1. 時代的機遇：誰會成為人工智能時代的ARM

1.1人工智能時代：AI+將無處不在

隨著大數(shù)據(jù)的發(fā)展，計算能力的提升，人工智能近兩年迎來了新一輪的爆發(fā)。2016年谷歌AlphaGo贏得了圍棋大戰(zhàn)后，人工智能在產業(yè)界和資本圈引起了高度關注，成為新的風口。

人工智能的三個核心要素是數(shù)據(jù)、算法和計算能力。人工智能之前經歷過數(shù)次興衰，一直未能取得突破的障礙主要是數(shù)據(jù)和計算能力的限制。相比前幾次的熱潮，目前人工智能在數(shù)據(jù)、算法和計算能力方面都有堅實的基礎。因此，我們相信人工智能并不僅是一個風口，而是即將迎來真正屬于自己的時代。

人工智能并不是一個單獨的存在，而必須要和其他產業(yè)結合起來才能創(chuàng)造提升效率，創(chuàng)造價值。未來將不存在所謂的人工智能，而是人工智能和其他產業(yè)的融合，也就是AI+。展望未來，AI+將無處不在。

按照當前人工智能實現(xiàn)的基本功能來分類，主要有四部分：圖像認知能力、語音語義理解能力、數(shù)據(jù)分析能力、整合多種能力的機器人（300024）。下面我們將分別按這幾種基本功能來介紹人工智能的應用：

人工智能整體仍處市場早期，但是未來空間巨大。根據(jù)國外調查機構Tractica的統(tǒng)計預測數(shù)字，2016年全球人工智能收入為6.4億美元，到2025年預計將增長至368億美元。從人工智能的主要構成來看，規(guī)模最大的細分市場分別是機器學習應用、自然語言理解、計算機視覺、虛擬個人助手和智能機器人等。在未來10年甚至更久的時間里，人工智能將是眾多智能產業(yè)技術和應用發(fā)展的突破點，市場空間非常巨大。

1.2 智能手機時代ARM公司的“戴維斯雙擊”

在產業(yè)發(fā)展史中，每一場重要的產業(yè)變革總會帶來新的重大機遇。如果能夠在新興產業(yè)中占據(jù)核心產業(yè)鏈位臵，必將能夠充分享受新興產業(yè)爆發(fā)性增長帶來的紅利。ARM在智能手機時代的經歷就是最好的例證。ARM公司歷史簡介如下：

ARM公司1978年在英國成立。1985年，ARM設計了第一代32位、6MHz的處理器，用它做出了一臺RISC指令集的計算機。ARM采用的RISC指令集，全稱是“精簡指令集計算機”（reducedinstructionsetcomputer），它支持的指令比較簡單，雖然功能遠不如英特爾處理器強大，但是功耗小、價格便宜。

當時處理器行業(yè)的霸主是英特爾，它采用的是X86的CISC指令集，占據(jù)著PC處理器市場絕大多數(shù)的市場份額。ARM處理器能力不足，根本無法撼動英特爾在PC處理器的市場份額。

ARM處理器另辟蹊徑，在嵌入式設備市場找到了發(fā)展空間。它被廣泛用在各種嵌入式設備中，包括蘋果公司的牛頓PDA。這些嵌入式設備不需要處理器性能多么強大，而對功耗價格卻有很高的要求，這與ARM處理器的特性正好一拍即合。

盡管找到了市場立足點，但是整個20世紀90年代，ARM公司的業(yè)績平平，處理器的出貨量徘徊不前。直到進入21世紀之后，由于手機的快速發(fā)展，ARM處理器迎來了快速增長。

而在2007年，ARM迎來了歷史性的機遇——智能手機時代的到來。2007年，喬布斯發(fā)布了第一代iPhone，使用的就是三星制造、ARM設計的芯片。此后的每一款iPhone都采用了ARM架構，稍后推出的谷歌Android手機同樣采用了ARM架構。

