呼和浩特智能终端产品项目可行性研究报告.docx

《呼和浩特智能终端产品项目可行性研究报告.docx》由会员分享，可在线阅读，更多相关《呼和浩特智能终端产品项目可行性研究报告.docx（133页珍藏版）》请在三一办公上搜索。

1、呼和浩特智能终端产品项目可行性研究报告xx集团有限公司报告说明根据全球半导体贸易统计组织（WSTS）的数据，2013年至2018年期间，全球集成电路行业呈现快速增长趋势，产业收入年均复合增长率为9.3%；2019年，受国际贸易摩擦冲击的影响，全球集成电路产业总收入为3,304亿美元，较2018年度下降16.0%。因贸易摩擦各项问题有所进展，加上数据中心设备需求增加、5G商用带动各种服务扩大、车辆持续智能化等，WSTS预计2020年全球集成电路产业市场规模有望重回增长。根据谨慎财务估算，项目总投资5642.49万元，其中：建设投资4652.62万元，占项目总投资的82.46%；建设期利息118.

2、33万元，占项目总投资的2.10%；流动资金871.54万元，占项目总投资的15.45%。项目正常运营每年营业收入9500.00万元，综合总成本费用8161.61万元，净利润973.86万元，财务内部收益率11.09%，财务净现值241.76万元，全部投资回收期7.25年。本期项目具有较强的财务盈利能力，其财务净现值良好，投资回收期合理。项目建设符合国家产业政策，具有前瞻性；项目产品技术及工艺成熟，达到大批量生产的条件，且项目产品性能优越，是推广型产品；项目产品采用了目前国内最先进的工艺技术方案；项目设施对环境的影响经评价分析是可行的；根据项目财务评价分析，经济效益好，在财务方面是充分可行的。

3、本期项目是基于公开的产业信息、市场分析、技术方案等信息，并依托行业分析模型而进行的模板化设计，其数据参数符合行业基本情况。本报告仅作为投资参考或作为学习参考模板用途。目录第一章 市场分析7一、 人工智能相关芯片的市场规模7二、 人工智能相关芯片的市场规模13三、 中国集成电路行业概况19第二章 背景及必要性22一、 人工智能芯片领域发展概况22二、 人工智能芯片行业未来发展趋势27第三章 建筑工程方案32一、 项目工程设计总体要求32二、 建设方案33三、 建筑工程建设指标34第四章 产品规划方案36一、 建设规模及主要建设内容36二、 产品规划方案及生产纲领36第五章 发展规划分析39一、

4、公司发展规划39二、 保障措施40第六章 运营管理43一、 公司经营宗旨43二、 公司的目标、主要职责43三、 各部门职责及权限44四、 财务会计制度47第七章 法人治理54一、 股东权利及义务54二、 董事61三、 高级管理人员66四、 监事68第八章 项目实施进度计划70一、 项目进度安排70二、 项目实施保障措施71第九章 原材料及成品管理72一、 项目建设期原辅材料供应情况72二、 项目运营期原辅材料供应及质量管理72第十章 工艺技术设计及设备选型方案74一、 企业技术研发分析74二、 项目技术工艺分析76三、 质量管理77四、 项目技术流程78五、 设备选型方案82第十一章 组织机构

5、及人力资源84一、 人力资源配置84二、 员工技能培训84第十二章 劳动安全分析86一、 编制依据86二、 防范措施87三、 预期效果评价93第十三章 投资计划方案94一、 编制说明94二、 建设投资94三、 建设期利息98四、 流动资金100五、 项目总投资101六、 资金筹措与投资计划102第十四章 项目经济效益分析104一、 基本假设及基础参数选取104二、 经济评价财务测算104三、 项目盈利能力分析108四、 财务生存能力分析111五、 偿债能力分析111六、 经济评价结论113第十五章 项目招投标方案114一、 项目招标依据114二、 项目招标范围114三、 招标要求115四、 招

