我国人工智能芯片发展探析

吴佳青 ,  任大鹏

中国工程科学 ›› 2025, Vol. 27 ›› Issue (1) : 133 -141.

PDF (594KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (1) : 133 -141. DOI: 10.15302/J-SSCAE-2024.10.028
全球未来网络领域发展趋势及我国开辟新领域新赛道战略研究

我国人工智能芯片发展探析

作者信息 +

Development of Artificial Intelligence Chips in China

Author information +
文章历史 +
PDF (607K)

摘要

人工智能（AI）芯片是支撑智能技术发展的核心硬件，其技术进步对国家科技创新、产业发展、经济增长具有重要意义。本文从云端智能芯片、边端智能芯片、类脑智能芯片3个方面总结了AI芯片的国际发展趋势，分析了我国AI芯片的应用需求，从芯片设计、制造、封装、测试等方面梳理了相关产业与技术的发展现状及趋势。当前，国产AI芯片的性能、技术、产业链存在短板，亟需开展自主创新与产业协同；国产AI芯片开发面临高成本、长周期的挑战，亟需平衡融资压力并积累发展经验；国内AI芯片领域人才短缺，亟需提高培育质量并控制流失率。为此，论证提出了我国AI芯片的发展路径，即突破技术瓶颈、加速产业化、拓展国际化、实施市场扶持，重点采取技术创新和重点项目建设、新型芯片架构和开源产业生态建设、技术标准体系制定、“产教研”融合等举措，以推动我国AI芯片产业可持续和高质量发展。

Abstract

Artificial intelligence (AI) chips are the core hardware supporting the development of intelligent technologies and their technological advancements hold significant importance for national scientific innovation, industrial development, and economic growth. This study summarizes the global development trends of AI chips from three perspectives: cloud AI chips, edge AI chips, and neuromorphic chips. It analyzes the application demands of AI chips in China and reviews the current status and development trends of related industries and technologies from the aspects of chip design, manufacturing, and packaging and testing. Currently, AI chips manufactured in China have shortcomings in terms of performance, technologies, and supply chain, necessitating independent innovation and industrial collaboration. The development of these chips also encounters challenges such as high costs and long cycles, requiring stable financing channels and the accumulation of development experiences. Moreover, the AI chip sector in China suffers from a talent shortage, demanding improved training quality and better talent-retaining strategies. Accordingly, this study proposes development paths for China’s AI chip industry, including overcoming technical bottlenecks, accelerating industrialization, expanding internationalization, and implementing market support. Key measures include advancing technological innovation and major project development, fostering new chip architectures and open-source industry ecosystems, establishing technical standards, and promoting the integration of industry, education, and research. These efforts aim to drive the sustainable and high-quality development of China’s AI chip industry.

关键词

人工智能芯片 / 芯片设计 / 芯片制造 / 芯片封装和测试 / 产业化

Key words

artificial intelligence chips / chip design / chip manufacturing / chip packaging and testing / industrialization

引用本文

引用格式 ▾
吴佳青,任大鹏. 我国人工智能芯片发展探析[J]. 中国工程科学, 2025, 27(1): 133-141 DOI:10.15302/J-SSCAE-2024.10.028

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

传统芯片以通用计算为主，强调面向广泛任务的普适性和通用性。人工智能（AI）芯片在架构上更多采用异构计算和低功耗设计，针对AI算法进行特殊加速设计或者经过软硬件优化，注重高效处理大规模并行计算和深度学习算法，以满足特定的应用需求[1]。当前，全球AI芯片产业蓬勃发展[2,3]，英伟达公司、谷歌公司、英特尔公司均推出专用AI芯片，涵盖图形处理器（GPU）、张量处理单元（TPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）等技术路线[4]；相关芯片在云计算、边缘计算、无人驾驶、第五代移动通信（5G）等领域获得广泛应用，以芯片架构创新、低功耗设计、算法与硬件协同优化等为主要研究方向。发达国家在AI芯片方面加大投资与政策支持，争取在全球AI产业中占据优势位置[5~9]。

我国的AI芯片产业尚处于起步发展阶段。长期以来，国内在中央处理器（CPU）、GPU、数字信号处理器（DSP）设计上一直处于追赶位置，多数芯片设计企业依赖国外的知识产权（IP）核来设计芯片，导致自主创新设计受到极大限制。近年来，国内产业链得到逐步完善，在AI芯片领域取得了一些突破，部分企业实现自主设计和技术创新[10~12]。例如，AI芯片已列入国家发展规划，《促进新一代人工智能产业发展三年行动计划（2018—2020年）》重点支持神经网络芯片，推动AI芯片的规模化应用[13]。2024年，我国AI芯片市场规模超过1400亿元，逐渐形成了从上游原材料供应到下游应用市场的完整产业链[14]。尽管在高端设计、芯片制造环节仍依赖国外技术，但国产化进程正在加速，部分企业在特定领域取得显著进展[15]。未来，随着技术不断突破、应用领域进一步拓展，我国有望在全球AI芯片市场中占据更大的份额。

AI芯片发展事关国家科技自主创新、核心技术竞争力提升。本文着眼我国AI芯片发展课题，梳理AI芯片的国际发展趋势，剖析我国AI芯片的发展需求及其在科技创新和产业升级中发挥的关键作用，进而研判我国AI芯片发展方向并设计领域发展路径，以为我国AI芯片领域的理论研究与产业实践提供参考和启示。

