【中信电子】“AI未来，星辰大海——中信证券年会电子行业分论坛”嘉宾精彩观点集粹

电子行业迎来AI大周期的起点。 电子行业是技术和需求双轮驱动的行业，驱动电子行业发展的必须是强黏性的终端，一个新的强黏性终端渗透率的提升会影响行业5—10年的发展，平均的增长率大概是5—7%。当前看，AI时代已经来临。在云端，大数据、云计算兴起，数据量的极度丰富、数据处理方式的根本性变化使得云端AI开始普及。在终端，AI phone兴起，iphoneX搭载了神经网络芯片，华为mate10的主处理器集成了寒武纪的AI处理器，未来3—5年支持电子行业发展的还是手机。

创新周期延续，供给收缩弱复苏。 回看2016年A股市场电子板块前10大涨幅，主要分为两个驱动因素，其一是原有创新周期的延续，包括苹果产业链的重点公司，比如在光学、声学以及外观件等领域创新受益的公司，例如立讯精密、大族激光等。其二是行业过去几年供给收缩，去年以来需求复苏带来的新一轮涨价周期，包括LED、芯片、面板等领域。但涨幅最大的公司——海康威视，还是属于在AI新的大周期上表现亮眼的标的，是被视为AI龙头。

新的驱动力、新的时代——AI。 除了海康威视，过去一年全球优秀的AI公司均表现良好，其中AMD、英伟达的涨幅都在10倍左右。AMD、英伟达代表的是AI计算端能力的爆发，意味着云端AI的兴起，三星则代表的是AI存储端的爆发。AI在云端需要大数据的支撑，而数据首先要进行存储，因此云端需要很多的存储来支撑大数据的挖掘。此外，存储介质向固态硬盘（SSD）转变也使得三星这样的公司受益，预计到明年上半年都会呈现上涨的趋势涨。

AI专用芯片：GPU率先落地，ASIC在专用领域更具优势。 人工智能需要大算力支撑，因此硬件性能十分重要。在AI芯片领域，CPU相当于一个素质比较好的体校学员，对游泳运动可以胜任，但是跑步会慢一些。GPU的并行处理结构十分适合人工智能的运算，同时上层有编程环境，下层有核心的算法支撑，是最容易实现AI的，相当于十项全能，GPU领域代表性公司有英伟达、AMD。FPGA是一个万能的芯片，在某些领域，FPGA是当前最适合的解决方案。专用集成电路（ASIC）是云端、终端的最终进化方式，相当于专业选手，ASIC生产周期长，在一年到一年半左右，具有高性能、低功耗的优点。

云端AI芯片市场空间2020年有望达百亿美金，未来云端芯片有望各自进化，走向融合。 只算增量空间，到2020年云端芯片市场空间有望达是100亿美元，终端芯片市场空间有望达60亿美元。云端芯片市场，预计GPU占一半或者更多，FPGA和ASIC共同占一半左右的市场。未来看，CPU依然是构建云端的基础，所有的大厦都在CPU上构建，但是CPU会变小，主流用GPU或者ASIC，FPGA做有效的补充，或者在数据中心业务中承担主力的位置，云端有望形成“CPU+GPU/TPU+FPGA”的多芯片融合态势。

终端AI：需求决定硬件，场景逐次落地。 AI+安防领域率先使用的还是GPU，大华及创业公司等已经在采用FPGA作为 AI终端芯片。高算力问题和成本问题是减缓AI+安防普及化的两大障碍，因此AI+ 安防最后会分化，在前端以专用集成电路的形式集成到前端的主控芯片当中，在后端，芯片以插板卡的形式存在，GPU、FPGA和ASIC都有可能。除此之外，在车载领域、手机领域，最终的进化方式都会是ASIC，因为ASIC具有高算力、低功耗的特点，大规模应用后，性价比高。目前英伟达、高通等芯片厂商和特斯拉等汽车厂商，均在AI领域有所布局，AI+汽车也是未来趋势。所有重要的芯片平台厂商都在加紧发布其在智能手机终端上的AI芯片产品，AI+智能手机是今后3—5年手机进化的最重要的组成部分。

3D Sensing感知世界。 3D摄像头是iphoneX的创新元素，能够将人的骨骼识别出来，苹果和谷歌都能利用后摄像头扫出房子轮廓，进行虚拟世界的建模，这就是3D视觉的作用。预计随后手机领域会把前置做人脸识别、背景虚化、一秒钟变网红脸类似的功能后置。有景深的识别，机器视觉会增强很多。