6、标组织方式115五、 招标信息发布117第十六章 附表附录118第一章 市场分析一、 人工智能相关芯片的市场规模1、全球市场规模（1）终端场景对人工智能芯片的需求采用专门为人工智能领域设计的处理器支撑人工智能应用是行业发展的必然趋势。理论上，利用终端中原有的通用CPU运行人工智能算法，也可在功能上实现相关应用。但对实时性要求高的场景（如智能驾驶等），对响应的延时极为敏感，基于CPU作人工智能计算远不能满足实时性要求，必须引入专门的人工智能处理器；而在手机、平板电脑、音箱、AR/VR眼镜、机器人等对散热、能耗敏感的消费类电子终端场景，采用CPU支撑人工智能算法，不仅性能不理想，计算的能耗亦不能满

7、足相关场景下的苛刻限制，同样需要采用专门的人工智能处理器提升性能降低能耗。智能手机经过多年硬件升级，屏幕、摄像头、机身材料等组件进一步提升空间有限，应用升级尤其是人工智能技术的应用成为助推智能手机发展的重要因素。人工智能相关应用虽然可以在传统的手机处理器芯片上运行，但在流畅度和能耗方面表现不够理想而且用户体验不佳，引入人工智能处理器增加手机芯片的运算能力逐渐成为主流。各大领先智能终端品牌厂商相继推出搭载人工智能处理器的新款智能手机产品，提升了用户使用人工智能应用时的用户体验，促进了集成智能处理器的手机芯片的普及和推广。根据Gartner预测，搭载人工智能应用的智能手机出货量占比将从2017年的

8、不到10%提升到2022年的80%，年销量超13亿部，带动终端人工智能芯片迎来高速增长。在消费电子行业中，除了智能手机之外，AR/VR、智能音箱、无人机、机器人等领域也是各厂商关注的重点，此类硬件终端均可与人工智能应用相结合，人工智能芯片的应用将加速推动下游消费电子行业的技术进步和产品体验优化。根据Gartner的预测，2020年人工智能芯片在消费电子终端市场的销售规模将超过25亿美元。智能驾驶是集导航、环境感知、控制与决策、交互等多项功能于一体的综合汽车智能系统，也是人工智能的重要应用领域之一。传统汽车主要由机械部件组成，集成电路应用占比较低，汽车电子功能相对简单，在结构和性能的改善中主要起

9、到辅助机械装置的作用；智能汽车能够为用户提供自动驾驶、影音娱乐、车辆互联等多样化服务，实现车辆行驶过程中完全自动化与智能化。据市场调研机构iiMediaResearch估计，2016年全球智能驾驶汽车市场规模为40.0亿美元，预计至2021年增长至70.3亿美元，复合增长率11.94%。智能驾驶系统的核心是芯片，汽车的新能源化和互联化进程必将要求底层硬件能够支撑高速运算的同时保持低功耗与逻辑控制，未来人工智能芯片在车载领域具备广阔的市场空间。（2）云端场景对人工智能芯片的需求近年来，集成电路行业在经历了手机及消费电子驱动的周期后，迎来了数据中心引领发展的阶段，对于海量数据进行计算和处理将成为带

10、动集成电路行业发展的新动能。大规模张量运算、矩阵运算是人工智能在计算层面的突出需求，高并行度的深度学习算法在视觉、语音和自然语言等方向上的广泛应用使得计算能力需求呈现指数型增长趋势。根据Cisco的预计，2016年至2021年全球数据中心负载任务量将成长近三倍，从2016年的不到250万个负载任务量增长到2021年的近570万个负载任务量。人工智能算法的不断普及和应用，和高性能计算能力的需求增长导致全球范围内数据中心对于计算加速硬件的需求不断上升。Intel作为传统CPU芯片厂商，较早地实现了数据中心产品的大规模销售，收入由2015年的159.8亿美元增长到2019年的234.8亿美元，年均复

11、合增长率为10.10%。作为GPU领域的代表性企业，Nvidia数据中心业务收入在2015年仅为3.4亿美元，自2016年起，Nvidia数据中心业务增长迅速，以72.23%的年均复合增长率实现了2019年29.8亿美元的收入，其增速远远超过了Nvidia其他板块业务的收入。Intel和Nvidia数据中心业务收入的快速增长体现了下游数据中心市场对于泛人工智能类芯片的旺盛需求。根据IDC报告显示，云端推理和训练所产生的云端智能芯片市场需求，预计将从2017年的26亿美元增长到2022年的136亿美元，年均复合增长率39.22%。（3）边缘端场景对人工智能芯片的需求云端受限于延时性和安全性，不能