二、 人工智能芯片的国际发展现状

以生成式AI为代表的AI算法发展迅猛，发达国家都在AI芯片领域进行重点布局，体现出政策支持、市场驱动、国际合作的高度融合，基本形成全球科技竞争与协同发展的新格局。美国、日本、欧盟均以立法形式增加直接投资，鼓励本土企业加快技术创新，积极扩大产能并增强国际市场竞争力，同步维护供应链安全。在技术和产业方面，AI芯片主要分为部署在数据中心的云端智能芯片、分布在网络边缘或直接嵌入终端设备的边缘智能芯片[16,17]；此外，AI技术应用对更高效、更逼近人类智能的计算能力提出需求，类脑智能芯片逐渐成为重要分支[18]。

（一） 云端智能芯片

用于云端推理和训练的芯片系统是生成式AI的主要计算平台，具有工艺先进、算力大、先进互联的基本特征。① 在先进工艺方面，英伟达公司的数据中心GPU A100采用台积电公司的7 nm工艺进行制造；更新的Blackwell GPU采用专门定制的台积电公司4NP工艺制造，晶体管数量为2080亿个，集成度进一步提高。② 在算力方面，生成式AI算力需求呈指数级增长，英伟达公司持续推出Ampere、Hopper架构GPU，在AI、数据中心、图形计算领域获得广泛应用，8年内将单卡AI训练性能提升1000倍[19]。③ 在先进互联方面，高速互联方案是实现算力扩展的重要依托。多节点训练和推理系统是目前主流的实现方案，高带宽的通信协议成为云端智能芯片的重要发展趋势。NVLink是专用于英伟达公司GPU之间的点对点互连协议，第五代高速互联方案的总带宽是PCIe5.0 x16链路带宽的14倍；自研交换芯片NV Switch用于解决GPU之间通信不均衡的问题[20]。超威半导体（AMD）公司将CPU领域的芯粒（Chiplet）工程经验拓展应用至GPU，通过多裸片（Die）封装缩小与竞争产品的差距，如MI200系列芯片采用多Die整合封装，通过桥接技术在单芯片上集成两个Die；MI300系列同样采用Chiplet设计，集成CPU和加速计算单元以增强单芯片的扩展性[21]。

（二） 边端智能芯片

边缘端的AI芯片呈现专用化、高能效化、低功耗的发展趋势。基于AI系统级芯片的嵌入式专用推理芯片成为边缘端智能芯片的主要存在形式[22,23]，支持实时数据处理、低延迟的边缘端AI处理应用，如智能安防、高级驾驶辅助系统／自动驾驶、智能家居、可穿戴智能设备、商业和工业场合的AI应用（智能交通、智慧城市、工厂机器视觉、机器人和自动导引车等）。英伟达公司的Jetson系列芯片用于智能机器人和自动驾驶应用场景[24]；高通公司的骁龙865/888系列芯片集成专用的嵌入式神经网络处理器（NPU），用于处理手机端的本地AI推理任务；苹果公司研制的A、M系列芯片均搭载NPU，处理各种场景中的AI推理任务；索尼公司的Alpha 7R V搭载基于深度学习的AI芯片，可智能预测和处理人的身体姿态信息，提高相机识别拍摄主体的精确度。

（三） 类脑智能芯片

类脑智能芯片相较传统芯片在功耗、集成度上具有显著优势，既能够突破传统计算体系结构的局限性，实现数据并行传送和分布式处理，以极低功耗实时处理海量数据，也可以突破传统“执行程序”计算范式的局限性，形成“自主认知”新范式。类脑智能芯片是处于概念验证阶段的集成电路产品，在AI发展过程中起到“先行者”的作用，为边端智能探索了新的应用渠道[25]。美国企业率先研究类脑智能芯片，使用神经元和突触的方式替代传统冯·诺依曼架构体系，用于异步、并行、低速、分布式信息数据处理，赋予机器以自主感知、识别、学习等能力。国际商业机器公司开发了首款类脑智能芯片TrueNorth[26]，英特尔公司、德累斯顿工业大学、海德堡大学陆续发布了类脑智能芯片[27~31]。

三、 我国人工智能芯片需求分析与发展态势

近年来，我国AI芯片领域保持活跃发展态势，AI芯片产业进入快速发展阶段。2023年，我国AI芯片市场规模为1206亿元；2024年，市场规模进一步增长至约1412亿元[32]。我国基本构建从基础研究到产业应用的完整链条，涵盖芯片设计、制造、封装和测试等关键环节，形成环环相扣、协同发展的生态体系。

（一） 人工智能芯片需求分析

我国AI芯片产业快速增长，受到多方面因素的驱动。AI芯片是支持AI技术实现的核心硬件，AI应用的普及推动了AI芯片需求的持续增长。随着深度学习、自然语言处理、计算机视觉等AI技术的快速发展，AI应用场景不断扩展，涉及自动驾驶、智能制造、医疗健康、金融、智慧城市等领域。相关领域对算力的需求极为迫切，尤其是AI模型的训练和推理过程需要高效率AI芯片的支持。与此同时，技术自主可控成为国内AI芯片产业发展的战略目标，国家高度重视半导体和芯片领域的自主研发能力。在国际芯片产业竞争加剧的背景下，迫切需要自主可控的AI芯片，确保AI领域的技术安全与国际竞争力。自主研发AI芯片，能够推动本土技术创新和相关产业链健康发展。