守正出奇，静待百花齐放。 把电子分为消费电子、半导体、汽车电子和周期性行业四大板块。消费电子领域看一个创新，两个主题，创新是3D体感，两个主题是OLED和无线充电、tyte-C等等。半导体还是板块型机会，可以定义为长效风口。汽车电子方面，推荐关注类似变压器，其它的汽车类的元器件的国产化类似的机会。周期性行业我们关注四类，我们认为MLCC这种会持续上涨，PCB相对复杂，整个情况是偏紧的。面板阶段性回调，有增涨态势。

人工智能有基础引领新一轮经济浪潮。 互联网与移动互联网时代，PC、智能手机以人为用户、人为核心，用户量与人口总数对应，而AI是赋予设备智能化功能，如IoT、智能家电等以人为用户、设备为核心，一人对应多种设备，应用总量相比互联网与移动互联网时代爆发增长。同时，当前经济水平的提高、消费者对新服务需求的提升、人工智能领域在算法精度与算法通用性的突破为人工智能发展提供了有利条件。

大规模应用人工智能尚需时日，底层创新至关重要。 目前人工智能尚存在用户体验不足、应用门槛高、成本高等问题而无法规模化应用。以智能语音识别为例，主要由于在终端与云端都缺乏高效的底层处理平台，无法时刻区分声音来源是否为用户语音指令，功能开启只能通过关键词匹配，用户体验达不到最佳；以芯片端为例，由于高功耗的通用性芯片成本得不到控制，智能应用需要成本更低的专用芯片做基层支撑。目前计算平台已有变革让深度学习有了发展动力，但AI的发展需要大数据积攒、深度学习算法、足够运算力支撑，并且不同应用场景还有不同需求，上层应用的突破需要底层平台的突破。

安防行业超5000亿产值，同时数据量激增正推动智能安防落地，适合创业AI公司。 2016年安防产业总产值达5600亿元，而且保持近10%的增速，产值庞大。同时，安防行业关系需求强，各地区均有众多割据势力，区级项目即可达数亿规模，全国有超过8000家安防企业，行业龙头海康威视2016年营收约319亿元，市场占比并非垄断地位；并且当前正是AI落地的好时机，人脸识别等人工智能需求旺盛，传统安防企业在AI进展较慢，初创AI企业具有很多机会。

安防应用领域多样，未来可覆盖空间广阔。 安防可应用于司法、公安、交通、楼宇、金融、能源、科教文卫等多个领域，囊括成本从高到低的众多场景，而目前大多数创业公司还只覆盖到成本较高的公安领域，众多未覆盖领域尚待开拓，2016年全国包括行车记录仪在内的安防类芯片出货约2亿颗，公安领域仅占约1%市场份额。当前限制创业公司拓展领域的因素主要是前端、服务器端、后端储存等成本较高，以及目前功耗过高带来的散热问题，民用场景尚不能承担。

硬件、软件二者皆不可或缺，底层创新需要放宽视野。 目前部分芯片存在着设计性能与实际使用过程中存在不匹配的现象，如Movidius公司的产品由于缺乏合适的架构与软件优化，导致芯片性能的利用率远远不足，官方样例测试利用率仅有8%。此外对比AMD与英伟达的GPU可以发现，二者的GPU在性能上并没有明显差距，但AMD市值不及英伟达1/10，这是因为英伟达除了GPU还同时提供软件开发平台服务，而AMD提供的软件服务无法与英伟达匹及。由此可见软件与算法才能真正切中用户痛点，底层创新不能局限在芯片，需要将视野拓宽到软件。

深鉴聚焦视频监控，芯片、软件、算法三位一体发展。 公司团队成员自2012年开始在清华和斯坦福做AI相关的硬件加速研究，2016年正式注册，拥有深度压缩算法、DNDK软件框架等创新。其中深度压缩算法能在不影响精确度的情况下去掉冗余无效部分以降低芯片功耗，在安防产业应用可以通过视频结构化算法即将视频信息展示出来直接进行分析以降低数据处理量，同等芯片可以支持更多任务从而降低了相对成本；DNDK是国内第一套面向深度学习软件开发一致的框架，能让用户通过自身熟悉的GPU框架，直接通过DNDK以减少开发代码编写量。公司目前主要聚焦视频监控领域，能提供包括软件、压缩算法、芯片的一整套产品，同时正在数据处理中心、辅助驾驶等领域进行开拓。