12、满足部分对数据安全性和系统及时性要求较高的用户需求。这些用户的需求推动大量数据存储向边缘端转移。边缘计算是5G网络架构中的核心环节，在运营商边缘机房智能化改造的大背景下，能够解决5G网络对于低时延、高带宽、海量物联的部分要求，是运营商智能化战略的重要组成部分。边缘计算可以大幅提升生产效率，是智能制造的重要技术基础。根据Gartner预测，未来物联网将约有10%的数据需要在网络边缘进行存储和分析，按照这一比例进行推测，2020年全球边缘计算的市场需求将达到411.40亿美元。边缘计算将在未来3-5年创造海量硬件价值，为大量行业创造新的机遇。与云端智能芯片相比，边缘智能芯片的使用场景更加丰富，同时

13、单芯片售价并不昂贵。同时，在整个边缘计算市场的带动下，边缘智能芯片逐渐受到国内外芯片厂商的关注。根据ABIResearch预计，边缘智能芯片市场规模将从2019年的26亿美元增长到2024年的76亿美元。综合以上各方面来看，人工智能的各类应用场景，从云端溢出到边缘端，或下沉到终端，都离不开智能芯片对于“训练”与“推理”任务的高效支撑。当前人工智能应用越来越强调云、边、端的多方协同，对于芯片厂商而言，仅仅提供某一类应用场景的人工智能芯片是难以满足用户的需求。因此，各芯片厂商的多样化布局与竞争将促使整个人工智能芯片行业在未来几年实现高速发展。根据市场调研公司Tractica的研究报告，人工智能芯片

14、的市场规模将由2018年的51亿美元增长到2025年的726亿美元，年均复合增长率将达到46.14%。2、国内市场规模在经历了互联网和移动互联网的追赶之后，中国正成为一个重要的数据大国，IDC预计到2025年中国将拥有全球数据量的27.8%。另外，“中国制造2025”、“数字中国”等产业政策推动中国产业的信息化、智能化升级转型。这为我国人工智能芯片的发展提供了众多实际的应用场景。与全球市场相似，中国人工智能芯片市场主要分为终端、云端和边缘端。在终端，近年来，在全球智能手机出货量增速放缓的情况下，国产品牌手机销量强势上涨，与苹果、三星等国外终端厂商的市场份额逐渐缩小。人工智能的发展和通信网络的升

15、级推进着中国互联网的演变，同时也推动着智能终端的更新迭代。根据IDC对中国智能终端市场发展的预测，到2022年，40%的智能终端产品将拥有人工智能的相关功能。在国内头部智能终端厂商的带领下，人工智能芯片将成为智能手机等终端的标配，预计人工智能芯片在终端的应用将进入一个全新的普及阶段，渗透率将逐年提升。在云端，服务器及数据中心需要对大量原始数据进行运算处理，对于芯片等基础硬件的计算能力、计算进度、数据存储和带宽等都有较高要求。传统数据中心存在着能耗较高、计算效率较低等诸多发展瓶颈，因此数据中心中服务器的智能化将是未来发展趋势。根据IDC数据，2018年中国智能服务器市场规模为13.05亿美金（约

16、合人民币90亿元），同比增长131%，到2023年将达到43.26亿美金（约合人民币300亿元），整体市场年均复合增长率将达到27.08%。按照人工智能芯片占到人工智能服务器成本的30%-35%进行测算，未来中国服务器市场对于人工智能芯片的需求有望突破100亿元人民币。在边缘端，随着中国5G的快速商用落地，5G产业的各项配套产业将迎来快速发展的契机，车联网、工业互联网、物联网等应用行业将逐步进入发展的新阶段。根据赛迪顾问预测，到2022年中国边缘计算市场规模将达到325.31亿元。放眼全球，人工智能领域的应用目前均处于技术和需求融合的高速发展阶段，未形成统一的生态，就人工智能芯片这一细分领域而

