???全球 CPU 商用市場基本被 Intel、AMD 兩家壟斷，國產 CPU 具備廣闊拓展空間。CPU 目前從市場占有率來說，Intel 依靠其強大的 X86 生態體系和領先的制造能力，在通用 CPU 市場占據領先地位。2021 年，Intel 市場份額不低于 80%，AMD 近期追趕勢頭明顯，其他廠商整體市場份額不超過 7%。

英特爾優勢降低，數據中心領域集中度有所降低。2022 年，數據中心領域 Intel 市場占有率為71%，較 21 年下降 10pcts，AMD 22 年市占率快速提升 8pcts 至 20%，亞馬遜、Ampere 等新興玩家份額快速提升，給總計份額不足 5%的國產廠商發展帶來了借鑒意義。

全球 GPU 市場為三足鼎立的寡頭競爭格局，英偉達在獨顯領域一家獨大。在獨立顯卡市場上，長期以來都是 AMD 及 NVIDIA 兩家的二人轉，2022 年 Intel 正式殺入了顯卡市場，目前獨立 GPU市場則主要由 NVIDIA、AMD 和英特爾三家公司占據，2022 年 Q4 全球獨立 GPU 市場占有率分別為 85%、9%和 6%，其中，NVIDIA 在 PC 端獨立 GPU 領域市場占有率優勢明顯。

1、多數參數我國CPU具備比肩能力，但性能差距大

影響國內CPU市占率的主要是技術差異，即產品性能。CPU性能的主要影響因素為頻率和IPC，其他影響 CPU 性能的因素還有總線寬度、制程、存儲、內核數、封裝技術等。

（1）主頻，外頻和倍頻和 IPC。主頻是 CPU 的時鐘頻率，即 CPU 的工作頻率，一般來說，一個時鐘周期完成的指令數是固定的，所以主頻越高，CPU單位時間運行的指令數越多。外頻即CPU和周邊傳輸數據的頻率，具體是指 CPU 到芯片組之間的總線速度，CPU 的外頻決定著整塊主板的運行速度。產生的輸出信號頻率是輸入信號頻率的整數倍稱為倍頻，倍頻和外頻相乘就是主頻，當外頻不變時，提高倍頻，CPU主頻也就越高。IPC指 CPU每一個頻率周期里處理的指令數量。

（2）地址總線寬度。地址總線是專門用來傳送地址的，CPU 通過地址總線來選用外部存儲器的存儲地址，總線寬度決定了 CPU 可以訪問的物理地址空間（尋址能力），簡單地說就是 CPU 到底能夠使用多大容量的內存。例如 32 位的地址總線，最多可以直接訪問 4GB 的物理空間。8 位微機的地址總線為 16 位，則其最大可尋址空間為 2^16=64KB。

（3）數據總線寬度。數據總線寬度決定了 CPU 與內存以及輸入、輸出設備之間一次數據傳輸的信息量。

（4）制程和封裝。CPU 的生產需要經過硅提純、切割晶圓、影印、蝕刻、分層、封裝、測試 7個工序，制程工藝的提升或更小的制程對于 CPU 性能的提升影響明顯，主要表現為 CPU 頻率提升以及架構優化兩個方面。一方面，工藝的提升與頻率緊密相連，使得芯片主頻得以提升；另一方面工藝提升帶來晶體管規模的提升，從而支持更加復雜的微架構或核心，帶來架構的提升。

（5）工作電壓。指的是 CPU 正常工作所需的電壓。低電壓能夠解決耗電多和發熱過高的問題，使 CPU 工作時的溫度降低，工作狀態穩定。

（6）高速緩沖存儲器。它是一種速度比內存更快的存儲設備，用于緩解 CPU 和主存儲器之間速度不匹配的矛盾，進而改善整個計算機系統的性能。很多大型、中型、小型以及微型計算機中都采用高速緩存。

（7）除上述性能指標外，CPU 還有其他如接口類型、多媒體指令集、裝封形式、整數單元和浮點單元強弱等性能影響指標。

多數參數我國 CPU 具備比肩能力，IPC性能是最主要差距。目前通過公開信息可以看出，主頻、核心數、內存類型等指標我國 CPU 廠商差異不大，具備一定的比肩能力，但落實到具體性能決定指標 IPC，僅 Intel 和 AMD 會公布 IPC“相比上一代提升了多少”，其他國產 CPU 從 IPC 性能來看大致落后于 Intel、AMD 幾年水平。

