到一起的巨大优势，所以基于FPGA的NN加速器的研究和产业化，十分火热。比如微软的Bing搜素业务等就使用了基于FPGA的NN加速器。
但是FPGA价格较贵，所带来成本上的压力，在一定上面，可能会抑制它的更大规模的使用。
小结
FPGA作为可以让用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题的器件，在各种新型技术兴起的前期（之前的大数据、如今的神经网络），都表现出了非常好的活力，它降低了新兴技术研究的成本，加快了新兴技术研究的速度，在整个技术演进道路上，扮演着举足轻重的角色。
关于FPGA相关内容，我写了《浅谈FPGA技术》、《浅谈FPGA芯片结构》等多篇文章，详细介绍了FPGA的工作模式、硬件架构等内容，如果有兴趣，欢迎加关注“单眼皮老王”，阅读相关文章，更欢迎和我讨论。
希望回答会对你有所帮助，感谢。
fpga一般用在什么产品？
4个方面介绍FPGA的用武之地：视频图像处理、通信领域、数字信号处理和其他领域。
FPGA最初的应用领域也是传统的应用领域，通信领域，但随着信息产业以及微电子计数发展，FPGA的应用范围编辑航空航天、汽车、医疗、工业控制等领域。
视频图像处理是多媒体领域中的热门技术，因为视频图像处理的数据量越来越大。基于这些大量的数据，可分为视频编解码和目标识别两大类。
紫光集团是干什么的？
清华紫光集团是做IT产业的。
紫光集团有限公司是清华大学旗下的高科技企业。在国家战略引导下，紫光集团以“自主创新加国际合作”为“双轮驱动”，形成了以集成电路为主导，从“芯”到“云”的高科技产业生态链，在全球信息产业中强势崛起。目前，紫光集团是全球第三大手机芯片企业；在企业级IT服务细分领域排名中国第一、世界第二；与英特尔、惠普、西部数据等全球IT巨头形成战略合作。
fpga工程师紧缺吗？
紧缺
中国企业普遍缺乏FPGA技术人才，人才匮乏已成为FPGA产业发展的首要因素。目前市场上FPGA人才供应仅能较好满足初级人才需求，而超过70%的被访企业或机构认为目前中级水平以上的工程师严重不足，63.4%的企业表示会在未来显著加强FPGA相关人员的招聘工作。
紫光集团是干什么的？
清华紫光集团是做IT产业的。
紫光集团有限公司是清华大学旗下的高科技企业。在国家战略引导下，紫光集团以“自主创新加国际合作”为“双轮驱动”，形成了以集成电路为主导，从“芯”到“云”的高科技产业生态链，在全球信息产业中强势崛起。目前，紫光集团是全球第三大手机芯片企业；在企业级IT服务细分领域排名中国第一、世界第二；与英特尔、惠普、西部数据等全球IT巨头形成战略合作。
fpga工程师紧缺吗？
紧缺
中国企业普遍缺乏FPGA技术人才，人才匮乏已成为FPGA产业发展的首要因素。目前市场上FPGA人才供应仅能较好满足初级人才需求，而超过70%的被访企业或机构认为目前中级水平以上的工程师严重不足，63.4%的企业表示会在未来显著加强FPGA相关人员的招聘工作。
亚科鸿禹在国产eda的地位？
作为国内EDA行业的领军企业之一，亚科鸿禹在EDA领域的地位较为重要。公司拥有多年的技术积累和市场经验，提供了一系列高品质的EDA软件和解决方案，涵盖了从模拟、数字、射频、混合信号到物理设计等多个领域。
同时，亚科鸿禹还与国内外的知名企业建立了紧密的合作关系，共同推动EDA技术的发展，助力中国半导体产业的崛起。总体来说，亚科鸿禹在国产EDA市场中占据着重要的地位，为中国半导体产业的发展做出了积极的贡献。
紫光集团是干什么的？
清华紫光集团是做IT产业的。
紫光集团有限公司是清华大学旗下的高科技企业。在国家战略引导下，紫光集团以“自主创新加国际合作”为“双轮驱动”，形成了以集成电路为主导，从“芯”到“云”的高科技产业生态链，在全球信息产业中强势崛起。目前，紫光集团是全球第三大手机芯片企业；在企业级IT服务细分领域排名中国第一、世界第二；与英特尔、惠普、西部数据等全球IT巨头形成战略合作。
FPGA是什么意思？
FPGA，现场可编程门阵列(Field Programmable Logic Device)，可编程逻辑器件的一种。它可以由用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题。
可编程器件发展的初期主要是用来解决存储问题，随着后来的发展转向各种逻辑应用。在结构、工艺、集成度、功耗、速度等方面有了很大的提高和改进。
可编程逻辑器件的发展阶段
我们一起来了解一下可编程逻辑器件的发展历史。
可编程逻辑器件的发展主要经历以下几个阶段：
早期的可编程逻辑器件，早期的PLD主要是用来解决各种存储问题，如可编程只读存储器（ROM）、可编程只读存储器（PROM）、紫外线可擦除存储器（EPROM）、电可擦除存储器（EEPROM），由于结构限制，它们只能完成简单的数字逻辑功能。