国家积极支持AI芯片产业发展，在相关发展规划中提出，加强数字技术创新，提升AI芯片的研发与应用能力。各级管理部门在研发资金、人才引进、产业园区建设等方面发布支持政策，为AI芯片产业发展提供有力支撑。随着传统产业数字化转型的进一步深化，AI成为推动智能化、自动化的重要技术，促使传统企业增加对高效能、低功耗AI芯片的需求，进一步推动AI芯片的多样化和定制化发展。

云计算和边缘计算的发展需求，推动AI芯片技术进步。随着5G、物联网技术的推广应用，边缘计算和云计算已成为主流架构，云端计算对高性能芯片的需求增长显著，以实现大规模数据处理与存储，边缘计算则在低功耗、高效率、实时性方面提出更高要求。在国内市场上，云计算、边缘计算需求叠加，共同推动AI芯片在多种应用场景中的快速应用。

（二） 芯片设计领域发展现状及趋势

芯片设计科技水平较高，我国企业正在加快追赶国际先进水平。虽然整体而言在高端芯片设计上仍处于跟随发展状态，但在以AI芯片设计为代表的特定应用领域，我国实现从“跟跑”到“并跑”发展。

集成电路设计是AI芯片设计的重要组成部分，相关产业规模正在持续扩大。中国半导体行业协会的统计数据表明，2023年我国集成电路设计行业的销售额约为5774亿元，国内涉及集成电路设计的企业数量为3451家。我国集成电路设计业产值占集成电路市场总产值的43.2%，2023年市场规模增长至6543亿元[33]。国内AI芯片设计的产业规模正在快速扩大，未来发展空间广阔。

近年来，我国集成电路设计技术进步显著，超算领域的快速发展是芯片设计技术突破后的直接体现。“太湖之光”“天河”系列超级计算机，分别搭载MT-3000处理器、申威26010处理器等国产芯片，在实际应用中展现出良好性能，为科研、教育、国防等领域提供强大的算力支持。华为技术有限公司发布的昇腾910是面向AI训练需求的高性能芯片[34]，集成晶体管数量超过200亿个，在处理复杂AI任务时与国际主流GPU表现相当。在加密货币领域，北京比特大陆科技有限公司在芯片设计技术的特定行业应用方面建立了优势，相关产品在国际市场上居主导地位。在类脑计算领域，清华大学研究团队开发了类脑智能芯片“天机芯”，采用众核架构、可重构功能模块、混合编码方案的类数据流控制模式，可适应机器学习算法、神经形态计算模型及编码方案[35]。

互联网行业对云端算力提出了较高需求，因而互联网企业积极投入AI芯片产业，自研云端智能芯片，如昆仑芯、含光NPU智能芯片、玄铁CPU。

（三） 芯片制造领域发展现状及趋势

在芯片制造方面，国内能力整体处于“跟跑”状态，7 nm及以下的高端制造工艺依赖进口设备和技术。中国半导体行业协会的统计数据表明，2023年我国集成电路产业的销售额约为13 093亿元，其中芯片制造产值约为2423亿元。国际半导体产业协会的研究数据表明，2023年位于中国大陆地区的半导体厂商，晶圆产能为760万片/月，同比增长12%；2024年的晶圆产能提升至约860万片/月；2025年8 in（1 in≈25.4 mm）晶圆产能将增长66%，集成电路产业规模将超过2万亿元。

近年来，我国芯片制造技术发展迅速，尤其是在7 nm及以下的工艺节点探索与应用方面缩短了与国际领先水平的差距。芯片制造技术的进步，提升了芯片的集成度和性能，为智能手机、数据中心、AI应用等提供了关键支持。例如，中芯国际集成电路制造有限公司开发了0.35 μm至14 nm的鳍式场效应晶体管技术节点，提供8 in、12 in晶圆代工服务[36]；上海华虹（集团）有限公司在嵌入式非易失性存储器、功率器件等方向掌握了具有世界先进水平的多项核心技术，开始应用于相关产品的批量生产。晶圆制造投资规模大、技术难度高，是芯片产业链的核心环节、国内与世界领先水平差异最大的环节；国内晶圆代工厂持续加强研发投入并积累众多核心技术[37,38]，但在实验室研发技术转化为实际应用和商业产品方面仍面临诸多挑战。需要鼓励技术成果从研发机构向企业的转移和商业化，加强跨机构／企业合作，重复验证技术成果以适应工业化需求。

（四） 芯片封装和测试领域发展现状及趋势

在芯片封装和测试方面，国内整体水平与国际先进水平相当，部分企业开始“并跑”。全球半导体产业正处于第三次产业转移的进程中，芯片封装和测试作为半导体领域壁垒相对低的领域，主要转移至亚洲地区。芯片封装和测试成为我国半导体的优势环节，市场规模稳步扩大。2024年我国半导体先进封装市场规模接近1000亿元，2025年有望突破1100亿元[39]。芯片封装分为传统封装、先进封装，两种技术之间不存在明确的替代关系，市场占比分别为64%、36%。先进封装市场需求维持着较高的增速，国内企业主要投资先进封装领域，相关企业数量超过1200家；但多数国内企业体量较小，如2022年营收超过5亿元的企业不足20家。国内企业突破了系统级封装、芯片堆叠、扇出型封装（FO-WLP）等先进封装工艺[40]，推出了多款高性能封装解决方案，提升了芯片的集成度和性能。例如，江苏长电科技股份有限公司掌握了FO-WLP技术，将芯片重新布线到更大面积的基板上，可提供更高的性能和更低的功耗[41]。