ARM架構成為了智能手機的“事實標準”。2015年，包括高通、三星、聯(lián)發(fā)科等在內的全球1384家移動芯片制造商都采用了ARM的架構，全球有超過85%的智能手機和平板電腦的芯片都采用的是ARM架構的處理器，超過70%的智能電視也在使用ARM的處理器。

在此期間，ARM公司營業(yè)收入從2008年的3億英鎊增長到2013年的7.14億英鎊，同期凈利潤從0.44億英鎊增至2億英鎊，凈利潤CAGR為35.6%。

從股價表現(xiàn)來看，ARM股價受08年金融危機影響下跌到2008年底的80多英鎊，此后兩年多，連續(xù)上漲到2011年初的600多英鎊，期間漲幅超過600%。

總結起來，ARM公司之前在嵌入式處理器這個小眾市場中占據(jù)領導地位，業(yè)績一直徘徊不前。而后隨著智能手機市場爆發(fā)，ARM處理器作為整個智能手機的底層硬件平臺架構，充分享受了下游市場爆發(fā)帶來的紅利。ARM公司業(yè)績在2008年到2013年出現(xiàn)了爆發(fā)性增長，而股價更是表現(xiàn)出“戴維斯雙擊”。

1.3 人工智能時代：底層計算平臺存在著大機會

在人工智能時代，人們對計算能力的需求有指數(shù)級的提高，計算能力的要求超過了摩爾定律。隨著互聯(lián)網用戶的快速增長，數(shù)據(jù)體量的急劇膨脹，數(shù)據(jù)中心對計算的需求也在迅猛上漲。諸如深度學習在線預測、直播中的視頻轉碼、圖片壓縮解壓縮以及HTTPS加密等各類應用對計算的需求已遠遠超出了傳統(tǒng)CPU處理器的能力所及。除此之外，未來在激光雷達、無人機、無人駕駛、智能機器人等終端設備方面對計算能力也會有極大的提升。

另一方面，摩爾定律正在失效，傳統(tǒng)X86架構下計算能力的提升開始滯后于摩爾定律。近幾年半導體技術改進達到了物理極限，電路越來越復雜，每一個設計的開發(fā)成本高達數(shù)百萬美元，數(shù)十億美元才能形成新產品投產能力。2016年3月24日，英特爾宣布正式停用“Tick-Tock”處理器研發(fā)模式，未來研發(fā)周期將從兩年周期向三年期轉變。至此，摩爾定律對英特爾幾近失效。

因此，計算能力的需求供給出現(xiàn)了一個巨大的缺口。一方面處理器性能再無法按照摩爾定律進行增長，另一方面數(shù)據(jù)增長對計算性能要求超過了按“摩爾定律”增長的速度。處理器本身無法滿足高性能計算（HPC：High Performance Compute）應用軟件的性能需求。

巨大的缺口同時也是時代的機遇：傳統(tǒng)X86架構芯片無法滿足需求，時代呼喚新一代的計算芯片平臺。誰能成為下一代硬件芯片平臺，就有望隨著海量計算需求的大爆發(fā)，上演ARM在智能手機時代爆發(fā)的輝煌。

2. 人工智能芯片決勝的主戰(zhàn)場在推理環(huán)節(jié)

提起人工智能芯片，很多人認為人工智能芯片是一條好的賽道，但是勝負已經明了，英偉達就是最終的贏家。特別是隨著2016年以來人工智能的浪潮，英偉達股價從不到20美元一路上漲到160多美元，更是助長了這種情緒的蔓延。

我們的觀點很簡單：目前，英偉達的GPU在訓練場景中占據(jù)著絕對領導地位。而人工智能整體仍然處于早期階段，未來人工智能應用的主戰(zhàn)場是在推理環(huán)節(jié)，遠沒有爆發(fā)。未來勝負尚未可知，各家技術路線都有機會勝出。

從應用場景來看，人工智能芯片主要應用在訓練（training）和推理（inference）兩個環(huán)節(jié)。訓練環(huán)節(jié)的作用是指利用海量數(shù)據(jù)（603138），選擇合適的訓練方法，訓練出一個人工智能模型。訓練環(huán)節(jié)最關心的指標是速度快。國內外的人工智能巨頭公司都建立了龐大的GPU集群，以最快速度處理海量數(shù)據(jù)訓練、驗證模型的有效性。

