一、AI芯片行业全景概览
大家好，我是老张。在芯片行业摸爬滚打了十五年，从传统的CPU、GPU一直做到现在的AI芯片。今天咱们聊聊AI芯片这个赛道。说实话，这几年变化太快，我每年做估值模型时，参数都得重新调一遍。
1.1 AI芯片的定义与分类
AI芯片，说白了就是专门为人工智能算法设计的处理器。跟普通芯片不一样，它要处理大量的矩阵运算和并行计算。我刚开始接触AI芯片时，客户问我："这玩意儿跟CPU有啥区别？"嗯，这个问题问得好。
从架构上看，AI芯片主要分这么几类：
- GPU（图形处理器）：最早被用于AI计算的芯片。我记得2012年AlexNet就是用GPU训练的，那时候大家才发现，原来显卡还能干这个。
- FPGA（现场可编程门阵列）：灵活性高，适合快速迭代。我在一个边缘计算项目里用过，功耗控制确实不错。
- ASIC（专用集成电路）：为特定AI算法定制，性能最强。Google的TPU就是典型代表。
- NPU（神经网络处理器）：专门为神经网络设计，华为的昇腾系列就是这类。
核心观点：我个人习惯把AI芯片分为"训练芯片"和"推理芯片"两类。训练芯片要算力强，推理芯片要功耗低。你想想看，这两个需求其实挺矛盾的。
1.2 全球AI芯片市场格局
现在的市场格局，我用一句话概括：一超多强，百花齐放。
NVIDIA占据了约80%的训练芯片市场。为什么？因为CUDA生态太强了。我做过一个对比测试，同样的算法，在NVIDIA上跑只需要一周的调优，换到其他平台可能要一个月。这就是生态壁垒。
但格局正在变化：
- 美国阵营：NVIDIA、AMD、Intel、Google（TPU）、Amazon（Inferentia）
- 中国阵营：华为（昇腾）、寒武纪、地平线、百度（昆仑芯）
- 新兴力量：Cerebras（晶圆级芯片）、Graphcore（IPU）、Groq（TSP）
| 厂商 | 核心产品 | 主要应用场景 | 我个人的评价 |
|---|---|---|---|
| NVIDIA | A100/H100/B200 | 云端训练、推理 | 生态无敌，但太贵了 |
| 华为 | 昇腾910/310 | 云端、边缘 | 国产替代首选，生态在追赶 |
| 寒武纪 | 思元系列 | 云端、边缘 | 技术底子不错，商业化还在路上 |
| 地平线 | 征程系列 | 自动驾驶、边缘 | 车载场景做得最扎实 |
避坑指南：我曾经在估值时犯过一个错误——只盯着算力参数看。后来发现，客户更关心的是"能不能跑我的模型"，而不是"理论算力有多高"。生态兼容性，才是AI芯片的核心竞争力。
1.3 AI芯片产业链分析
AI芯片的产业链，我习惯分成上中下游来看：
上游：EDA工具（Synopsys、Cadence）、IP核（ARM、Synopsys）、晶圆代工（台积电、三星）、封装测试（日月光、长电科技）。
中游：芯片设计（NVIDIA、华为、寒武纪）、芯片制造（台积电、三星）。
下游：云服务商（AWS、阿里云、腾讯云）、设备厂商（服务器、自动驾驶、手机）、终端用户。
这里有个关键点：先进制程的产能。台积电的3nm、5nm产能，基本决定了高端AI芯片的出货量。我去年做供应链分析时发现，很多AI芯片公司不是设计不出来，而是拿不到产能。
1.4 AI芯片企业商业模式
AI芯片公司的商业模式，我总结下来主要有三种：
- 卖芯片（硬件模式）：最传统的模式，靠芯片出货量赚钱。NVIDIA、Intel都是这条路。毛利率一般在50%-60%。
- 卖算力（云服务模式）：不卖芯片，卖算力服务。Google的TPU只通过云服务提供，不单独卖芯片。这种模式的好处是客户粘性高。
- 卖解决方案（软硬一体模式）：芯片+算法+平台一起卖。华为的昇腾就是这种，从芯片到MindSpore框架到应用方案，全栈式服务。
注意：我在做企业估值时发现，很多AI芯片公司喜欢吹"软硬一体"，但实际上软件能力很弱。你想想看，如果软件团队只有几十人，怎么跟NVIDIA几千人的软件团队竞争？估值时一定要把软件能力单独评估。
另外，还有一个趋势值得关注：Chiplet（芯粒）模式。就是把大芯片拆成小芯片，用先进封装拼起来。这样做的好处是：
- 降低单颗芯片的制造难度
- 提高良率
- 可以混搭不同制程
我去年评估一家初创公司时，他们就是用Chiplet方案做AI芯片。说实话，这个方向很有前景，但封装成本是个大问题。
个人经验：评估AI芯片公司时，我一般会问三个问题：
- 你的芯片跑什么模型？跑得怎么样？（性能指标）
- 客户迁移成本高不高？（生态壁垒）
- 你拿得到产能吗？（供应链安全）
这三个问题能回答清楚，估值就好做了。
好了，这一章就聊到这里。AI芯片行业变化很快，但底层逻辑不变：算力、生态、供应链，这三个要素缺一不可。