芯片测试是保障芯片质量和性能的关键环节。国内企业加大研发投入，自主研发自动化测试设备，注重测试标准制定和方法创新，部分技术接近国际领先水平。中芯国际集成电路制造有限公司、华天科技（西安）有限公司、华大半导体有限公司与国际知名测试设备制造商合作，掌握了先进的芯片测试技术，发展和应用了高效、精准的系列化测试设备，有效降低了生产成本。

国内机构在芯片封装和测试领域的技术标准制定以及产业链协同方面也取得良好进展。中国电子技术标准化研究院、中国半导体行业协会等积极参与相关国际标准制定，增强了我国在全球半导体标准领域的话语权。国内芯片封装和测试企业加强与上游芯片设计公司、下游应用厂商的合作，以产业链紧密协作的形式推动技术迭代和应用普及。

四、 我国人工智能芯片发展面临的挑战

（一） 国产芯片的性能、技术、产业链存在短板，亟需开展自主创新与产业协同

国产AI芯片在性能（计算能力滞后于国际领先产品）、功耗（高能耗引发散热问题）、应用场景（侧重推理而缺乏大规模训练能力）等方面存在短板和不足，全产业链上的自主创新能力受到外部因素制约，特别是在电子设计自动化（EDA）工具、制造设备及工艺、人才储备、知识产权等方面相较国际先进水平仍有一定的差距，迫切需要开展技术突破和产业协同。

AI芯片相关的自主创新能力和技术水平亟待提升。以光刻机这一核心设备为例，在受到国际环境制约的背景下，我国芯片制造技术虽有重要进展，但与世界领先水平的差距客观存在，如自主可控的主流技术落后两代左右。从全球视域看，我国在AI芯片领域的整体水平虽有进步，但仍需加快追赶美国、韩国、日本等国的企业。需要加强核心技术研发与产业协同，弥补国产芯片在性能、技术和产业链上的短板。加大基础研究和关键领域的研发投入，集中力量攻克芯片设计、先进制程工艺、核心设备制造等方面的瓶颈技术，推动技术体系自主可控。构建高效协同的产业生态，深化“产学研”结合，形成从研发到生产的全链条合作机制。实施积极的政策引导和资金支持，促进上下游企业协同创新，推动供应链国产化，逐步实现我国AI芯片产业在全球市场竞争中的突破与领先。

（二） 国产芯片开发面临高成本、长周期的挑战，亟需平衡融资压力并积累发展经验

对于芯片设计企业而言，在从开发到成品的过程中，IP核授权、开发软件、流片、芯片制造／封装／测试等方面的费用是高额的刚性成本，一旦芯片流片后性能不及预期，则前期投入失利而形成较大损失。发展AI芯片，直接考验技术团队过往的工程化经验。以ASIC芯片开发为例，65 nm制程芯片的开发费用约为2850万美元，而5 nm制程芯片的开发费用约为5.422亿美元，两者相差1个数量级。

在AI应用领域，依据芯片的部署位置和任务特性来采用差异化的制程：云端智能芯片追求高算力，需要优先采用先进制程，如中科寒武纪科技股份有限公司的MLU100芯片采用了7nm制程；在边缘端、部分移动端，设备根据使用场景和芯片设计架构的不同而采用28 nm、22 nm、16 nm、10 nm制程的芯片；终端设备常采用65 nm、28 nm制程的芯片，如作为系统芯片则采用28 nm制程。根据行业调研结果，目前国内AI芯片的开发费用低于国际估算值，如系统芯片的开发费用约为国际估算值的20%~50%。以终端常用的28 nm制程为例，AI系统芯片的开发费用约为2500万美元。

即便国内AI芯片的设计费用相对低，但千万美元级别的芯片研制费用，叠加1~3年的研制周期，导致AI芯片企业面临极大的生存和发展压力。相关企业在融资的早期阶段需要大量资金注入，才能度过没有产品销售、难以获得经营性收入的发展历程。可见，开发AI芯片不仅需要大量资金支持，还需要深厚的技术经验才能确保芯片开发过程的高效率和成功率。相关企业需要持续加强技术积累，注重开展跨领域合作，拓展稳定的融资渠道，才能有效应对高成本、长周期的行业发展挑战，进而构建竞争优势、取得市场成功。

（三） 人工智能芯片领域人才短缺，亟需提高培育质量并控制流失率

AI芯片领域存在人才短缺问题，突出表现在高端芯片设计、EDA工具开发、芯片制造与工艺技术、AI算法与硬件协同设计等方面。精细的AI芯片设计、复杂的系统架构设计需要技术人员具有深厚的专业知识，而国内具备这些能力的人才极为稀缺。工业和信息化部人才交流中心的数据表明，国内AI不同技术方向上的岗位人才供需比均低于0.4，如AI芯片技术人才供需比为0.32，机器学习、自然语言处理等技术人才供需比均不足0.2。此外，AI芯片设计不仅依赖硬件，还要求软硬件的紧密结合，这就对同时掌握AI算法、硬件优化能力的复合型人才提出了直接需求。