而在線推理環(huán)節(jié)也就是人工智能模型的實際應用環(huán)節(jié)，是指利用訓練出來的模型來在線響應用戶的需求。推理環(huán)節(jié)又分為兩個場景，一個是在云端數(shù)據(jù)中心響應用戶需求，一個是在前端智能設備響應用戶需求。

在云端數(shù)據(jù)中心，各家公有云服務廠商都紛紛部署了高性能云計算服務器，應用于視頻編解碼、深度學習、科學計算等多種場景。隨著人工智能技術的發(fā)展，未來云端數(shù)據(jù)中心應用場景還會有極大的豐富。

而在前端智能設備，受模型算法以及計算能力的限制，目前應用還不多。但是基于實時性及隱私安全要求，很多應用都會在前端部署，未來市場空間非常巨大。我們以無人駕駛和智能服務機器人為例說明。

在無人駕駛中，無人駕駛汽車需要實時處理來自激光雷達、攝像頭等多路傳感器傳輸?shù)暮Ａ繑?shù)據(jù)并作出實時反映。如果通過云端反饋處理，則必然會增加時延和不確定性，導致無人汽車安全性下降。因此，無人駕駛中必須將計算平臺部署在前端。

在智能家居中，未來包括智能服務機器人在內的智能家居設備都需要具備實時環(huán)境感知能力及語音語義理解能力等，這些也都需要強大的計算平臺作為底層支撐。而基于私密性考慮，不可能把智能家居的數(shù)據(jù)都上傳云端處理。因此，智能家居的應用也需要計算平臺部署在前端設備中。

與訓練環(huán)節(jié)不同，推理環(huán)節(jié)更重視性能功耗比。云端數(shù)據(jù)中心對高并發(fā)更加重視，而前端智能設備則對低延時更加重視。

從市場潛力來看，未來市場規(guī)模最大的肯定是推理環(huán)節(jié)。人工智能的發(fā)展，首先需要訓練出足夠好的算法模型。而當人工智能真正落地應用時候，則需要在大量的云端數(shù)據(jù)中心或者前端智能設備上部署應用。

以人臉識別為例，我們需要在GPU集群中經過多次訓練才能得到一個足夠好的人臉識別算法模型，而當把人臉識別應用于實際應用時候，我們需要將模型部署在成千上萬臺服務器進行實時人臉識別，甚至在上億臺攝像機中前臵部署部分算法進行預處理。由此可見，推理環(huán)節(jié)才是未來最大的潛在市場，也是人工智能芯片決勝的主戰(zhàn)場。在推理環(huán)節(jié)還遠沒有爆發(fā)的時候。未來勝負尚未可知，各家技術路線都有機會勝出。

3.幾種芯片架構的技術特點：各有千秋

人工智能芯片，目前有兩種發(fā)展路徑：一種是延續(xù)傳統(tǒng)計算架構，加速硬件計算能力，主要以3種類型的芯片為代表，即GPU、FPGA和ASIC，但CPU依舊發(fā)揮著不可替代的作用；另一種是顛覆經典的馮諾依曼計算架構，采用人腦神經元的結構來提升計算能力，以IBMTrueNorth芯片為代表。由于人腦神經元芯片距離產業(yè)化仍然較遠，我們著重討論在人工智能時代GPU，F(xiàn)PGA和ASIC的應用和未來發(fā)展可能性。

按照處理器芯片的效率排序，從低到高依次是CPU、DSP、GPU、FPGA和ASIC。沿著CPU-》ASIC的方向，芯片中晶體管的效率越來越高。因為FPGA&ASIC等芯片實現(xiàn)的算法直接用晶體管門電路實現(xiàn)，比起指令系統(tǒng)，算法直接建筑在物理結構之上，沒有中間層次，因此晶體管的效率最高。CPU&GPU需要軟件支持，而FPGA&ASIC則是軟硬件一體的架構，軟件就是硬件。

