全球半導體現狀分析-2

全球半導體現狀分析-2

半導體行業在各地區的增長 

在預測期內，我們預計在所有全球市場中，半導體市場將持續快速增長（見圖4）。 

• 亞太地區。該市場將繼續是半導體行業收入的主要貢獻者，到2022年，復合年均增長率可達到4.8%。電子系統生產將繼續以中國為中心。由于中國的制造能力，尤其是消費類電子產品的制造能力出眾，因此對半導體的需求日益增長，并成為全球最大的芯片購買國和進口國。發展和增強該行業實力是中國政府的頭等大事，因為許多新興公司正處于初創階段。 

圖4各地區的半導體行業收入 

“在人工智能的背景下，我們需要考慮安全性。一般來說，歐洲企業處于有利地位：一方面包括安全要素，另一方面包括處理環境條件和安全層，就像車輛領域的情況一樣。這兩個方面都可以有成本合理的認證程序。” 

——Maurice Geraets，恩智浦（NXP）半導體董事會成員 

• 歐洲、中東和非洲。在預測期內，該地區的復合年均增長率將達到3.5%。數據處理一直是歐洲最大的終端用途類別，但我們預計未來兩年內將被汽車行業超越。半導體對于許多行業和應用至關重要。歐洲企業在汽車、出行（鐵路、航空）和工程等多個領域都處在領先地位。為確保在這些行業的領先局面，并促進人工智能等新應用的發展，歐盟應推廣并保護其半導體行業。這包括研發設計、制造以及歐盟創業生態系統。 

• 美洲。在預測期內，該地區的復合年均增長率位居第二，達到4.3%，主要由NAND閃存芯片市場的預期收益推動。在該地區，美國是許多領先半導體公司的所在地，擁有強大的創業生態系統。風險投資是該行業的有力支持因素。然而，美國政府最近否決了若干來自非美國公司的收購計劃。 

學習機器的崛起 

半導體行業的需求通常來自顛覆性的新技術推動。在1997年至2007年間，個人電腦的迅速普及推動了對CPU和存儲芯片的需求，而互聯網的廣泛滲透推動了對以太網設備、網絡處理器和專用集成電路的需求。智能手機時代始于2007年蘋果手機的推出，這增加了對移動處理器的需求，而云計算的采用則推動了服務器CPU和存儲的增長。 

現在，人工智能很可能成為半導體行業又一個十年增長周期的催化劑。盡管人工智能許多引人注目的新用例將依賴于通過軟件而非芯片實現的算法，但對即時計算、連接和傳感的需求將會推動未來十年對人工智能定制半導體的巨大需求。 

人工智能與半導體帶來的機遇 

人工智能是計算機基于對數據集和預定義規則集的復雜分析來模擬智慧人類行為并作出決策或建議的能力。半導體有助于開發和加速人工智能的機會，從而成為推動該領域創新和人工智能增長潛力的關鍵因素。 

人工智能的使用通常取決于三種算法： 

• 機器學習（ML）：使用算法分析數據，從中學習，然后對特定情況作出決定或預測。 

• 深度學習（DL）：一種基于分析和從特定數據集中學習的機器學習，與特定任務的算法不同。 

• 自然語言處理（NLP）：一種分析人機交互的方法，側重于給計算機編訂程序處理和分析大量自然語言數據的方式。 

人工智能用例也可按照兩種主要的實施類型進行分類： 

• 培訓系統：利用大量的數據集來學習如何開展特定活動，并不斷進化學習算法本身。 

• 推理系統：使用預定義的模型進行實時決策。 

人工智能適用于幾乎所有行業的垂直領域，對云和邊緣計算所需芯片數量具有超強預測能力，并且對加速新算法的專業計算需求在不斷增長，因而為半導體廠商創造了前所未有的機遇。 

人工智能驅動的行業增長預測 

我們預計到2022年，人工智能相關的半導體市場收入將從目前的60億美元增至300億美元以上，復合年均增長率接近50.0%。雖然人工智能驅動的用例會隨著時間的推移逐步滲透到每個行業領域，但人工智能的使用將取決于技術投資的規模、技術開發的速度以及實現其效益的速度。 