2、指令級架構與生態綁定多年，創新面臨知識產權等多重壁壘

指令集是 CPU 所執行的指令的二進制編碼方法，是軟件和硬件的接口規范。日常交流中有時也把指令集稱為架構。CPU 按照指令集可分為 CISC（復雜指令集）和 RISC（精簡指令集）兩大類，CISC 型 CPU 目前主要是 x86 架構，RISC 型 CPU 主要包括 ARM、RISC-V、MIPS、POWER 架構等。

指令集架構與生態綁定多年，創新面臨知識產權、時間等多重壁壘。歷經幾十年的發展，全球形成了 Wintel（Windows+Intel）和 AA（Android+ARM）兩大信息化生態體系，并且都由美國主導，在生態和知識產權上都形成了自己的“領地”。中國之前沒有指令集，重新搭建或者在現有的開源指令集基礎上修改，會面臨知識產權問題以及前期需要大量的試錯優化過程。且新的指令集需要新的生態來適配，所需要的操作系統、基礎軟件和各種應用軟件都需要重新適配，這也是目前新指令集發展的一個難點。

（1）x86 架構：主導桌面/服務器 CPU 市場

基于 CISC（復雜指令集）的 x86 架構是一種為了便于編程和提高存儲器訪問效率的芯片設計體系，包括兩大主要特點：一是使用微代碼，指令集可以直接在微代碼存儲器里執行，新設計的處理器，只需增加較少的晶體管電路就可以執行同樣的指令集，也可以很快地編寫新的指令集程式；二是擁有龐大的指令集，x86 擁有包括雙運算元格式、寄存器到寄存器、寄存器到存儲器以及存儲器到寄存器的多種指令類型。

x86 架構主要參與者包括 Intel、AMD、海光、兆芯等。

（2）ARM 架構：崛起移動市場和 MCU 市場

ARM 架構過去稱作進階精簡指令集機器，是一個 32 位精簡指令集處理器架構，其廣泛地使用在許多嵌入式系統設計，近年來也因其低功耗多核等特點廣泛應用在數據中心服務器市場。早期ARM 指令集架構的主要特點：一是體積小、低功耗、低成本、高性能；二是大量使用寄存器，且大多數數據操作都在寄存器中完成，指令執行速度更快；三是尋址方式靈活簡單，執行效率高；四是指令長度固定，可通過多流水線方式提高處理效率。

ARM 架構的 CPU 參與者包括飛騰、鯤鵬等，還有諸多 MCU 廠商用 ARM 架構設計相關產品，包括意法半導體、兆易創新、普冉股份、恒爍股份等。

（3）RISC-V 架構：物聯網時代的新選擇

RISC-V是加州大學伯克利分校設計并發布的一種開源指令集架構，其目標是成為指令集架構領域的 Linux， 主要應用 于物聯 網（IoT） 領域， 但可擴展 至高性能計 算領域 。RISC-V 采用BSDLicense 發布，由于允許衍生設計和開發閉源，吸引了一大批公司的關注，目前已有不少公司開發基于 RISC-V 的 IP 核，如 Si-Five、臺灣晶心、阿里平頭哥等已可提供基于 RISC-V 的處理器 IP 核，部分企業如兆易創新、北京君正等已開發出基于 RISC-V 的 MCU 芯片等。但整體上，由于 RISC-V 產業生態還比較薄弱，未來的發展仍有較長一段路要走。

RISC-V 架構的參與者包括阿里平頭哥，MCU 廠商包括國芯科技、賽昉科技等。

（4）MIPS 架構：在學術界影響廣泛

MIPS 是高效精簡指令集計算機體系結構中的一種，MIPS 的優勢主要有三點：一是發展歷史早，MIPS 在 1990 年代已經廣泛使用在服務器、工作站設備上。二是在學術界影響廣泛，計算機體系結構教材都是以 MIPS 為實際例子。三是 MIPS 在架構授權方面更為開放，授權門檻遠低于 x86、ARM，在2019年曾經有開放授權的實際動作，并且 MIPS允許授權商自行更改設計、擴展指令，允許二次授權。