而按照晶體管易用性排序是相反的。從ASIC到CPU，芯片的易用性越來越強。CPU&GPU的編程需要編譯系統(tǒng)的支持，編譯系統(tǒng)的作用是把高級軟件語言翻譯成機器可以識別的指令（也叫機器語言）。高級語言帶來了極大的便利性和易用性，因此用CPU&GPU實現(xiàn)同等功能的軟件開發(fā)周期要遠低于FPGA&ASIC芯片。

3.1 CPU仍然是最好的通用處理器之一

CPU作為通用處理器，兼顧計算和控制，70%晶體管用來構建Cache還有一部分控制單元，用來處理復雜邏輯和提高指令的執(zhí)行效率，如圖所示，所以導致計算通用性強，可以處理計算復雜度高，但計算性能一般。

目前，英特爾等芯片制造商主要通過增加CPU核數(shù)來增加計算能力，但是因為每個物理核中只有30%的晶體管是計算單元。通過這種方式來增加計算能力并不劃算，還帶來芯片功耗和價格的增加。

此外，英特爾進行CPU架構調整的時間也在放緩。原來英特爾按照“Tick-Tock”二年一個周期進行CPU架構調整，從2016年開始放緩至三年，更新迭代周期較長。

由此可見，CPU仍然最好的通用處理器之一，但是在高性能計算上，CPU越來越無法滿足計算能力提升的需求。

3.2 GPU具有最強大的并行計算能力

GPU主要擅長做類似圖像處理的并行計算，所謂的“粗粒度并行（coarse-grainparallelism）”。圖形處理計算的特征表現(xiàn)為高密度的計算而計算需要的數(shù)據(jù)之間較少存在相關性，GPU提供大量的計算單元（多達幾千個計算單元）和大量的高速內存，可以同時對很多像素進行并行處理。

GPU的設計出發(fā)點就是用于計算強度高、多并行的計算。GPU把晶體管更多用于計算單元，而不像CPU用于數(shù)據(jù)Cache和流程控制器。GPU中邏輯控制單元不需要能夠快速處理復雜控制。并行計算時，每個數(shù)據(jù)單元執(zhí)行相同程序，不需要繁瑣的流程控制而更需要高計算能力，因此也不需要大的cache容量。

GPU同CPU一樣也是指令執(zhí)行過程：取指令-》指令譯碼-》指令執(zhí)行，只有在指令執(zhí)行的時候，計算單元才發(fā)揮作用。GPU的邏輯控制單元相比CPU簡單，要想做到指令流水處理，提高指令執(zhí)行效率，必然要求處理的算法本身復雜度低，處理的數(shù)據(jù)之間相互獨立，所以算法本身的串行處理會導致GPU浮點計算能力的顯著降低。

GPU具有最強大的并行計算處理能力。以GP100為例，其雙精度運算能力是5.3Teraflops，單精度為10.6Teraflops（AMD雙芯RadeonProDuo是16TeraFLOPs）。而英偉達在開發(fā)者大會GTC2017上發(fā)布新一代GPU架構Volta，首款核心為GV100據(jù)稱其在推理場景下，V100比上一代搭載GP100CPU的P100板卡，圖像處理能力提升了約10倍，延遲也下降了約30%。

3.3 FPGA：萬能芯片

FPGA即現(xiàn)場可編程門陣列，它不采用指令和軟件，是軟硬件合一的器件。FPGA由于算法是定制的，沒有CPU和GPU的取指令和指令譯碼過程，數(shù)據(jù)流直接根據(jù)定制的算法進行固定操作，計算單元在每個時鐘周期上都可以執(zhí)行，所以可以充分發(fā)揮浮點計算能力，計算效率高于CPU和GPU。

整個FPGA市場規(guī)模約50億美元。由于FPGA萬能芯片的特點，它被芯片廠商用作芯片原型設計和驗證，還廣泛使用在通訊密集型和計算密集型市場中，使用行業(yè)包括通訊、軍工、汽車電子、消費及醫(yī)療等行業(yè)。