為推理系統提供動力的半導體市場可能仍然是分散的，因為每一個廣泛變化的潛在用例，例如面部識別、機器人、工廠自動化、自動駕駛和監控等均需要定制解決方案。相比之下，培訓系統將主要基于傳統CPU、GPU和現場可編程門陣列（FPGA）基礎設施及ASIC。 

• 汽車。仍是市場潛力最大的一個細分市場。我們預計在2022年，ADAS和自動駕駛輔助用例將會帶來40億至47億美元的收入（見圖5）。這其中包括基于推理的系統，用于汽車和邊緣計算的自動駕駛和安全輔助；以及基于訓練的系統，用于交通規避導航。兩者的相對規模將決定需求增長最快的半導體類型——用于邊緣計算的GPU和ASIC，以及用于云計算的GPU和FPGA。 

• 金融服務。我們相信，此細分市場將會帶來40億至45億美元的收入，主要來自交易身份認證和智能投資組合管理的用例。與汽車行業一樣，金融服務可能會根據用例實施推理和培訓系統?；谡J證的用例將在很大程度上依賴于邊緣計算的基于推理的人工智能，主要用于智能手機上的面部識別和通過移動CPU或專用人工智能半導體的指紋檢測?；谂嘤柕娜斯ぶ悄軐⒅饕糜诜治龊Ａ繑祿?，以識別智能投資和投資組合管理的趨勢；這些活動通常駐留于云端，因為需要基于CPU或GPU基礎設施的大量計算。 

• 工業?？赡苁撬行袠I中機遇最小的，介于15億至20億美元之間，主要來自制造業優化和主動式故障檢測。這是因為這些應用非常重視能否利用現有基礎架構的培訓系統，因此不太可能需要業內最佳的計算能力和更低的延遲。此外，由于工業部署和客戶更新周期更長，因此該領域從人工智能獲得的收益可能需要比其他行業更長的時間。 

圖5 各行業采用人工智能驅動的用例 

汽車行業中的人工智能 

汽車行業在電子元件上的開支可謂龐大，在如何利用人工智能加速創新方面進展迅速。到2022年，全球679億美元的汽車電子元件市場中，人工智能在信息娛樂領域的影響將最為明顯，達到85億美元，ADAS為129億美元，安全應用57億美元。 

信息娛樂系統將會用于個人輔助、導航和娛樂。蘋果的Car-Play和谷歌的安卓汽車平臺已在市場上脫穎而出。 

ADAS和安全應用將聚焦駕駛員輔助和自動駕駛，主要通過汽車制造商的專有解決方案（如通用汽車巡航自動化解決方案）或廣泛可用的平臺（如英特爾的Mobileye和輝達驅動）。到2022年，這些人工智能應用的組件將會集中于傳感（光電子學和非光學傳感器）、計算（ASIC、ASSP、通用邏輯和微組件）及存儲（存儲器）領域，可用市場達到208億美元。模擬和分離組件將是整體解決方案的一部分，但并非人工智能應用的主導因素。 

在這些組件中，人工智能注入的邏輯元件將設計用于ASSP、ASIC和微組件，而存儲器、光電子和非光學傳感器將作為輔助組件來支持整個子系統的設計。到2022年，ADAS、安全和信息娛樂中人工智能芯片的市場預計達到40億至47億美元，約占這些應用領域總市場的19.2%-22.6%。 

人工智能在自動駕駛汽車中的使用將取決于汽車的自動駕駛能力，根據正常操作所需的人工干預量，通常分為五個級別。 

0級不涉及自動化。在1級和2級，ADAS提供自動剎車、穩定性控制和巡航控制。3級在某些情況下包括自動駕駛，而在4級和5級，駕駛是完全自動的。

在4級和5級，自動駕駛子系統必須利用其所有組件在通常情況和特殊情況下提供幫助，完全消除對駕駛員甚至方向盤的需求。攝像、雷達和激光雷達傳感器必須能夠探測并避開物體。信息娛樂模塊充當導航、傳感器控制和語音命令的主要數據傳輸源。最后，核心自主平臺發揮人工智能推理系統的作用，用于實時計算和作出關鍵的安全和導航決策。 