国内AI芯片产业发展迅速，但由于技术难度高、研发周期长、财务风险大，许多优秀人才倾向于选择其他行业或出国深造，加剧了AI芯片领域的人才流失程度。例如，英伟达公司的统一计算设备架构生态有近2万人参与开发，而当前国内所有AI芯片公司的人员总和仅为1000人左右。需要多措并举提高国内人才培育质量并控制流失率。在高校、科研院所优化学科布局，推动校企合作，注重理论与实践结合，培养复合型高端人才。完善薪酬激励机制、人才发展政策，提供稳定的研发环境和具有竞争力的待遇，为AI芯片产业发展提供持续的人才支持。

五、 我国人工智能芯片发展路径设计

（一） 我国人工智能芯片发展路线

我国在AI芯片领域的发展需立足当前实际，逐步突破瓶颈技术环节，以“政产学研”合作推动自主创新和产业化。近期，可重点开展深度学习芯片的基础研发，推动NPU的初步应用落地，满足物联网、智能家居等领域的应用需求。到2030年，AI芯片技术应向高端拓展，支持自动驾驶、智能机器人等复杂任务，集成AI硬件加速器并优化能效，形成自主化、完善的生态体系。到2035年，推动AI芯片在智慧工业、自动化交通等领域的普及应用，实现相关领域全面智能化，同步构建国际市场竞争力。

1. 突破技术瓶颈，注重自主创新与自主可控

高端芯片设计和制造技术是国产AI芯片的研发重点，尤其是在半导体制造工艺、EDA软件、先进设备及材料等方面，需要加快追赶国际领先水平，合理降低对外依赖度。遵循科学规划，合理加大基础研究、核心技术创新、产业链自主可控等方面的投入，鼓励“产学研”联合攻关，推动从AI芯片设计到大规模应用的全链条技术自主化。借鉴开源软件成功经验，降低创新门槛，提高企业自有能力，发展国产开源芯片。同步与国际顶尖科研机构和企业开展技术交流与合作，共建AI芯片产业生态。

2. 加速产业化，强化技术转化与市场应用

在AI芯片技术突破后，快速转化为实际应用并孵化新兴产业，是AI芯片产业可持续发展的关键支撑。需要建设包括芯片设计、生产、封装、测试、市场推广等在内的产业链，尽量实现各个环节的本土化。加快突破GPU芯片、集群低时延互连网络、异构芯片管理等技术，建设超大规模智算中心，满足大模型训练和应用推理需求，着重在自动驾驶、智慧医疗、智慧城市等领域开展技术转化与创新应用。通过项目示范、政策扶持等方式，鼓励企业将自主研发的AI芯片应用于实际场景，进而推动芯片技术升级、扩大市场接受度。

3. 拓展国际化，增强技术产品国际市场竞争力

在我国AI芯片技术发展和成熟后，进一步的目标是积极拓展国际市场，特别是在发展中国家和新兴市场上寻求市场机会，提升国际市场竞争力并扩大技术产品的出口规模。我国的AI芯片产业可与国际领先企业开展业务合作，推动全球范围内的技术交流和产品应用。AI芯片研发既要满足本土需求，也需在性能、特性、成本等方面形成特色并构建优势。与全球技术领先企业、学术机构、行业协会合作，共同推动标准制定；设立海外研发中心、技术支持团队，加大面向国际市场的营销投入，逐步提升产品的国际市场占有率。

4. 实施市场扶持，加大投入并激励创新

在AI芯片技术和产业的发展过程中，政策支持和市场激励的作用至关重要，可通过税收优惠、资金支持、人才引进等方式，促进AI芯片领域的创新发展。论证设立专项基金，支持AI芯片及其他企业进行技术研发和产品创新，以公开采购、公共项目示范等形式拓宽市场需求。在政策层面，鼓励企业加大研发投入，采取更积极灵活的方式吸引顶尖人才进入AI芯片领域。完善知识产权保护制度，激发企业创新热情，保障AI芯片产业的中长期可持续发展。

（二） 我国人工智能芯片发展重点举措

1. 加强技术创新和重点项目建设，推动人工智能芯片领域全面发展

技术创新是推动AI芯片领域发展的关键，需要着力加强AI芯片关键技术研发工作。AI芯片研发具有技术密集型特征，需要以坚实的基础研究为支撑。建议国家和地方层面建立多层次的项目、资金、政策、人才支持体系。① 建设AI芯片产业发展配套设施，设立AI芯片领域的创新示范区和重点实验室。选取若干具备良好条件的地区，设立国家级AI芯片产业园区，提供政策和资金支持，如实施税收减免政策、强化知识产权保护机制、发布AI芯片产业发展规划、实施高层次人才引进计划等。② 设立AI芯片专项科研基金，支持“产学研”联合开展基础研究和应用研究；提供AI芯片产业投资基金、贴息专项贷款，降低创新型企业的融资成本，保障初创企业和成长型企业的发展需求。针对AI芯片领域取得的重大技术突破和产业化成果，合理给予补助和奖励，激发技术创新和产业化应用活力。