双摄仅是过渡产品，未来的主体是深摄。 双摄目前处于发展过程，对整个智能手机会产生很大帮助，也会给消费者带来很多新功能，但从本质上讲，它是一个过渡产品。双摄有天生的缺憾和不足，有很多功能实现不了，必须过渡到深摄。两年半之前，双摄启动的时候，虹软就启动了深摄的研究。到今天为止，有16个关于手机深度摄像头的研究。

公司深度学习全球领先，坚持端云一体发展战略。 公司注册成立于2016年3月，深度学习研究历史可追溯到2008年，技术、专利积累较早。公司2013年发布全球首个深度学习处理器架构DianNao，2014年发布全球首个多核深度学习处理器架构DaDianNao，2015年发布了全球首个通用机器学习处理器架构PuDianNao、低功耗视觉识别加速器ShiDianNao，2016年发布全球首个智能处理器指令集Cambricon ISA以及全球首个商用深度学习处理器寒武纪1A；今年11月公司发布了性能更佳、功耗更低的1H16和1H8的终端智能处理器IP产品，并确立了端云一体的发展战略，在终端做IP授权，在云端做服务器芯片。

终端、云端相辅相成，智能生态二者缺一不可。 终端具有数量庞大的特性，全球有数十亿的终端，其中中国就超过十亿，同时终端作为图象、语音、VR、AR等众多应用的输入接口，能直接采集包括光学、光学在内的物理世界信息并与用户进行人机交互，因此无论智能处理器放置在云端还是终端，用户最终都是通过终端感受智能；而云端则具有数据处理能力强的特性，但存在延迟、信息泄露风险等不足，未来一定是终端采集信息、端云共同处理、结果反馈终端的发展模式。

终端并非孤立存在，智能处理必然经历从云到端，再从端到“端云协作”的过程。 终端需求一直处于增长状态，对硬件处理能力的需求也在不断增长，并且终端智能处理需求增速超过智能芯片性能提升速度。同时终端不是孤立存在的个体，需要通过不断的从云到端再从端到云的云端协同过程，通过终端的提升带动云端提升，通过软件对端云处理能力的消耗，最终达到软硬件共同提升。

端云一体实现基础是指令集和软件兼容，需要芯片厂商和下游客户共同协作。 公司基于指令集进行了大量软件开发工作，拥有自主的编译器，通过自身基本模块逐渐搭建更大模块，最终向上兼容深度学习的主流编程语言，因此几乎没有移植风险。同时公司通过在终端配备任务处理性能强的处理器（如麒麟970的1A处理器），在云端配置与终端指令集、软件兼容的智能芯片（即将上市），最终通过端云协同以实现从端到云软件开发的无缝移植，具有任务切分便捷性较强、信息保密性强的优点。而端云一体的实现除了需要指令集和软件的兼容，还需要芯片厂商和下游客户的共同协作。

大数据、算法和计算架构推动人工智能的发展。 在过去的几年之内，因为移动互联网和互联网积累了海量数据；全世界范围内，深度学习这个理念被提出来之后，不停地在迅速迭代；摩尔定律在过去二三十年持续的起作用，包括通用的并行计算架构的兴起，所以每单位计算力的成本、功耗以及它能做的事情都在飞速的下降，这些因素是这一波人工智能真正能够落地兴起的关键。

中国需要自主的AI芯片。 每年中国进口的大宗商品里面金额最高的就是半导体，达到2000多亿美金，中国本土的半导体厂商，所能提供的仅仅占到中国每年消耗量的20%不到，一旦某一家大的半导体公司对国内禁运，中国会瘫痪一大半，所以从经济民生角度考虑，IC特别是AI这一波的IC国产化，重要性不言而喻。从国家安全角度考虑，2017年政府工作报告已经提到了AI，如果国内人工智能产业是基于国外的AI芯片，而芯片又和大数据紧密相连，具有很大隐患。因此，AI芯片在中国必须是自主化的。

AI也需要专用的芯片 。 以英特尔为代表的通用计算公司在过去的几十年里面取得很大的成就。人脑是并行处理的，它不是像处理器那样逐行扫描的，它是整体来看的，人的大脑是一种专用处理器。人工智能的未来不是一个通用处理器的未来，它是针对人工智能和应用场景结合的专用的整体解决方案，需要的是专用处理器。