17、言，国内芯片厂商与国外芯片巨头基本处于相似的发展阶段。而随着人工智能相关技术的进步，应用场景将更加多元化，中国人工智能芯片市场将得到进一步的发展。未来几年内，中国人工智能芯片市场规模将保持40%-50%的增长速度，到2024年，市场规模将达到785亿元。二、 人工智能相关芯片的市场规模1、全球市场规模（1）终端场景对人工智能芯片的需求采用专门为人工智能领域设计的处理器支撑人工智能应用是行业发展的必然趋势。理论上，利用终端中原有的通用CPU运行人工智能算法，也可在功能上实现相关应用。但对实时性要求高的场景（如智能驾驶等），对响应的延时极为敏感，基于CPU作人工智能计算远不能满足实时性要求，必须引

18、入专门的人工智能处理器；而在手机、平板电脑、音箱、AR/VR眼镜、机器人等对散热、能耗敏感的消费类电子终端场景，采用CPU支撑人工智能算法，不仅性能不理想，计算的能耗亦不能满足相关场景下的苛刻限制，同样需要采用专门的人工智能处理器提升性能降低能耗。智能手机经过多年硬件升级，屏幕、摄像头、机身材料等组件进一步提升空间有限，应用升级尤其是人工智能技术的应用成为助推智能手机发展的重要因素。人工智能相关应用虽然可以在传统的手机处理器芯片上运行，但在流畅度和能耗方面表现不够理想而且用户体验不佳，引入人工智能处理器增加手机芯片的运算能力逐渐成为主流。各大领先智能终端品牌厂商相继推出搭载人工智能处理器的新款

19、智能手机产品，提升了用户使用人工智能应用时的用户体验，促进了集成智能处理器的手机芯片的普及和推广。根据Gartner预测，搭载人工智能应用的智能手机出货量占比将从2017年的不到10%提升到2022年的80%，年销量超13亿部，带动终端人工智能芯片迎来高速增长。在消费电子行业中，除了智能手机之外，AR/VR、智能音箱、无人机、机器人等领域也是各厂商关注的重点，此类硬件终端均可与人工智能应用相结合，人工智能芯片的应用将加速推动下游消费电子行业的技术进步和产品体验优化。根据Gartner的预测，2020年人工智能芯片在消费电子终端市场的销售规模将超过25亿美元。智能驾驶是集导航、环境感知、控制与决

20、策、交互等多项功能于一体的综合汽车智能系统，也是人工智能的重要应用领域之一。传统汽车主要由机械部件组成，集成电路应用占比较低，汽车电子功能相对简单，在结构和性能的改善中主要起到辅助机械装置的作用；智能汽车能够为用户提供自动驾驶、影音娱乐、车辆互联等多样化服务，实现车辆行驶过程中完全自动化与智能化。据市场调研机构iiMediaResearch估计，2016年全球智能驾驶汽车市场规模为40.0亿美元，预计至2021年增长至70.3亿美元，复合增长率11.94%。智能驾驶系统的核心是芯片，汽车的新能源化和互联化进程必将要求底层硬件能够支撑高速运算的同时保持低功耗与逻辑控制，未来人工智能芯片在车载领域

21、具备广阔的市场空间。（2）云端场景对人工智能芯片的需求近年来，集成电路行业在经历了手机及消费电子驱动的周期后，迎来了数据中心引领发展的阶段，对于海量数据进行计算和处理将成为带动集成电路行业发展的新动能。大规模张量运算、矩阵运算是人工智能在计算层面的突出需求，高并行度的深度学习算法在视觉、语音和自然语言等方向上的广泛应用使得计算能力需求呈现指数型增长趋势。根据Cisco的预计，2016年至2021年全球数据中心负载任务量将成长近三倍，从2016年的不到250万个负载任务量增长到2021年的近570万个负载任务量。人工智能算法的不断普及和应用，和高性能计算能力的需求增长导致全球范围内数据中心对于计