2. 推动新型芯片架构和开源产业生态建设，促进人工智能芯片技术自主可控

支持新型芯片架构研发，重点在存算一体、类脑芯片等前沿技术方向上进行深入布局：前者可解决传统芯片架构在数据传输及存储方面存在的瓶颈，更好适应AI、5G等应用对高性能计算的需求；后者具有自学习和自适应能力，有望实现真正的智能化应用。激励企业和科研机构创新自主芯片架构，加快推动新型架构芯片在AI芯片领域的应用。促进开源产业生态发展，鼓励企业、科研院所、高校在芯片设计、开发工具、技术平台方面高质量共享资源，加快AI芯片技术的演进和产业化。高质量建设开源芯片平台，加速开源芯片设计工具的国产化进程，形成开放式的AI芯片技术生态体系，保障国内芯片技术创新需要，提高在国际芯片市场上的竞争力和话语权。

3. 加快制定技术标准体系，构建完善的人工智能芯片发展生态

AI芯片产业的健康发展需要以完善的标准体系作为支撑。我国AI芯片领域尚处于发展初期，加之应用场景复杂，出现了“百花齐放”的技术发展态势。需要加强行业发展顶层设计，引导国内研发机构形成合力，加快制定AI芯片技术标准，突出科学性、先进性和适用性。建议相关机构组织成立AI芯片标准化委员会，负责我国AI芯片领域的标准制定、修订和推广。重点制定AI芯片设计、制造、封装、测试等环节的技术标准，支持形成行业发展合力；广泛征求各方意见，从技术、需求等角度确保标准制定过程的科学公正；注重与现有及在研国际标准的接轨，推动我国AI芯片标准的国际化。AI芯片的生态丰富程度事关应用市场的接受度，完善产业发展生态需要深度参与国际合作。积极参与电气电子工程师学会、固态技术协会等国际标准化组织的相关工作，争取在国际标准制定中占据适当地位，推动我国技术标准成为国际标准。制定与标准推广相关的政策，推动AI芯片技术标准在行业内的应用和实施。采取标准认证、示范应用、试点推广等方式，提高企业对AI芯片技术标准的接受度，促进相关标准的全面实施。

4. 加强“产教研”融合，培育产业应用导向的人工智能芯片人才

AI芯片产业发展具有鲜明的应用导向性，技术研发与实际需求应保持紧密关联，相应的人才培养需要“产教研”融合并突出产业应用导向。面向产业应用需求，鼓励高校、科研院所、企业深度合作，联合培养具有扎实专业知识、熟悉产品研发和商业运作的产业应用型人才。引导企业注重内部人才培养，建立完善的内部培训和能力提升体系，提高自有人才的成长速度。优化人才引进政策，鼓励国内外学术交流与技术合作，为海外人才以多种方式参与联合研究提供便利条件。建立AI芯片产业标准和认证体系，推动跨学科人才培养，有效应对AI芯片技术的复杂性和多样化的应用需求。

六、 结语

本文系统梳理了AI芯片领域产业和技术现状，研判了我国AI芯片的发展方向并设计了相应发展路径。我国在AI芯片设计领域进展迅速，但在高端制造、关键设备、技术生态等方面仍存在“短板”；AI芯片研发成本高、周期长、高端人才缺乏等情况，客观上制约了AI芯片产业的自主可持续发展。为此，亟需突破技术瓶颈、加速产业化、拓展国际化、实施市场扶持，重点采取技术创新和重点项目建设、新型芯片架构和开源产业生态建设、技术标准体系制定、“产教研”融合等举措，促进AI芯片产业高质量发展。

着眼未来发展，随着生成式AI、边缘计算、智能终端等的快速演进，AI芯片的市场需求与技术要求仍将持续提升。应着力研究存算一体、类脑芯片等前沿技术方向，保持自主创新与国际合作相结合，构建完善的AI芯片发展环境；探索高效率、低功耗的芯片设计与应用解决方案，加强AI芯片与自动驾驶、智能制造、智慧城市、医疗健康等领域的多场景深度融合，更好满足多样化的国内国际市场需求，不断提升我国AI芯片应用规模与国际市场竞争力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

尹首一, 郭珩, 魏少军. 人工智能芯片发展的现状及趋势 [J]. 科技导报, 2018, 36(17): 45‒51.
[2]

Yin S Y, Guo H, Wei S J. Present situation and future trend of artificial intelligence chips [J]. Science & Technology Review, 2018, 36(17): 45‒51.
[3]

葛悦涛, 任彦. 2020年人工智能芯片技术发展综述 [J]. 无人系统技术, 2021, 4(2): 14‒19.
[4]

Ge Y T, Ren Y. Survey of artificial intelligence chip in 2020 [J]. Unmanned Systems Technology, 2021, 4(2): 14‒19.
[5]

Li B Z, Gu J J, Jiang W Z. Artificial intelligence (AI) chip technology review [C]. Taiyuan: 2019 International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), 2019.
[6]

韩栋, 周聖元, 支天, 智能芯片的评述和展望 [J]. 计算机研究与发展, 2019, 56(1): 7‒22.
[7]

Han D, Zhou S Y, Zhi T, et al. A survey of artificial intelligence chip [J]. Journal of Computer Research and Development, 2019, 56(1): 7‒22.
[8]

Chen Y T, Nazhamaiti M, Xu H, et al. All-analog photoelectronic chip for high-speed vision tasks [J]. Nature, 2023, 623(7985): 48‒57.
[9]