FPGA的缺點在于進行編程要使用硬件描述語言，而掌握硬件描述語言的人才太少，限制了其使用的拓展。

3.4 ASIC：高性能功耗比的專用芯片

ASIC是一種專用芯片，與傳統(tǒng)的通用芯片有一定的差異。是為了某種特定的需求而專門定制的芯片。ASIC芯片的計算能力和計算效率都可以根據(jù)算法需要進行定制，所以ASIC與通用芯片相比，具有以下幾個方面的優(yōu)越性：體積小、功耗低、計算性能高、計算效率高、芯片出貨量越大成本越低。但是缺點也很明顯：算法是固定的，一旦算法變化就可能無法使用。

與FPGA相比，ASIC上市速度慢，需要大量時間開發(fā)，而且一次性成本（光刻掩模制作成本）遠高于FPGA，但是性能高于FPGA且量產后平均成本低于FPGA。在同一時間點上用最好的工藝實現(xiàn)的ASIC的加速器的速度會比用同樣工藝FPGA做的加速器速度快5-10倍，而且一旦量產后ASIC的成本會遠遠低于FPGA方案。

4. FPGA未來大有可為

從技術上來看，GPU、FPGA和ASIC都各有千秋。從實際應用來看，GPU擁有最完善的生態(tài)系統(tǒng)支撐，具有較大的先發(fā)優(yōu)勢。由于市場對此已經充分預期，我們在此就不再贅述。

人工智能在推理環(huán)節(jié)應用剛起步，云端要比前端設備發(fā)展速度更快。下面我們將重點講述一下云端數(shù)據(jù)中心的應用。在數(shù)據(jù)中心，F(xiàn)PGA使用日益廣泛，而ASIC路線風險太高，目前僅有谷歌批量部署了TPU。

4.1 FPGA已在全球七大數(shù)據(jù)中心實際部署

FPGA最大的優(yōu)點是動態(tài)可重配、性能功耗比高，非常適合在云端數(shù)據(jù)中心部署。

當在數(shù)據(jù)中心部署之后，F(xiàn)PGA可以根據(jù)業(yè)務形態(tài)來配臵不同的邏輯實現(xiàn)不同的硬件加速功能。以騰訊云為例，當前服務器上的FPGA板卡部署的是圖片壓縮邏輯，服務于業(yè)務；而此時廣告實時預估需要擴容獲得更多的FPGA計算資源，通過簡單的FPGA重配流程，F(xiàn)PGA板卡即可以變身成“新”硬件來服務廣告實時預估，非常適合批量部署。

FPGA的性能功耗比顯著高于GPU。以普遍使用在服務器中的FPGA型號A10GX660為例，性能/功耗能達到45GFLOPS/W，而對應的GPU型號M4，性能/功耗能達到29GFLOPS/W。依次測算FPGA性能功耗比要高50%。

近兩年，全球七大超級云計算數(shù)據(jù)中心包括IBM、Facebook、微軟、AWS以及BAT都采用了FPGA服務器。在這方面，中國和美國處以同一起跑線。

4.2 行業(yè)發(fā)展趨勢：FPGA大有可為

比使用現(xiàn)狀更重要的是未來的技術和產業(yè)發(fā)展趨勢。從行業(yè)發(fā)展趨勢來看，我們認為FPGA潛力被低估了，未來大有可為。具體如下：

4.2.1 算法正在快速迭代中

人工智能算法正處于快速迭代中。雖然ASIC芯片可以獲得最優(yōu)的性能，即面積利用率高、速度快、功耗低；但是AISC開發(fā)風險極大，需要有足夠大的市場來保證成本價格，而且從研發(fā)到市場的時間周期很長，不適合例如深度學習CNN等算法正在快速迭代的領域。因此，推出ASIC芯片風險非常高，且成本太高，只有谷歌等極少數(shù)公司敢于嘗試。