22、算加速硬件的需求不断上升。Intel作为传统CPU芯片厂商，较早地实现了数据中心产品的大规模销售，收入由2015年的159.8亿美元增长到2019年的234.8亿美元，年均复合增长率为10.10%。作为GPU领域的代表性企业，Nvidia数据中心业务收入在2015年仅为3.4亿美元，自2016年起，Nvidia数据中心业务增长迅速，以72.23%的年均复合增长率实现了2019年29.8亿美元的收入，其增速远远超过了Nvidia其他板块业务的收入。Intel和Nvidia数据中心业务收入的快速增长体现了下游数据中心市场对于泛人工智能类芯片的旺盛需求。根据IDC报告显示，云端推理和训练所产生的云端

23、智能芯片市场需求，预计将从2017年的26亿美元增长到2022年的136亿美元，年均复合增长率39.22%。（3）边缘端场景对人工智能芯片的需求云端受限于延时性和安全性，不能满足部分对数据安全性和系统及时性要求较高的用户需求。这些用户的需求推动大量数据存储向边缘端转移。边缘计算是5G网络架构中的核心环节，在运营商边缘机房智能化改造的大背景下，能够解决5G网络对于低时延、高带宽、海量物联的部分要求，是运营商智能化战略的重要组成部分。边缘计算可以大幅提升生产效率，是智能制造的重要技术基础。根据Gartner预测，未来物联网将约有10%的数据需要在网络边缘进行存储和分析，按照这一比例进行推测，202

24、0年全球边缘计算的市场需求将达到411.40亿美元。边缘计算将在未来3-5年创造海量硬件价值，为大量行业创造新的机遇。与云端智能芯片相比，边缘智能芯片的使用场景更加丰富，同时单芯片售价并不昂贵。同时，在整个边缘计算市场的带动下，边缘智能芯片逐渐受到国内外芯片厂商的关注。根据ABIResearch预计，边缘智能芯片市场规模将从2019年的26亿美元增长到2024年的76亿美元。综合以上各方面来看，人工智能的各类应用场景，从云端溢出到边缘端，或下沉到终端，都离不开智能芯片对于“训练”与“推理”任务的高效支撑。当前人工智能应用越来越强调云、边、端的多方协同，对于芯片厂商而言，仅仅提供某一类应用场景的

25、人工智能芯片是难以满足用户的需求。因此，各芯片厂商的多样化布局与竞争将促使整个人工智能芯片行业在未来几年实现高速发展。根据市场调研公司Tractica的研究报告，人工智能芯片的市场规模将由2018年的51亿美元增长到2025年的726亿美元，年均复合增长率将达到46.14%。2、国内市场规模在经历了互联网和移动互联网的追赶之后，中国正成为一个重要的数据大国，IDC预计到2025年中国将拥有全球数据量的27.8%。另外，“中国制造2025”、“数字中国”等产业政策推动中国产业的信息化、智能化升级转型。这为我国人工智能芯片的发展提供了众多实际的应用场景。与全球市场相似，中国人工智能芯片市场主要分为

26、终端、云端和边缘端。在终端，近年来，在全球智能手机出货量增速放缓的情况下，国产品牌手机销量强势上涨，与苹果、三星等国外终端厂商的市场份额逐渐缩小。人工智能的发展和通信网络的升级推进着中国互联网的演变，同时也推动着智能终端的更新迭代。根据IDC对中国智能终端市场发展的预测，到2022年，40%的智能终端产品将拥有人工智能的相关功能。在国内头部智能终端厂商的带领下，人工智能芯片将成为智能手机等终端的标配，预计人工智能芯片在终端的应用将进入一个全新的普及阶段，渗透率将逐年提升。在云端，服务器及数据中心需要对大量原始数据进行运算处理，对于芯片等基础硬件的计算能力、计算进度、数据存储和带宽等都有较高要求

27、。传统数据中心存在着能耗较高、计算效率较低等诸多发展瓶颈，因此数据中心中服务器的智能化将是未来发展趋势。根据IDC数据，2018年中国智能服务器市场规模为13.05亿美金（约合人民币90亿元），同比增长131%，到2023年将达到43.26亿美金（约合人民币300亿元），整体市场年均复合增长率将达到27.08%。按照人工智能芯片占到人工智能服务器成本的30%-35%进行测算，未来中国服务器市场对于人工智能芯片的需求有望突破100亿元人民币。在边缘端，随着中国5G的快速商用落地，5G产业的各项配套产业将迎来快速发展的契机，车联网、工业互联网、物联网等应用行业将逐步进入发展的新阶段。根据赛迪顾问预