结构上稍微复杂的可编程逻辑器件，80年代初期，AMD公司和Lattice公司先后推出了各自的可编程逻辑器件，主要为可编程逻辑器件（PAL）、通用阵列逻辑（GAL）、可编程逻辑器件（PLA）等等，这些PLD在设计上有很强的灵活性，可以实现速度性能较好的逻辑功能，但它们结构简单，只能实现小规模的电路设计。
复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD)和现场可编程门阵列(Field Programmable Logic Device)，这类器件的体系结构和逻辑单元灵活、集成度高、适用范围广。这类器件兼容了PLD和通用门阵列的优点，具备实现大规模电路设计的能力，编程也灵活，开发周期短、设计成本低、开发工具成熟、质量可靠，因此被大规模使用。
FPGA芯片内部结构
目前大部分的FPGA仍是基于查找表（LUT）技术，但是随着版本的升级，代与代之间的基本功能差别很大，在现在的FPGA内部，整合了很多常用功能（如RAM、时钟管理 和DSP）的硬核（ASIC型）功能模块。
图一 FPGA芯片的内部结构
图一给出一个通用的内部结构模型，实际上不同系列的FPGA，内部的结构都不尽相同。但是从上图我们可以看出，FPGA芯片的主要部分由6大模块，分别为：可编程输入输出单元（IOB）、基本可编程逻辑单元（CLB）、数字时钟管理（DCM）、嵌入块式RAM（BRAM）、丰富的布线资源、内嵌的底层功能单元和内嵌专用硬件模块。
目前FPGA具备的功能
经过这么多年的发展，目前的FPGA已经具备了以下的功能：
支持模数转换和数模转换；
采用片内锁相环，支持高速时钟，减少信号的畸变，时钟可以复用；
有丰富的布线资源；
在片内有分布RAM和块RAM；
包含独立的快速逻辑进位模块，有专门的乘法器；
逻辑功能块的局部布线和相互间的通用布线，可以精确的预测网线的延时；
I/O模块有快速的I/O驱动、寄存的输入输出、三态使能控制等控制特性。
FPGA的发展方向
随着微电子技术的快速发展，速度更快、集成度更高的FPGA在不断出现，结构和工艺的提高，使FPGA的资源越来越丰富，可实现的功能越来越强大。
所以FPGA有如下的发展趋势：
向更高密度、更大容量迈进；
朝着低成本、低电压、低功耗、微封装方向发展；
IP资源复用得到普遍的认同并成为主要的设计方式；
MCU、DSP、MPU等嵌入式处理器IP成为FPGA应用的核心。
FPGA在神经网络方面的应用
近两年，随着AI、神经网络技术等产业的迅猛发展，对计算力的要求越来越高，因为FPGA具有资源丰富、配置灵活以及DSP、MCU等IP集成到一起的巨大优势，所以基于FPGA的NN加速器的研究和产业化，十分火热。比如微软的Bing搜素业务等就使用了基于FPGA的NN加速器。
但是FPGA价格较贵，所带来成本上的压力，在一定上面，可能会抑制它的更大规模的使用。
小结
FPGA作为可以让用户来进行编程和配置，进而用来解决各种不同的逻辑设计问题的器件，在各种新型技术兴起的前期（之前的大数据、如今的神经网络），都表现出了非常好的活力，它降低了新兴技术研究的成本，加快了新兴技术研究的速度，在整个技术演进道路上，扮演着举足轻重的角色。
关于FPGA相关内容，我写了《浅谈FPGA技术》、《浅谈FPGA芯片结构》等多篇文章，详细介绍了FPGA的工作模式、硬件架构等内容，如果有兴趣，欢迎加关注“单眼皮老王”，阅读相关文章，更欢迎和我讨论。
希望回答会对你有所帮助，感谢。
fpga一般用在什么产品？
4个方面介绍FPGA的用武之地：视频图像处理、通信领域、数字信号处理和其他领域。
FPGA最初的应用领域也是传统的应用领域，通信领域，但随着信息产业以及微电子计数发展，FPGA的应用范围编辑航空航天、汽车、医疗、工业控制等领域。
视频图像处理是多媒体领域中的热门技术，因为视频图像处理的数据量越来越大。基于这些大量的数据，可分为视频编解码和目标识别两大类。
fpga一般用在什么产品？
4个方面介绍FPGA的用武之地：视频图像处理、通信领域、数字信号处理和其他领域。
FPGA最初的应用领域也是传统的应用领域，通信领域，但随着信息产业以及微电子计数发展，FPGA的应用范围编辑航空航天、汽车、医疗、工业控制等领域。
视频图像处理是多媒体领域中的热门技术，因为视频图像处理的数据量越来越大。基于这些大量的数据，可分为视频编解码和目标识别两大类。
亚科鸿禹在国产eda的地位？
作为国内EDA行业的领军企业之一，亚科鸿禹在EDA领域的地位较为重要。公司拥有多年的技术积累和市场经验，提供了一系列高品质的EDA软件和解决方案，涵盖了从模拟、数字、射频、混合信号到物理设计等多个领域。
同时，亚科鸿禹还与国内外的知名企业建立了紧密的合作关系，共同推动EDA技术的发展，助力中国半导体产业的崛起。总体来说，亚科鸿禹在国产EDA市场中占据着重要的地位，为中国半导体产业的发展做出了积极的贡献。