边缘计算是趋势。 随着人工智能和5G时代的到来，任何一个设备都有可能是一个智能设备。人工智能的需求是从中央节点快速向外围节点扩散的过程。全部依赖云计算，对网络的带宽、稳定性要求太高，使用过程带宽和稳定性难以保证。另外，云计算不能满足实时性需求，数据往返云端耗时长。还有大部分的应用场景是有足够的网络带宽，也不需要实时，但其99%的数据其实都是垃圾数据，全部传到云端成本过高。如果在前端完成数据价值挖掘，数据成本会下降到现在的几十分之一甚至是1%，所以端+云是未来的发展方向。

AI需要“算法+芯片”。 AI芯片其实是算法+芯片，未来一定是软件定义硬件的时代。正如苹果的手机里面所有的元器件，包括芯片都是自己设计的。苹果手机的芯片的处理器的能力、每秒百万次处理能力、主频都是远远低于高通、TR、MTK的主流芯片的，但它的芯片和操作系统、应用程序高度耦合，因此能够实现低功耗、低成本、高效率。苹果的高性能得益于它的软硬一体全部打通。英特尔最近几年也在收购有算法、软件和场景认知能力的公司，在英伟达，软件的工程师是比设计芯片的硬件工程师还要多。实现软硬一体，才是最有竞争力的模式。

地平线做的是AI应用场景平台而不是计算资源平台。 很多传统的半导体公司追求的是在底层对上层的CNN做一些比较好的支持，但并不关心上面的场景。原因在于：第一，做芯片的公司有一定量追求，必须要让其芯片能够适配更多的用户。第二，本身DNA是做芯片的公司，对深度学习算法没有办法持续跟进，现在很多的AI芯片的提供者，提供的仍然只是一个AI计算资源平台。目前地平线做的不叫AI芯片，而是AI应用场景平台，针对应用场景，提供一整套的解决方案，不拘泥与产品的形态。因此，地平线和很多AI芯片公司的定位和差异性是非常明显的。

地平线第一款AI处理器已经流片。 地平线的核心竞争力就是算法、芯片，拥有自己的云计算的能力和品牌，地平线第一款AI芯片已经在台积电流片成功，功耗在2瓦左右，能力可以对标一个二三十瓦的GPU，能用在摄像头等等很多的设备上。它可以实时处理1080P，30帧一路的图象，能进行结构化的分析；做智能驾驶，每帧识别可以大于200个目标。

地平线第一代AI芯片应用场景：智能摄像头。 地平线推出的智能摄像头搭载自己的嵌入式处理器和整体解决方案，一帧可以抓取大约200个人脸。通过整体的解决方案的能力来确保抓拍的质量。上半年火爆的一款智能摄像头是基于GPU，价格昂贵，如果使用地平线的解决方案，成本会下降很多，能够实现迅速普及。中国的安防市场是非常分散的，加上楼宇、小区一共有上万家继承商，因此市场机会很大，地平线能够给不同的客户提供不同的交付能力，从芯片的模组到智能摄像头的感知设备。

AR是3D视觉的发展方向。 AR技术体系分三个层次：基础型、娱乐型和数据型。AR要实现三种功能，第一是虚拟物体和真实的场景，要求对周围环境完整的识别，第二是对人体的行为动作要进行识别，第三是交互，三种功能的实现都涉及到数据的部分，因而AR是一个完整的体系。关于3D会涉及一些双摄、显示技术等话题，但是核心的技术源泉还是在AR的基础技术，显示和3D本身是一个硬件载体。

AR从属于AI，完整的AR应由前端智能化芯片和后台云智能平台构成。 AR可以对人体的环境识别，又可以对人的物理属性识别，相当于有了眼睛。光有眼睛还不够，它一定要和数据平台对接，也就是前面的端到后面的云，即整个大脑的部分，前端主要处理数据采集和AR的环境营造，后端主要是大数据的处理、智能算法的更新。

AR大约将在2018、2019年开始火爆。 微软2010年推出Kinect，革命性交互产品，垄断5年全球体感交互市场。微软号称在2018年1月份推出800美元左右的AR眼镜。苹果2013年收购Primesense，现在推出iPhoneX，从供应链传来的消息，明年基本上要上后置，AR的芯片已经开始量产。