28、测，到2022年中国边缘计算市场规模将达到325.31亿元。放眼全球，人工智能领域的应用目前均处于技术和需求融合的高速发展阶段，未形成统一的生态，就人工智能芯片这一细分领域而言，国内芯片厂商与国外芯片巨头基本处于相似的发展阶段。而随着人工智能相关技术的进步，应用场景将更加多元化，中国人工智能芯片市场将得到进一步的发展。未来几年内，中国人工智能芯片市场规模将保持40%-50%的增长速度，到2024年，市场规模将达到785亿元。三、 中国集成电路行业概况我国本土集成电路产业发展起步较晚，但近年来发展迅速，行业增速领先全球。在国家及地方各级政府部门多项产业政策的支持，国家集成电路产业投资基金和各地方

29、专项扶持基金的推动，以及社会各界的共同努力下，我国集成电路产业规模从弱小到壮大，企业创新能力逐步提升，已经在全球集成电路产业中占据重要地位，在部分细分领域初步具备了国际领先的技术和研发水平。根据中国半导体行业协会披露，近几年以来，我国集成电路产业规模得到快速增长，2018年实现总销售额高达6,532亿元，较上年增长20.7%。截至目前，2019年中国集成电路行业销售总收入尚未有官方统计数据，受益于5G通信和人工智能应用发展的需求拉动，以及2019年下半年全球集成电路行业景气开始回温，前瞻产业研究院预测未来两年中国集成电路行业仍将保持快速增长态势，到2020年市场规模有望突破9,000亿元。在产

30、业链上，集成电路产业主要可分为集成电路设计、芯片制造及封装测试三大核心环节。根据中国半导体行业协会统计，2018年我国集成电路产业中，集成电路设计业销售额为2,519.3亿元，同比增长21.5%；芯片制造业销售额为1,818.2亿元，同比增长25.6%；封装测试业销售额为2,193.9亿元，同比增长16.1%。三个细分领域均保持了超过15%的速度增长，尤其是集成电路设计行业，多年来均保持高速增长。自2016年以来，集成电路设计业总规模已超过封装测试业，成为我国集成电路产业中规模最大的子行业。虽然近年来我国集成电路产业发展速度较快且取得了显著进步，但是我国集成电路产业相较欧、美、日、韩等发达国家

31、仍存在一定差距，具体表现在以下三点：第一，产业结构不够合理。我国集成电路产业以附加值较低的封装测试环节为主，技术含量较高的设计环节占比不到40%，而发达国家芯片设计环节的产值占比超过了60%。第二，产业集中度低于发达国家，在国际竞争中缺乏具有核心优势的龙头企业。以集成电路设计行业为例，我国前十大设计企业2018年的市场份额占有率仅为40.21%，而全球前十大设计企业的市场份额在70%以上。第三，我国集成电路产品尤其是核心器件过度依赖进口，自给率偏低。2018年中国集成电路进口总金额3,166.81亿美元，出口总金额为860.15亿美元，贸易逆差同比增长11.21%。随着近年国家集成电路产业发展

32、推进纲要中国制造2025国家信息化发展战略纲要等重要文件的出台，社会各界对集成电路行业的发展的关注度与日俱增，未来十年中国集成电路行业有望迎来进口替代与加速成长的黄金时期，有望在全球集成电路市场的发展中占据重要地位。第二章 背景及必要性一、 人工智能芯片领域发展概况1、人工智能行业背景人工智能是计算机科学的一个分支领域，通过模拟和延展人类及自然智能的功能，拓展机器的能力边界，使其能部分或全面地实现类人的感知（如视觉、语音）、认知功能（如自然语言理解），或获得建模和解决问题的能力（如机器学习等方法）。照片美颜、图片搜索、语音输入、语音合成、自动翻译甚至购物推荐等大众熟知的功能，都是人工智能在日常