亚科鸿禹在国产eda的地位？
作为国内EDA行业的领军企业之一，亚科鸿禹在EDA领域的地位较为重要。公司拥有多年的技术积累和市场经验，提供了一系列高品质的EDA软件和解决方案，涵盖了从模拟、数字、射频、混合信号到物理设计等多个领域。
同时，亚科鸿禹还与国内外的知名企业建立了紧密的合作关系，共同推动EDA技术的发展，助力中国半导体产业的崛起。总体来说，亚科鸿禹在国产EDA市场中占据着重要的地位，为中国半导体产业的发展做出了积极的贡献。
紫光集团是干什么的？
清华紫光集团是做IT产业的。
紫光集团有限公司是清华大学旗下的高科技企业。在国家战略引导下，紫光集团以“自主创新加国际合作”为“双轮驱动”，形成了以集成电路为主导，从“芯”到“云”的高科技产业生态链，在全球信息产业中强势崛起。目前，紫光集团是全球第三大手机芯片企业；在企业级IT服务细分领域排名中国第一、世界第二；与英特尔、惠普、西部数据等全球IT巨头形成战略合作。
亚科鸿禹在国产eda的地位？
作为国内EDA行业的领军企业之一，亚科鸿禹在EDA领域的地位较为重要。公司拥有多年的技术积累和市场经验，提供了一系列高品质的EDA软件和解决方案，涵盖了从模拟、数字、射频、混合信号到物理设计等多个领域。
同时，亚科鸿禹还与国内外的知名企业建立了紧密的合作关系，共同推动EDA技术的发展，助力中国半导体产业的崛起。总体来说，亚科鸿禹在国产EDA市场中占据着重要的地位，为中国半导体产业的发展做出了积极的贡献。
人工智能芯片的市场定位？
人工智能加速器芯片被大肆炒作，但这个市场究竟有多大，如今有哪些公司是真的在卖人工智能芯片的？
来自ABI Research的两份新报告详细分析了当今人工智能芯片组市场的发展状况。其中，ABI Research首席分析师Lian Jye Su谈到了正在进入这个潜在利润丰厚市场的公司和技术。
云端的人工智能
第一份题为“云AI芯片组：市场格局和厂商定位”的报告，突出了云AI推理和训练服务的快速增长情况。ABI Research由此预计，AI芯片组市场规模预计将从2019年的42亿美元增长到2024年的100亿美元。目前这一领域的领导者Nvidia和英特尔正受到来自Cambricon Technologies、Graphcore、Habana Labs和Qualcomm等公司的挑战。
据Su介绍，Nvidia仍然是这个市场明显的领导者，这主要取决于Nvidia具有成熟的开发者生态系统及先发优势。
“随着人工智能模型、库和工具包的不断变化和更新，Nvidia成为了一个很好的选择，因为它能提供通用AI芯片组。当然，随着市场的不断成熟，这些优势将逐渐弱化，但至少在可预见的未来，Nvidia仍将处于强势地位。”
今天的云AI芯片组市场可以分为三个部分：首先是托管公有云的云服务提供商，包括AWS、微软、谷歌、阿里巴巴、百度和腾讯等；其次是企业数据中心，也就是私有云；此外，还有混合云，也就是公有云和私有云（VMware、Rackspace、NetApp、HPE、Dell）的结合体。
该报告还确定了另一个新兴的细分市场——电信云，指的是电信公司为其核心网络、IT和边缘计算工作负载部署的云基础设施。
Su表示，这个新的细分市场为AI芯片组制造商带来了巨大的机遇。
“我们已经看到了像华为这样的网络基础设施厂商，还有诺基亚这样的厂商，推出了针对电信网络功能进行优化的ASIC。这是一个巨大的市场，Nvidia最近也一直在努力进入这个市场。”
2017年至2024年人工智能芯片组年销售总收入（来源：ABI Research）
虽然Su认为短时间内其他厂商无法取代Nvidia在云端AI训练领域的主导地位，但具体在AI推理领域却并非由一家厂商主导，这在一定程度上是由推理工作负载在垂直方向各有不同的性质决定的。他说，预计ASIC将从2020年开始在该细分领域实现强劲增长。
眼下，将AI推理转移到边缘设备这一趋势意味着智能手机、自动驾驶汽车和机器人等设备对云的依赖减少了，但这并不意味着推理工作负载——一些云服务提供商认为推理工作负载要比训练工作负载大——就会减少，Su这样表示。
“一些人工智能永远不会走向边缘，例如聊天机器人和会话AI、欺诈监控和网络安全系统。这些系统将从基于规则的系统发展为基于深度学习的人工智能系统，这实际上会增加推理的工作量，使其足以取代那些转向边缘的推理工作负载。”
此外，谷歌的TPU可以解决在云端进行训练和推理问题，被视为CPU和GPU技术（分别由英特尔和Nvidia主导）的强大挑战者。正如报告所述，谷歌在TPU上取得的成功为其他自主开发AI加速器ASIC的云服务提供商（CSP）提供了蓝图，例如已经行动起来的华为、AWS和百度。
如果云服务提供商都在使用他们自己的芯片组，那么对于其他芯片组提供商来说，这个细分领域还有市场空间吗？