對于依賴于學習系統的任務，包括實時路線導航、個性化信息娛樂推薦和數字語音輔助，車載連接功能會將請求發送至云端。人工智能定制化的云基礎設施將運用人工智能算法優化這些用例，通常由公共云供應商、或由汽車制造商或服務提供商管理的數據中心掌管。 

人工智能解決方案堆棧 

新型創新型人工智能產品或服務將會改變已知世界。虛擬助理能發起擬人電話呼叫并在餐館訂座，人們已經對此醉心不已。但為了更好地理解人工智能機遇能夠一展拳腳的領域，我們必須更深入地研究人工智能技術堆棧的底層組件，即構建應用程序的腳手架。 

在普華永道看來，人工智能技術堆棧由五個元素或層組成：硬件、庫、框架和工具、平臺及應用與服務（見圖6）。由于對人工智能的大部分注意力集中于人工智能帶來的客戶體驗上，所以從應用程序和服務開始講起是合乎邏輯的。這是解決方案堆棧的最頂層。此處，最可感知的人工智能功能，在應用級別集合在一起，例如亞馬遜的Alexa虛擬助理和蘋果的人臉識別。其中部分功能也作為服務提供，例如嵌入軟件的推薦引擎。 

圖6 人工智能技術堆棧的元素 

但是，沒有深層可重用組件來提供核心功能的應用是什么？這其實是平臺層的任務。已有若干公司正在生產人工智能平臺，承諾無需處理復雜的算法和深層動態神經網絡（DNN）便能構建具備人工智能功能的應用。 

這些公司已經建立平臺，旨在提供“隨時能用”的構建模塊和軟件服務，即基礎人工智能功能，如NLP、代理和決策引擎，這有助于加快人工智能應用程序和服務的開發。示例包括： 

• 雨鳥技術（Rainbird Technologies）。雨鳥技術推出以軟件即服務為基礎的人工智能平臺，旨在提高業務運營的智能化。它提供一個以規則為基礎的自動化決策引擎，能夠支持執行復雜的任務（如作出預測、建議和業務決策）。它還捕捉平臺作出某些決策的依據，這對審計十分有價值，特別是在受監管的行業。 

• 語義機器（Semantic Machines）。這家總部位于加州伯克利，最近被微軟收購的初創企業開發了一個基于機器學習的基礎技術平臺，使用戶能與信息系統毫不費力地互動。此類稱為“對話式人工智能”的方法有望對我們在電子商務網站上的交易方式、與社交媒體的互動方式，甚至日常使用生產力軟件和設備的方式產生深遠的影響。 

堆棧的中間部分（人工智能框架、工具和接口）允許開發者設計、構建和部署實際的模型和算法。獨立軟件供應商（ISV）正在為開發者提供人工智能框架、工具和接口，以便使用深層人工智能算法為特定用例構建深度學習模型。其中一些框架也是開源的，有利于其得到廣泛采用，并得到人工智能生態系統中大多數參與者的大力支持。 

堆棧的底部兩層由硬件（處理器、邏輯電路和運行人工智能軟件的其他組件）及人工智能庫組成，這些基本屬于低級軟件功能，有助于優化底層硅芯片集的人工智能模型和算法。我們期待傳統半導體供應商（如英特爾、輝達、高通和賽靈思）提供用于加速此部分堆棧人工智能用例的優化硅芯片。這些公司還可能提供需要的人工智能庫，促進其專屬架構的開發和逐級采用，進而幫助在其硅產品上部署人工智能框架。人工智能庫示例包括：英特爾 DL SDK/Vision SDK、輝達cuDNN TensorRT和安謀（ARM）NN。 

有一點正變得日益清晰：硬件層可以說是這種人工智能解決方案堆棧中最有趣的部分。關鍵原因有兩個：首先，人們日益認識到人工智能要求其深層硬件具備獨特的處理能力，這導致了選擇最佳處理架構的新一輪競賽——哪種架構將會勝出，是GPU、數字信號處理器（DSP）、FPGA還是定制ASIC，仍有待觀察；其次，開發人工智能硬件的參與者數量日益增加，超過了傳統芯片制造商以往的名單，這可能會威脅到老牌供應商，并顯著改變其市場地位。 

圖7 對人工智能機遇的高度期望反映在一系列產品中