更重要的是，當前人工智能算法模型的發(fā)展趨勢是從訓練環(huán)節(jié)向推理環(huán)節(jié)走，這個過程非常有利于FPGA未來的發(fā)展。人工智能算法模型從訓練環(huán)節(jié)走向推理環(huán)節(jié)并不是簡單搬運過去。訓練出來的算法模型往往規(guī)模太大，復雜度太高，無法直接部署實際應用?，F(xiàn)在，人工智能算法模型研究的重要趨勢就是將訓練后的模型再進行壓縮，在基本不損失模型精度的情況下，將模型壓縮到原來的幾十分之一，再應用到推理環(huán)節(jié)。

以深鑒科技的研究成果為例，公司發(fā)布的論文《ESE ：Efficient Speech Recognition Engine with Sparse LSTM on FPGA 》指出，長短期記憶網絡（LSTM）被廣泛用于語音識別領域。為實現(xiàn)更高的預測精度，機器學習研究者們構建了越來越大的模型。然而這樣的模型十分耗費計算和存儲資源。部署此類笨重的模型會給數(shù)據(jù)中心帶來很高的功耗，從而帶來很高的總擁有成本（TCO）。

公司提出了一種可以在幾乎沒有預測精度損失的情況下將LSTM模型的尺寸壓縮20倍（10倍來自剪枝和2倍來自量化）的負載平衡感知剪枝（load-balance-awarepruning）方法。

最后，它們設計了一種可以直接在這種壓縮模型上工作的硬件框架——EfficientSpeechRecognitionEngine（ESE）。該框架使用了運行頻率為200MHz的XilinxXCKU060FPGA，具有以282GOPS的速度直接運行壓縮LSTM網絡的性能，相當于在未壓縮LSTM網絡上2.52TOPS的速度；此外，該框架執(zhí)行一個用于語音識別任務的全LSTM僅需41W功耗。在基于LSTM的語音基準測試中，ESE的速度為英特爾Corei75930kCPU的43倍，英偉達PascalTitanXGPU的3倍。它的能量效率分別為以上兩種處理器的40倍和11.5倍。

這篇論文驗證了我們上述觀點：

人工智能算法正處于快速迭代中。公司提出的新算法，可以在幾乎沒有預測精度損失的情況下將LSTM模型的尺寸壓縮20倍（10倍來自剪枝和2倍來自量化）。在算法能夠帶來數(shù)量級的性能提升下，想要將算法固化在ASIC中來獲得效率提升的想法是不切實際的。

采用了搭建在FPGA上的硬件框架ESE，獲得了高一個數(shù)量級的能量效率提升。ESE的速度為英特爾Corei75930kCPU的43倍，英偉達PascalTitanXGPU的3倍。它的能量效率分別為以上兩種處理器的40倍和11.5倍。采用FPGA搭建硬件框架充分發(fā)揮了FPGA萬能芯片的特性，性能遠超GPU等。

4.2.2 芯片NRE費用在指數(shù)級上升

集成電路行業(yè)的特點是贏家通吃，像CPU處理器，只有英特爾一家獨大，門檻極高。而隨著芯片制程工藝的提升，芯片NRE費用呈現(xiàn)指數(shù)級上升。這樣導致的結果是需要收回成本的芯片銷售規(guī)模門檻越來越高。市場上能夠滿足如此大市場規(guī)模要求的單品是非常少的。

而FPGA則可以受益于指數(shù)級成本上升帶來的規(guī)模效應。因為FPGA的NRE成本可以攤到上千個小項目上，從而讓每個項目只分擔幾十萬美元的NRE。比如開發(fā)一款14nm的FPGA，假設需要一億美元，其性能可以達到45nmASIC的水平。然后有1000個有45nm工藝要求的項目可以采用該FPGA來解決問題，他們支付不了45nm工藝數(shù)千萬美元的NRE，但是通過分攤的方式每家支付幾十萬美元可以使用14nm的FPGA產品。

因此，隨著芯片NRE費用指數(shù)級上升，越來越多的ASIC芯片將由于達不到規(guī)模經濟而被迫放棄，從而轉向直接基于FPGA開發(fā)設計。而FPGA可以受益于指數(shù)級成本上升帶來的規(guī)模效應。