张臣雄. AI芯片: 前沿技术与创新未来 [M]. 北京: 人民邮电出版社, 2021.
[10]

Zhang C X. AI chips: Cutting edge technology and the future of innovation [M]. Beijing: Posts & Telecom Press, 2021.
[11]

任会芬, 刘兵军, 刘杰, 美国国防数智领域人才队伍建设新动向与启示 [J]. 国防科技, 2024, 45(5): 22‒28, 91.
[12]

Ren H F, Liu B J, Liu J, et al. Cultivation of digital and intelligent defense talent team in the US: New trends and insights [J]. National Defense Technology, 2024, 45(5): 22‒28, 91.
[13]

Krenn W, Wilson A, Suresh A, et al. The European Chips Act, the ISOLDE project, and open-source hardware [C]. Bahía Blanca: 2024 Argentine Conference on Electronics (CAE), 2024.
[14]

Mourtzis D, Angelopoulos J, Panopoulos N. A literature review of the challenges and opportunities of the transition from industry 4.0 to society 5.0 [J]. Energies, 2022, 15(17): 6276.
[15]

赵沁平. 虚拟现实综述 [J]. 中国科学: 信息科学, 2009, 39(1): 2‒46.
[16]

Zhao Q P. Overview of virtual reality [J]. Scientia Sinica Informationis, 2009, 39(1): 2‒46.
[17]

石建勋, 徐玲. 加快形成新质生产力的重大战略意义及实现路径研究 [J]. 财经问题研究, 2024 (1): 3‒12.
[18]

Shi J X, Xu L. Major strategic significance and implementation path of accelerating the formation of new quality productivity [J]. Research on Financial and Economic Issues, 2024 (1): 3‒12.
[19]

Leslie M. Can giant microchips become a big deal? [J]. Engineering, 2024, 36: 6‒8.
[20]

促进新一代人工智能产业发展三年行动计划(2018—2020年) [EB/OL]. (2017-12-13)[2024-10-22]. https://www.ncsti.gov.cn/kjdt/ztbd/gjjcyfw/rengongzhineng/rengongzhinengzczc/202109/t20210927_45504.html.
[21]

Three year action plan for promoting the development of the new generation artificial intelligence industry (2018—2020) [EB/OL]. (2017-12-13)[2024-10-22]. https://www.ncsti.gov.cn/kjdt/ztbd/gjjcyfw/rengongzhineng/rengongzhinengzczc/202109/t20210927_45504.html.
[22]

全球及中国人工智能芯片(AI芯片)行业发展前景展望与投资战略规划分析报告(2024) [R]. 深圳: 前瞻产业研究院, 2024.
[23]

Global and China AI chip industry development prospects outlook and investment strategy planning analysis report [R]. Shenzhen: Qianzhan Industrial Research Institute, 2024.
[24]

詹剑锋. 论中国如何发展自主可控和开放的科技产业 [J]. 中国科学院院刊, 2019, 34(6): 657‒666.
[25]

Zhan J F. On how to develop independent, and open science and technology industries in China [J]. Bulletin of Chinese Academy of Sciences, 2019, 34(6): 657‒666.
[26]

万朵, 胡谋法, 肖山竹, 面向边缘智能计算的异构并行计算平台综述 [J]. 计算机工程与应用, 2023, 59(1): 15‒25.
[27]

Wan D, Hu M F, Xiao S Z, et al. Survey on heterogeneous parallel computing platform for edge intelligent computing [J]. Computer Engineering and Applications, 2023, 59(1): 15‒25.
[28]

王晓云, 段晓东, 张昊, 算力时代: 一场新的产业革命 [M]. 北京: 中信出版集团股份有限公司, 2023.
[29]

Wang X Y, Duan X D, Zhang H, et al. The Age of arithmetic: A new industrial revolution [M]. Beijing: CITIC Press Corporation, 2023.
[30]

Fan L Z, Li H, Zhuo J J, et al. The human brainnetome atlas: A new brain atlas based on connectional architecture [J]. Cerebral Cortex, 2016, 26(8): 3508‒3526.
[31]

Tirumala A, Wong R. NVIDIA Blackwell platform: Advancing generative AI and accelerated computing [C]. Stanford: 2024 IEEE Hot Chips 36 Symposium (HCS), 2024.
[32]

Li A, Song S L, Chen J Y, et al. Evaluating modern GPU interconnect: PCIe, NVLink, NV-SLI, NVSwitch and GPUDirect [J]. IEEE Transactions on Parallel and Distributed Systems, 2020, 31(1): 94‒110.
[33]

Smith A, Chapman E, Patel C, et al. 11.1 AMD Instinct MI300 series modular chiplet package-HPC and AI accelerator for exa-class systems [C]. San Francisco: 2024 IEEE International Solid-State Circuits Conference (ISSCC), 2024.
[34]

Li Y, Zhu J B, Fu Y, et al. Circular reconfigurable parallel processor for edge computing: Industrial product [C]. Buenos Aires: 2024 ACM/IEEE 51st Annual International Symposium on Computer Architecture (ISCA), 2024.
[35]

Al-Ali F, Gamage T D, Nanayakkara H W, et al. Novel casestudy and benchmarking of AlexNet for edge AI: From CPU and GPU to FPGA [C]. London: 2020 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE), 2020.
[36]