“这对于刚开始使用自己芯片组的CSP来说是极具挑战的，我们甚至预测，到2024年CSP这个市场将下降15％至18％。而机会更多地来自于私有数据中心领域。银行机构、医疗机构、研发实验室和学术界仍然需要运行人工智能，他们会考虑使用那些针对AI工作负载进行了更多优化的芯片组，这就给Cerebras、Graphcore、Habana Labs和Wave Computing等新手提供了一些优势。
其他将从这些趋势中受益的是IP核心授权厂商，例如ARM、Cadence和VeriSilicon，他们将负责帮助那些甚至是开始自主研发的企业进行芯片组设计。
边缘的人工智能
ABI第二份题为“边缘AI芯片组：技术展望和使用案例”的报告称，2018年边缘人工智能推理芯片组市场规模为19亿美元，边缘训练市场规模为140万美元。
今天有哪些应用是在边缘位置进行训练的？Su解释说，这些数据中包括网关（历史数据库或设备Hub）和内部部署服务器（在私有云中，但物理位置是靠近AI数据生成的地方）。专为内部部署服务器的训练任务设计的芯片组包括Nvidia的DGX，华为的网关和服务器，其中包括Ascend 910芯片组，以及针对来自Cerebras System、Graphcore和Habana Labs等内部部署数据中心的系统级产品。
“‘边缘训练’市场仍然很小，因为云仍然是人工智能训练的首选，”Su说。
2017年至2024年，针对推理和培训的AI芯片组年销售总收入（来源：ABI Research）
边缘AI推理是2019年至2024年期间边缘人工智能市场实现31％复合年增长率的主要推动力。Su提到了三个主要市场（智能手机/可穿戴设备、汽车、智能家居/白色家电）以及三个利基市场。
第一个利基市场是机器人，因为依赖多种类型的神经网络，机器人通常需要异构的计算架构，例如用于导航的SLAM（同时定位和映射），用于人机界面的会话AI，用于对象检测的机器视觉，所有这些都会在不同程度上使用CPU、GPU和ASIC。目前，Nvidia、英特尔和高通正在这个领域进行激烈的竞争。
第二个利基市场是智能工业应用，涉及制造业、智能建筑、石油和天然气领域。我们看到，FPGA厂商因为遗留设备的原因在这一领域表现突出，但同时也要归功于FPGA架构的灵活性和适应性。
最后一个利基市场是“非常边缘”，即将超低功耗AI芯片组嵌入WAN网中的传感器和其他小端节点中。由于重点是超低功耗，因此这个领域主要由FPGA厂商、RISC-V设计和ASIC厂商主导。
那么到目前为止，谁在边缘人工智能推理领域领跑？
“意料外——或者意料内的——的是，智能手机AI ASIC厂商在这个领域占据领先，因为智能手机的出货量是很大的，例如苹果、海思半导体、高通、三星以及联发科等，如果说的是初创公司的话，我认为Hailo、Horizon Robotics和Rockchip似乎相对终端设备制造商来说发展势头相当快。”
Su还表示，软件对于边缘AI芯片组的商业实施和部署来说至关重要，Nvidia正在升级编译工具和构建开发人员社区，相比之下，英特尔和Xilinx的策略是初创公司合作，或者收购拥有基于软件的加速解决方案。
“芯片组厂商应该考虑向开发者社区提供工具包和库，通过开发者训练计划、竞赛、论坛和大会等方式进行，因为这能吸引开发者与芯片组厂商展开合作以开发相关应用，所有这些都不是初创公司可以轻易实现的。”
该报告给出的结论是，除了为开发者社区提供合适的软件和支持外，厂商还应该提供良好的开发路线图，以及其他技术价值链的支持，此外还需要让他们的芯片有大规模的使用案例，以及具有竞争力的定价。
人工智能芯片的市场定位？
人工智能加速器芯片被大肆炒作，但这个市场究竟有多大，如今有哪些公司是真的在卖人工智能芯片的？
来自ABI Research的两份新报告详细分析了当今人工智能芯片组市场的发展状况。其中，ABI Research首席分析师Lian Jye Su谈到了正在进入这个潜在利润丰厚市场的公司和技术。
云端的人工智能
第一份题为“云AI芯片组：市场格局和厂商定位”的报告，突出了云AI推理和训练服务的快速增长情况。ABI Research由此预计，AI芯片组市场规模预计将从2019年的42亿美元增长到2024年的100亿美元。目前这一领域的领导者Nvidia和英特尔正受到来自Cambricon Technologies、Graphcore、Habana Labs和Qualcomm等公司的挑战。
据Su介绍，Nvidia仍然是这个市场明显的领导者，这主要取决于Nvidia具有成熟的开发者生态系统及先发优势。
“随着人工智能模型、库和工具包的不断变化和更新，Nvidia成为了一个很好的选择，因为它能提供通用AI芯片组。当然，随着市场的不断成熟，这些优势将逐渐弱化，但至少在可预见的未来，Nvidia仍将处于强势地位。”