5.投資建議

5.1 FPGA行業(yè)呈現(xiàn)雙寡頭格局

FPGA動態(tài)可重配的，性能功耗比高，非常適合在云端數(shù)據(jù)中心部署。目前，F(xiàn)PGA云服務器也已經在全球七大超級數(shù)據(jù)中心得到了部署，未來出貨量增長值得密切關注。

從行業(yè)發(fā)展趨勢來看，無論是快速迭代的算法，還是指數(shù)級增長的NRE費用，都有利于FPGA的發(fā)展。FPGA未來的發(fā)展大有可為。

FPGA行業(yè)呈現(xiàn)典型的雙寡頭競爭格局，主要有4家生產廠家都在美國。根據(jù)Gartner的數(shù)據(jù)，F(xiàn)PGA器件的廠家主要有Xilinx（賽靈思）、Altera（阿爾特拉）、Lattice（萊迪思）和Microsemi（美高森美），這四家公司都在美國，總共占據(jù)了98%以上的市場份額。其中全球份額Xilinx占49%，另一家Altera占39%，剩余的占比12%。

近兩年，F(xiàn)PGA行業(yè)展開了多項并購，但是對競爭格局影響不大。2015年6月，英特爾宣布以167億美元收購Altera（阿爾特拉）。2016年上半年，紫光在公開市場收購Lattice（萊迪思）股權6.07%，11月萊迪思被Canyon Bridge以13億美元收購，但此案一直沒有獲得美國監(jiān)管單位同意。

目前國內能夠生產FPGA的上市公司僅有紫光國芯（002049），而非上市公司有智多晶和AgateLogic等。

5.2 投資標的

5.2.1 賽靈思（XLNX.O）

Xilinx（賽靈思）是全球領先的可編程邏輯完整解決方案的供應商。世界上第一個FPGA就是由賽靈思設計的。賽靈思擁有FPGA市場超過50%的市場份額，下游客戶超過2萬家，產品被廣泛使用在芯片原型驗證、通訊、工業(yè)、宇航軍工、汽車電子等行業(yè)。

賽靈思推出了面向數(shù)據(jù)中心的FPGA解決方案，已經被亞馬遜、騰訊、百度等多家云服務商所采納。FPGA解決方案的靈活性、高并發(fā)和高性能功耗比具有很強的競爭優(yōu)勢，能夠帶來更低的全生命周期成本。

除了在數(shù)據(jù)中心端的產品之外，賽靈思在前端設備方面也有非常多的積累。以ADAS為例，公司是第二大的半導體供應商，正在與26家制造商正在密切合作開發(fā)96款產品。

為了彌補FPGA采用硬件描述語言、使用難度大的缺點，賽靈思積極打造自身的生態(tài)圈，推出reVision堆棧，幫助合作伙伴更方便地使用公司產品。

5.2.2 紫光國芯

公司是國內稀缺的FPGA標的。公司旗下的國微電子是國內特種IC的設計龍頭，是國內上市公司中唯一能夠量產FPGA的廠商，稀缺性明顯。公司FPGA、ASIC和特種微處理器常年為軍方穩(wěn)定供貨。

公司的商用可編程系統(tǒng)芯片的開發(fā)進展順利，在2016年9月正式推出國內首款內嵌高速接口（serdes）的千萬門級高性能FPGA芯片——PGT180H。該芯片首次集成了傳輸速率達到6.5Gbps的高速serdes模塊，最大規(guī)模可編程達到1800萬門，支持最高速率1066MbpsDDR3接口。無論從規(guī)模還是性能角度，PGT180H都代表了國內自主知識產權FPGA芯片的最高水平。

我們預計公司2017年-2019年營業(yè)收入分別為16.億元、19億元和20億元，對應每股收益分別為0.71元、0.86元和0.99元，對應PE分別為35、29和25倍。按照公司2017年40倍市盈率，給予6個月目標價28.4元，維持公司“推薦”評級。

6. 風險提示

1、人工智能應用不及預期的風險；

2、技術路線競爭激烈的風險。