Mittal S. A Survey on optimized implementation of deep learning models on the NVIDIA Jetson platform [J]. Journal of Systems Architecture, 2019, 97: 428‒442.
[37]

曾毅, 刘成林, 谭铁牛. 类脑智能研究的回顾与展望 [J]. 计算机学报, 2016, 39(1): 212‒222.
[38]

Zeng Y, Liu C L, Tan T N. Retrospect and outlook of brain-inspired intelligence research [J]. Chinese Journal of Computers, 2016, 39(1): 212‒222.
[39]

Akopyan F, Sawada J, Cassidy A, et al. TrueNorth: Design and tool flow of a 65 mW 1 million neuron programmable neurosynaptic chip [J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2015, 34(10): 1537‒1557.
[40]

Davies M, Srinivasa N, Lin T H, et al. Loihi: A neuromorphic manycore processor with on-chip learning [J]. IEEE Micro, 2018, 38(1): 82‒99.
[41]

Furber S B, Galluppi F, Temple S, et al. The SpiNNaker project [J]. Proceedings of the IEEE, 2014, 102(5): 652‒665.
[42]

Pehle C, Billaudelle S, Cramer B, et al. The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [J]. Frontiers in Neuroscience, 2022, 16: 795876.
[43]

陶建华, 陈云霁. 类脑计算芯片与类脑智能机器人发展现状与思考 [J]. 中国科学院院刊, 2016, 31(7): 803‒811.
[44]

Tao J H, Chen Y J. Current status and consideration on brain-like computing chip and brain-like intelligent robot [J]. Bulletin of Chinese Academy of Sciences, 2016, 31(7): 803‒811.
[45]

王雨辰, 胡华. 类脑计算新发展——“TrueNorth”神经元芯片 [J]. 计算机科学, 2016, 43(S1): 17‒20, 24.
[46]

Wang Y C, Hu H. New development of artificial cognitive computation: TrueNorth neuron chip [J]. Computer Science, 2016, 43(S1): 17‒20, 24.
[47]

中商产业研究院. 2024—2029年中国人工智能芯片行业市场发展监测及投资潜力预测报告 [R]. 深圳: 中商产业研究院, 2023.
[48]

China Commerce Industry Research Institute. 2024—2029 China AI chip industry market development monitoring and investment potential forecast report [R]. Shenzhen: China Commerce Industry Research Institute, 2023.
[49]

魏少军. 提升芯片产品竞争力 [J]. 中国集成电路, 2023, 32(12): 9‒14, 35.
[50]

Wei S J. Enhance the competitiveness of chip products [J]. China Integrated Circuit, 2023, 32(12): 9‒14, 35.
[51]

鲁蔚征, 张峰, 贺寅烜, 华为昇腾神经网络加速器性能评测与优化 [J]. 计算机学报, 2022, 45(8): 1618‒1637.
[52]

Lu W Z, Zhang F, He Y X, et al. Evaluation and optimization for Huawei ascend neural network accelerator [J]. Chinese Journal of Computers, 2022, 45(8): 1618‒1637.
[53]

Pei J, Deng L, Song S, et al. Towards artificial general intelligence with hybrid Tianjic chip architecture [J]. Nature, 2019, 572(7767): 106‒111.
[54]

尹西明, 张贝贝, 陈泰伦, 我国集成电路现代化产业体系构建的战略与路径思考 [J]. 中国科学院院刊, 2024, 39(7): 1191‒1204.
[55]

Yin X M, Zhang B B, Chen T L, et al. Insights on strategy and approach for China to construct a modern integrated circuits industrial system [J]. Bulletin of Chinese Academy of Sciences, 2024, 39(7): 1191‒1204.
[56]

Xu Z H, Zhou T K, Ma M Z, et al. Large-scale photonic chiplet Taichi empowers 160-TOPS/W artificial general intelligence [J]. Science, 2024, 384(6692): 202‒209.
[57]

Yang Z Y, Wang T Y, Lin Y H, et al. A vision chip with complementary pathways for open-world sensing [J]. Nature, 2024, 629(8014): 1027‒1033.
[58]

智研咨询. 中国半导体先进封装行业市场全景评估及投资前景研判报告 [R]. 北京: 智研咨询, 2024.
[59]

Intelligence Research Group. China’s semiconductor advanced packaging industry market panoramic assessment and investment prospect research report [R]. Beijing: Intelligence Research Group, 2024.
[60]

黎明, 黄如. 后摩尔时代大规模集成电路器件与集成技术 [J]. 中国科学: 信息科学, 2018, 48(8): 963‒977.
[61]

Li M, Huang R. Device and integration technologies for VLSI in post-Moore era [J]. Scientia Sinica Informationis, 2018, 48(8): 963‒977.
[62]

刘军, 高爽, 汪曾达, 射频异构集成微系统多层级协同仿真建模与PDK技术综述 [J]. 微电子学与计算机, 2024, 41(1): 11‒25.
[63]

Liu J, Gao S, Wang Z D, et al. A review of RF heterogeneous integrated microsystems multi-level cosimulation modeling and PDK technology [J]. Microelectronics & Computer, 2024, 41(1): 11‒25.

基金资助

中国工程院咨询项目“全球未来信息产业发展趋势及我国开辟新领域新赛道战略研究”(2023-XBZD-21)

AI Summary AI Mindmap
PDF (594KB)

34226

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