今天的云AI芯片组市场可以分为三个部分：首先是托管公有云的云服务提供商，包括AWS、微软、谷歌、阿里巴巴、百度和腾讯等；其次是企业数据中心，也就是私有云；此外，还有混合云，也就是公有云和私有云（VMware、Rackspace、NetApp、HPE、Dell）的结合体。
该报告还确定了另一个新兴的细分市场——电信云，指的是电信公司为其核心网络、IT和边缘计算工作负载部署的云基础设施。
Su表示，这个新的细分市场为AI芯片组制造商带来了巨大的机遇。
“我们已经看到了像华为这样的网络基础设施厂商，还有诺基亚这样的厂商，推出了针对电信网络功能进行优化的ASIC。这是一个巨大的市场，Nvidia最近也一直在努力进入这个市场。”
2017年至2024年人工智能芯片组年销售总收入（来源：ABI Research）
虽然Su认为短时间内其他厂商无法取代Nvidia在云端AI训练领域的主导地位，但具体在AI推理领域却并非由一家厂商主导，这在一定程度上是由推理工作负载在垂直方向各有不同的性质决定的。他说，预计ASIC将从2020年开始在该细分领域实现强劲增长。
眼下，将AI推理转移到边缘设备这一趋势意味着智能手机、自动驾驶汽车和机器人等设备对云的依赖减少了，但这并不意味着推理工作负载——一些云服务提供商认为推理工作负载要比训练工作负载大——就会减少，Su这样表示。
“一些人工智能永远不会走向边缘，例如聊天机器人和会话AI、欺诈监控和网络安全系统。这些系统将从基于规则的系统发展为基于深度学习的人工智能系统，这实际上会增加推理的工作量，使其足以取代那些转向边缘的推理工作负载。”
此外，谷歌的TPU可以解决在云端进行训练和推理问题，被视为CPU和GPU技术（分别由英特尔和Nvidia主导）的强大挑战者。正如报告所述，谷歌在TPU上取得的成功为其他自主开发AI加速器ASIC的云服务提供商（CSP）提供了蓝图，例如已经行动起来的华为、AWS和百度。
如果云服务提供商都在使用他们自己的芯片组，那么对于其他芯片组提供商来说，这个细分领域还有市场空间吗？
“这对于刚开始使用自己芯片组的CSP来说是极具挑战的，我们甚至预测，到2024年CSP这个市场将下降15％至18％。而机会更多地来自于私有数据中心领域。银行机构、医疗机构、研发实验室和学术界仍然需要运行人工智能，他们会考虑使用那些针对AI工作负载进行了更多优化的芯片组，这就给Cerebras、Graphcore、Habana Labs和Wave Computing等新手提供了一些优势。
其他将从这些趋势中受益的是IP核心授权厂商，例如ARM、Cadence和VeriSilicon，他们将负责帮助那些甚至是开始自主研发的企业进行芯片组设计。
边缘的人工智能
ABI第二份题为“边缘AI芯片组：技术展望和使用案例”的报告称，2018年边缘人工智能推理芯片组市场规模为19亿美元，边缘训练市场规模为140万美元。
今天有哪些应用是在边缘位置进行训练的？Su解释说，这些数据中包括网关（历史数据库或设备Hub）和内部部署服务器（在私有云中，但物理位置是靠近AI数据生成的地方）。专为内部部署服务器的训练任务设计的芯片组包括Nvidia的DGX，华为的网关和服务器，其中包括Ascend 910芯片组，以及针对来自Cerebras System、Graphcore和Habana Labs等内部部署数据中心的系统级产品。
“‘边缘训练’市场仍然很小，因为云仍然是人工智能训练的首选，”Su说。
2017年至2024年，针对推理和培训的AI芯片组年销售总收入（来源：ABI Research）
边缘AI推理是2019年至2024年期间边缘人工智能市场实现31％复合年增长率的主要推动力。Su提到了三个主要市场（智能手机/可穿戴设备、汽车、智能家居/白色家电）以及三个利基市场。
第一个利基市场是机器人，因为依赖多种类型的神经网络，机器人通常需要异构的计算架构，例如用于导航的SLAM（同时定位和映射），用于人机界面的会话AI，用于对象检测的机器视觉，所有这些都会在不同程度上使用CPU、GPU和ASIC。目前，Nvidia、英特尔和高通正在这个领域进行激烈的竞争。
第二个利基市场是智能工业应用，涉及制造业、智能建筑、石油和天然气领域。我们看到，FPGA厂商因为遗留设备的原因在这一领域表现突出，但同时也要归功于FPGA架构的灵活性和适应性。
最后一个利基市场是“非常边缘”，即将超低功耗AI芯片组嵌入WAN网中的传感器和其他小端节点中。由于重点是超低功耗，因此这个领域主要由FPGA厂商、RISC-V设计和ASIC厂商主导。
那么到目前为止，谁在边缘人工智能推理领域领跑？
“意料外——或者意料内的——的是，智能手机AI ASIC厂商在这个领域占据领先，因为智能手机的出货量是很大的，例如苹果、海思半导体、高通、三星以及联发科等，如果说的是初创公司的话，我认为Hailo、Horizon Robotics和Rockchip似乎相对终端设备制造商来说发展势头相当快。”