华捷艾米的方案给终端厂家、供应链、应用厂家赋能。 整个AR解决方案包括光学小型化器件模组、一体化AR计算芯片和SDK工具包，适用于手机等多种小型化设备。AR芯片基本将AR核心技术手势识别、三维识别、人脸识别等融合在一起。华捷艾米的AR芯片技术方案包括与3D芯片的结合，相当于一个通用性的专用芯片。这款芯片现在是全球第三家能够完整设计和开发的芯片。2017年10月份量产了一款基于28纳米的三维测量的多维的芯片，明年AR一体化的芯片将量产。计算芯片则包括了软件、硬件部分，整体上处理AI前端是ISP+DSP+DNN的结构。

手机方案可以给客户提供两种模式。 第一种是直接做成一个完整的光学模组，把生产的基础工作全部准备好，提供给厂家。第二种是有一些厂家更多的看重结构设计、外形、功耗的问题，也可以单独提供进行一对一的支持。此外也提供SDK方面的软件解决方案。除了3D深度数据之外，还提供人工骨架、人物的提取、彩色抠图、人脸的识别、男女识别等，以及基于3D的SDK的游戏引擎，可以方便应用厂家快速开发应用。

目前行业技术难度大，技术难度集中于3Dslam和人体行为识别。 微软kinect问世八年，没有类似的产品出现，并且除了微软和A公司之外，还没有完整的AR产品。这其中两大核心技术可以说是有世界难度的，一个是3Dslam，一个是人体行为识别。微软和A公司已经有行为识别能力，微软、A公司和谷歌已将3Dslam芯片化，此外暂时没有其他厂商做出来。包括联想、华为已经研究不下7年，暂时还没有收获。从时间角度来说，一蹴而就完成AR产品的想法是不切实际的，短期内跟上没那么容易。

行业投入大、周期长，AI需极大投入。 苹果花了200亿进行相关技术的投资和收购。假设刚起步的企业来做，简单推算一下周期：首先需两年时间才能完成基础原理的研发，此后数据采集、标注、训练至少要花8个月的时间，投入的成本要1到2亿。芯片的设计与量产要一年半以上，投入成本要8000万以上。同时还要并行搭建数据平台，投入至少要5000万，累积的时间是4年2个月。这是不考虑技术有多大门槛的情况下，如果用在银行或者是安防领域，不一定需要芯片的开发，可能时间会短一点，但是在消费电子领域，芯片是必不可少的，现在的CPU无法支撑这种规模的并行运算，在终端上，特别是消费电子，必须要开发芯片，所以这个累积成本2亿只能搞个初步，所以我们看到苹果的iphoneX出来了，但是在2019年年中之前，类似于做到苹果那样的faceID出来可能性是不大的。华捷艾米也是刚刚开始做3D人脸的，对周期判断是2019年中甚至以后。对人体识别、手势识别经历了8年的研发，已经采集了一亿多的样本。

AR的行业刚刚兴起，存在四个需求关系。 第一，应用对算法的需求不明确；第二，算法对上层算法的需求关系多样；第三，算法对硬件的需求关系多样；第四，应用对硬件的需求关系多样。用在电视、手机、机器人上对功耗、帧率是不太一样的。因此，基于3D视觉的AR和AI技术还有相当长的演进和完善的过程。

AR量产的供应链整合具有一定难度 ， 包括激光器、DOE、CMOS、模组生产，这些都是巨头厂家在做。现在已经储备完成了供应链的整合。供应链里面主要是这四个难题：激光器、DOE、CMOS，现在满足AR在户外用的CMOS暂时还没有标准，这是目前的难点。此外还有是模组生产，模组对光、湿、热的要求比较高，现在要达到一个良好的精度，对生产要求比以前的1200万象素的模组生产要求更高一点，所以生产的磨合性应该有一个周期。A公司2015年的时候就开始做这种量产的计划，两年还没有完全搞定，可见模组生产还是有一定的难度。

华捷艾米的核心优势是全球第三家具备完整智能AR的技术体系公司， 这里面包括深度学习、核心算法，还有自主芯片。能够把AR落地必须有一个完整的芯片，也必须要有一个完整的数据平台，数据本身在实践中就是滚动的。也就是说要完成这个AR技术落地，两个东西是必须要完成的，第一个是芯片，这也是计算平台，第二是数据平台。