（5）POWER 架構：在部分汽車控制中有所應用

POWER 架構是由 IBM 設計的一種 RISC 處理器架構，POWER 在大型機領域獨具優勢。POWER3 是全球首款 64 位架構處理器，開始應用銅互聯和 SOI（絕緣體上硅）技術。直至POWER9 依然追求最高性能，不僅具備亂序執行、智能線程等技術，還實現了 SMP（對稱多處理技術）的硬件一致性處理。POWER 架構 CPU 價格高昂，主要應用于高端服務器領域，市場份額逐漸減少。

POWER 架構目前恩智浦、飛思卡爾和國芯科技的部分產品中有采用。

CPU 專用 EDA 國產替代難度大。我國的 CPU 專用 EDA 工具例如數字仿真、邏輯綜合、建模、布局布線等水平比較差，長期依賴國外產品，尚無法完成完整集成電路的功能設計、綜合驗證和物理設計等全流程的軟件工具集群，完全替換應用的難度大。

3、AI芯片的關鍵特征包含數據特點、計算范式、精度、重構能力等

1）新型的計算范式：控制流程簡化、計算量增大

AI 計算包括傳統計算和新的計算特質，處理的內容往往是非結構化數據（視頻、圖片等）。處理的過程通常需要很大的計算量，基本的計算主要是線性代數運算（如張量處理），而控制流程則相對簡單。

2）訓練和推斷：需要高效的數據處理能力

AI 系統通常涉及訓練（Training）和推斷（Inference）過程。簡單來說，訓練過程是指在已有數據中學習，獲得某些能力的過程；而推斷過程則是指對新的數據，使用這些能力完成特定任務（比如分類、識別等）。滿足高效能機器學習的數據處理要求是 AI 芯片需要考慮的最重要因素。

3）數據精度：低精度成為趨勢

低精度設計是 AI 芯片的一個趨勢，在針對推斷的芯片中更加明顯。對一些應用來說，降低精度的設計不僅加速了機器學習算法的推斷（也可能是訓練），甚至可能更符合神經形態計算的特征。

4、AI芯片設計趨勢

1）云端訓練和推斷：大存儲、高性能、可伸縮

存儲的需求（容量和訪問速度）越來越高，處理能力推向每秒千萬億次（Peta FLOPS），并支持靈活伸縮和部署。隨著 AI 應用的爆發，對推斷計算的需求會越來越多，一個訓練好的算法會不斷復用。推斷和訓練相比有其特殊性，更強調吞吐率、能效和實時性，未來在云端很可能會有專門針對推斷的 ASIC 芯片（如 Google 的第一代 TPU），提供更好的能耗效率并實現更低的延時。

2）邊緣設備：也需要具備一定的學習、本地訓練能力

相對云端應用，邊緣設備的應用需求和場景約束要復雜很多，針對不同的情況可能需要專門的架構設計。拋開需求的復雜性，目前的邊緣設備主要是執行“推斷”。在這個目標下，AI 芯片最重要的就是提高“推斷”效率。目前，衡量 AI 芯片實現效率的一個重要指標是能耗效率——TOPs/W，這也成為很多技術創新競爭的焦點。未來，越來越多的邊緣設備將需要具備一定的“學習”能力，能夠根據收集到的新數據在本地訓練、優化和更新模型。這也會對邊緣設備以及整個 AI 實現系統提出一些新的要求。最后，在邊緣設備中的 AI 芯片往往是 SoC 形式的產品，AI部分只是實現功能的一個環節，而最終要通過完整的芯片功能來體現硬件的效率。這種情況下，需要從整個系統的角度考慮架構的優化。因此，終端設備 AI 芯片往往呈現為一個異構系統，專門的 AI 加速器和 CPU，GPU，ISP，DSP 等其它部件協同工作以達到最佳的效率。

3）軟件定義芯片：能夠實時動態改變功能，滿足軟件不斷變化的計算需求

在 AI 計算中，芯片是承載計算功能的基礎部件，軟件是實現 AI 的核心。這里的軟件即是為了實現不同目標的 AI 任務，所需要的 AI 算法。對于復雜的 AI 任務，甚至需要將多種不同類型的 AI 算法組合在一起。即使是同一類型的 AI 算法，也會因為具體任務的計算精度、性能和能效等需求不同，具有不同計算參數。因此，AI 芯片必須具備一個重要特性：能夠實時動態改變功能，滿足軟件不斷變化的計算需求，即“軟件定義芯片”。

審核編輯：黃飛

?