Su还表示，软件对于边缘AI芯片组的商业实施和部署来说至关重要，Nvidia正在升级编译工具和构建开发人员社区，相比之下，英特尔和Xilinx的策略是初创公司合作，或者收购拥有基于软件的加速解决方案。
“芯片组厂商应该考虑向开发者社区提供工具包和库，通过开发者训练计划、竞赛、论坛和大会等方式进行，因为这能吸引开发者与芯片组厂商展开合作以开发相关应用，所有这些都不是初创公司可以轻易实现的。”
该报告给出的结论是，除了为开发者社区提供合适的软件和支持外，厂商还应该提供良好的开发路线图，以及其他技术价值链的支持，此外还需要让他们的芯片有大规模的使用案例，以及具有竞争力的定价。
人工智能芯片的市场定位？
人工智能加速器芯片被大肆炒作，但这个市场究竟有多大，如今有哪些公司是真的在卖人工智能芯片的？
来自ABI Research的两份新报告详细分析了当今人工智能芯片组市场的发展状况。其中，ABI Research首席分析师Lian Jye Su谈到了正在进入这个潜在利润丰厚市场的公司和技术。
云端的人工智能
第一份题为“云AI芯片组：市场格局和厂商定位”的报告，突出了云AI推理和训练服务的快速增长情况。ABI Research由此预计，AI芯片组市场规模预计将从2019年的42亿美元增长到2024年的100亿美元。目前这一领域的领导者Nvidia和英特尔正受到来自Cambricon Technologies、Graphcore、Habana Labs和Qualcomm等公司的挑战。
据Su介绍，Nvidia仍然是这个市场明显的领导者，这主要取决于Nvidia具有成熟的开发者生态系统及先发优势。
“随着人工智能模型、库和工具包的不断变化和更新，Nvidia成为了一个很好的选择，因为它能提供通用AI芯片组。当然，随着市场的不断成熟，这些优势将逐渐弱化，但至少在可预见的未来，Nvidia仍将处于强势地位。”
今天的云AI芯片组市场可以分为三个部分：首先是托管公有云的云服务提供商，包括AWS、微软、谷歌、阿里巴巴、百度和腾讯等；其次是企业数据中心，也就是私有云；此外，还有混合云，也就是公有云和私有云（VMware、Rackspace、NetApp、HPE、Dell）的结合体。
该报告还确定了另一个新兴的细分市场——电信云，指的是电信公司为其核心网络、IT和边缘计算工作负载部署的云基础设施。
Su表示，这个新的细分市场为AI芯片组制造商带来了巨大的机遇。
“我们已经看到了像华为这样的网络基础设施厂商，还有诺基亚这样的厂商，推出了针对电信网络功能进行优化的ASIC。这是一个巨大的市场，Nvidia最近也一直在努力进入这个市场。”
2017年至2024年人工智能芯片组年销售总收入（来源：ABI Research）
虽然Su认为短时间内其他厂商无法取代Nvidia在云端AI训练领域的主导地位，但具体在AI推理领域却并非由一家厂商主导，这在一定程度上是由推理工作负载在垂直方向各有不同的性质决定的。他说，预计ASIC将从2020年开始在该细分领域实现强劲增长。
眼下，将AI推理转移到边缘设备这一趋势意味着智能手机、自动驾驶汽车和机器人等设备对云的依赖减少了，但这并不意味着推理工作负载——一些云服务提供商认为推理工作负载要比训练工作负载大——就会减少，Su这样表示。
“一些人工智能永远不会走向边缘，例如聊天机器人和会话AI、欺诈监控和网络安全系统。这些系统将从基于规则的系统发展为基于深度学习的人工智能系统，这实际上会增加推理的工作量，使其足以取代那些转向边缘的推理工作负载。”
此外，谷歌的TPU可以解决在云端进行训练和推理问题，被视为CPU和GPU技术（分别由英特尔和Nvidia主导）的强大挑战者。正如报告所述，谷歌在TPU上取得的成功为其他自主开发AI加速器ASIC的云服务提供商（CSP）提供了蓝图，例如已经行动起来的华为、AWS和百度。
如果云服务提供商都在使用他们自己的芯片组，那么对于其他芯片组提供商来说，这个细分领域还有市场空间吗？
“这对于刚开始使用自己芯片组的CSP来说是极具挑战的，我们甚至预测，到2024年CSP这个市场将下降15％至18％。而机会更多地来自于私有数据中心领域。银行机构、医疗机构、研发实验室和学术界仍然需要运行人工智能，他们会考虑使用那些针对AI工作负载进行了更多优化的芯片组，这就给Cerebras、Graphcore、Habana Labs和Wave Computing等新手提供了一些优势。
其他将从这些趋势中受益的是IP核心授权厂商，例如ARM、Cadence和VeriSilicon，他们将负责帮助那些甚至是开始自主研发的企业进行芯片组设计。
边缘的人工智能
ABI第二份题为“边缘AI芯片组：技术展望和使用案例”的报告称，2018年边缘人工智能推理芯片组市场规模为19亿美元，边缘训练市场规模为140万美元。
今天有哪些应用是在边缘位置进行训练的？Su解释说，这些数据中包括网关（历史数据库或设备Hub）和内部部署服务器（在私有云中，但物理位置是靠近AI数据生成的地方）。专为内部部署服务器的训练任务设计的芯片组包括Nvidia的DGX，华为的网关和服务器，其中包括Ascend 910芯片组，以及针对来自Cerebras System、Graphcore和Habana Labs等内部部署数据中心的系统级产品。
“‘边缘训练’市场仍然很小，因为云仍然是人工智能训练的首选，”Su说。
2017年至2024年，针对推理和培训的AI芯片组年销售总收入（来源：ABI Research）
边缘AI推理是2019年至2024年期间边缘人工智能市场实现31％复合年增长率的主要推动力。Su提到了三个主要市场（智能手机/可穿戴设备、汽车、智能家居/白色家电）以及三个利基市场。
第一个利基市场是机器人，因为依赖多种类型的神经网络，机器人通常需要异构的计算架构，例如用于导航的SLAM（同时定位和映射），用于人机界面的会话AI，用于对象检测的机器视觉，所有这些都会在不同程度上使用CPU、GPU和ASIC。目前，Nvidia、英特尔和高通正在这个领域进行激烈的竞争。
第二个利基市场是智能工业应用，涉及制造业、智能建筑、石油和天然气领域。我们看到，FPGA厂商因为遗留设备的原因在这一领域表现突出，但同时也要归功于FPGA架构的灵活性和适应性。
最后一个利基市场是“非常边缘”，即将超低功耗AI芯片组嵌入WAN网中的传感器和其他小端节点中。由于重点是超低功耗，因此这个领域主要由FPGA厂商、RISC-V设计和ASIC厂商主导。
那么到目前为止，谁在边缘人工智能推理领域领跑？
“意料外——或者意料内的——的是，智能手机AI ASIC厂商在这个领域占据领先，因为智能手机的出货量是很大的，例如苹果、海思半导体、高通、三星以及联发科等，如果说的是初创公司的话，我认为Hailo、Horizon Robotics和Rockchip似乎相对终端设备制造商来说发展势头相当快。”
Su还表示，软件对于边缘AI芯片组的商业实施和部署来说至关重要，Nvidia正在升级编译工具和构建开发人员社区，相比之下，英特尔和Xilinx的策略是初创公司合作，或者收购拥有基于软件的加速解决方案。
“芯片组厂商应该考虑向开发者社区提供工具包和库，通过开发者训练计划、竞赛、论坛和大会等方式进行，因为这能吸引开发者与芯片组厂商展开合作以开发相关应用，所有这些都不是初创公司可以轻易实现的。”
该报告给出的结论是，除了为开发者社区提供合适的软件和支持外，厂商还应该提供良好的开发路线图，以及其他技术价值链的支持，此外还需要让他们的芯片有大规模的使用案例，以及具有竞争力的定价。
人工智能芯片的市场定位？
人工智能加速器芯片被大肆炒作，但这个市场究竟有多大，如今有哪些公司是真的在卖人工智能芯片的？
来自ABI Research的两份新报告详细分析了当今人工智能芯片组市场的发展状况。其中，ABI Research首席分析师Lian Jye Su谈到了正在进入这个潜在利润丰厚市场的公司和技术。
云端的人工智能
第一份题为“云AI芯片组：市场格局和厂商定位”的报告，突出了云AI推理和训练服务的快速增长情况。ABI Research由此预计，AI芯片组市场规模预计将从2019年的42亿美元增长到2024年的100亿美元。目前这一领域的领导者Nvidia和英特尔正受到来自Cambricon Technologies、Graphcore、Habana Labs和Qualcomm等公司的挑战。
据Su介绍，Nvidia仍然是这个市场明显的领导者，这主要取决于Nvidia具有成熟的开发者生态系统及先发优势。
“随着人工智能模型、库和工具包的不断变化和更新，Nvidia成为了一个很好的选择，因为它能提供通用AI芯片组。当然，随着市场的不断成熟，这些优势将逐渐弱化，但至少在可预见的未来，Nvidia仍将处于强势地位。”
今天的云AI芯片组市场可以分为三个部分：首先是托管公有云的云服务提供商，包括AWS、微软、谷歌、阿里巴巴、百度和腾讯等；其次是企业数据中心，也就是私有云；此外，还有混合云，也就是公有云和私有云（VMware、Rackspace、NetApp、HPE、Dell）的结合体。
该报告还确定了另一个新兴的细分市场——电信云，指的是电信公司为其核心网络、IT和边缘计算工作负载部署的云基础设施。
Su表示，这个新的细分市场为AI芯片组制造商带来了巨大的机遇。
“我们已经看到了像华为这样的网络基础设施厂商，还有诺基亚这样的厂商，推出了针对电信网络功能进行优化的ASIC。这是一个巨大的市场，Nvidia最近也一直在努力进入这个市场。”
2017年至2024年人工智能芯片组年销售总收入（来源：ABI Research）
虽然Su认为短时间内其他厂商无法取代Nvidia在云端AI训练领域的主导地位，但具体在AI推理领域却并非由一家厂商主导，这在一定程度上是由推理工作负载在垂直方向各有不同的性质决定的。他说，预计ASIC将从2020年开始在该细分领域实现强劲增长。
眼下，将AI推理转移到边缘设备这一趋势意味着智能手机、自动驾驶汽车和机器人等设备对云的依赖减少了，但这并不意味着推理工作负载——一些云服务提供商认为推理工作负载要比训练工作负载大——就会减少，Su这样表示。
“一些人工智能永远不会走向边缘，例如聊天机器人和会话AI、欺诈监控和网络安全系统。这些系统将从基于规则的系统发展为基于深度学习的人工智能系统，这实际上会增加推理的工作量，使其足以取代那些转向边缘的推理工作负载。”
此外，谷歌的TPU可以解决在云端进行训练和推理问题，被视为CPU和GPU技术（分别由英特尔和Nvidia主导）的强大挑战者。正如报告所述，谷歌在TPU上取得的成功为其他自主开发AI加速器ASIC的云服务提供商（CSP）提供了蓝图，例如已经行动起来的华为、AWS和百度。
如果云服务提供商都在使用他们自己的芯片组，那么对于其他芯片组提供商来说，这个细分领域还有市场空间吗？
“这对于刚开始使用自己芯片组的CSP来说是极具挑战的，我们甚至预测，到2024年CSP这个市场将下降15％至18％。而机会更多地来自于私有数据中心领域。银行机构、医疗机构、研发实验室和学术界仍然需要运行人工智能，他们会考虑使用那些针对AI工作负载进行了更多优化的芯片组，这就给Cerebras、Graphcore、Habana Labs和Wave Computing等新手提供了一些优势。
其他将从这些趋势中受益的是IP核心授权厂商，例如ARM、Cadence和VeriSilicon，他们将负责帮助那些甚至是开始自主研发的企业进行芯片组设计。
边缘的人工智能
ABI第二份题为“边缘AI芯片组：技术展望和使用案例”的报告称，2018年边缘人工智能推理芯片组市场规模为19亿美元，边缘训练市场规模为140万美元。
今天有哪些应用是在边缘位置进行训练的？Su解释说，这些数据中包括网关（历史数据库或设备Hub）和内部部署服务器（在私有云中，但物理位置是靠近AI数据生成的地方）。专为内部部署服务器的训练任务设计的芯片组包括Nvidia的DGX，华为的网关和服务器，其中包括Ascend 910芯片组，以及针对来自Cerebras System、Graphcore和Habana Labs等内部部署数据中心的系统级产品。
“‘边缘训练’市场仍然很小，因为云仍然是人工智能训练的首选，”Su说。
2017年至2024年，针对推理和培训的AI芯片组年销售总收入（来源：ABI Research）
边缘AI推理是2019年至2024年期间边缘人工智能市场实现31％复合年增长率的主要推动力。Su提到了三个主要市场（智能手机/可穿戴设备、汽车、智能家居/白色家电）以及三个利基市场。
第一个利基市场是机器人，因为依赖多种类型的神经网络，机器人通常需要异构的计算架构，例如用于导航的SLAM（同时定位和映射），用于人机界面的会话AI，用于对象检测的机器视觉，所有这些都会在不同程度上使用CPU、GPU和ASIC。目前，Nvidia、英特尔和高通正在这个领域进行激烈的竞争。
第二个利基市场是智能工业应用，涉及制造业、智能建筑、石油和天然气领域。我们看到，FPGA厂商因为遗留设备的原因在这一领域表现突出，但同时也要归功于FPGA架构的灵活性和适应性。
最后一个利基市场是“非常边缘”，即将超低功耗AI芯片组嵌入WAN网中的传感器和其他小端节点中。由于重点是超低功耗，因此这个领域主要由FPGA厂商、RISC-V设计和ASIC厂商主导。
那么到目前为止，谁在边缘人工智能推理领域领跑？
“意料外——或者意料内的——的是，智能手机AI ASIC厂商在这个领域占据领先，因为智能手机的出货量是很大的，例如苹果、海思半导体、高通、三星以及联发科等，如果说的是初创公司的话，我认为Hailo、Horizon Robotics和Rockchip似乎相对终端设备制造商来说发展势头相当快。”
Su还表示，软件对于边缘AI芯片组的商业实施和部署来说至关重要，Nvidia正在升级编译工具和构建开发人员社区，相比之下，英特尔和Xilinx的策略是初创公司合作，或者收购拥有基于软件的加速解决方案。
“芯片组厂商应该考虑向开发者社区提供工具包和库，通过开发者训练计划、竞赛、论坛和大会等方式进行，因为这能吸引开发者与芯片组厂商展开合作以开发相关应用，所有这些都不是初创公司可以轻易实现的。”
该报告给出的结论是，除了为开发者社区提供合适的软件和支持外，厂商还应该提供良好的开发路线图，以及其他技术价值链的支持，此外还需要让他们的芯片有大规模的使用案例，以及具有竞争力的定价。