33、生活中的应用，传统产业也可通过引入人工智能技术来大幅提高劳动生产率。从技术角度看，当前主流的人工智能算法通常可分为“训练”和“推理”两个阶段。训练阶段基于充裕的数据来调整和优化人工智能模型的参数，使模型的准确度达到预期。对于图像识别、语音识别与自然语言处理等领域的复杂问题，为了获得更准确的人工智能模型，训练阶段常常需要处理巨大的数据集、做反复的迭代计算，耗费巨大的运算量。训练阶段结束以后，人工智能模型已经建立完毕，已可用于推理或预测待处理输入数据对应的输出（例如给定一张图片，识别该图片中的物体），此过程被称为推理阶段。推理阶段对单个任务的计算能力要求不如训练那么大，但是由于训练出来的模型会多次

34、用于推理，因此推理运算的总计算量也相当可观。人工智能算法与应用必须以计算机硬件作为物理载体方能运转，其效果、效率与核心计算芯片的计算能力密切相关。以近年来人工智能领域最受关注的深度学习方法为例，2012年时，深度学习模型AlexNet识别一张ImageNet图片需要花费约7.6108次基本运算，训练该模型需要完成3.171017次基本运算。处理器芯片技术的发展对人工智能行业的发展意义重大，如以1993年出品的IntelCPU奔腾P5芯片来执行这样的图像识别运算，即使处理器流水线效率达到100%的情况下，需要至少10分钟才能完成推理任务，需要近百年才能完成训练任务。而如今在各品牌旗舰手机上只需数

35、百微秒就能执行完成这样的图像识别，还可根据识别结果对图片进行实时编辑和美化，在云计算数据中心只要20分钟就能完成模型的训练任务。在人工智能技术快速进步并进入实用场景的背后，处理器芯片技术的贡献功不可没。当前以深度学习为代表的人工智能技术对于底层芯片计算能力的需求一直在飞速增长，其增速已经大幅超过了摩尔定律的速度。例如Google于2019年提出的EfficientNetB7的深度学习模型，每完成一次前向计算即需要3.611010次基本运算，是七年前同类模型（AlexNet）运算需求的50倍。人工智能运算常常具有大运算量、高并发度、访存频繁的特点，且不同子领域（如视觉、语音与自然语言处理）所涉及

36、的运算模式具有高度多样性，对于芯片的微架构、指令集、制造工艺甚至配套系统软件都提出了巨大的挑战。2、人工智能芯片类型（1）传统芯片与智能芯片在人工智能数十年的发展历程中，传统芯片曾长期为其提供底层计算能力。这些传统芯片包括CPU、GPU、DSP、FPGA等，它们在设计之初并非面向人工智能领域，但可通过灵活通用的指令集或可重构的硬件单元覆盖人工智能程序底层所需的基本运算操作，从功能上可以满足人工智能应用的需求，但在芯片架构、性能、能效等方面并不能适应人工智能技术与应用的快速发展。而智能芯片是专门针对人工智能领域设计的芯片，包括通用型智能芯片与专用型智能芯片两种类型。CPU、GPU等传统型芯片最初

37、设计的目的不是用来执行人工智能算法及应用。CPU主要应用于电脑设备中，作为计算机系统的运算和控制核心，其功能主要是支持计算机的操作系统，并作为通用硬件平台运行广泛而多样化的应用程序。GPU是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。随着人工智能行业的发展，CPU、GPU等传统型芯片也开始向科学计算和人工智能领域拓展。智能芯片是面向人工智能领域而专门设计的芯片，其架构和指令集针对人工智能领域中的各类算法和应用作了专门优化，可高效支持视觉、语音、自然语言处理和传统机器学习等智能处理任务。智能芯片的性能和能效优势主要集中于智能应用

38、，但不适用于人工智能之外的其他领域。与传统芯片相比，由于智能芯片不支持双精度浮点运算、图形渲染类运算、无线通信类信号处理运算，且未包含可重构逻辑单元阵列，从而无法像CPU和GPU一样支持科学计算任务、无法像GPU一样支持图形渲染任务、无法像DSP一样支持通信调制解调任务、无法像FPGA一样可对硬件架构进行重构。因此，在通用计算和图形渲染等人工智能以外的其他领域，智能芯片无法替代CPU、GPU等传统芯片，存在局限性；在人工智能领域，智能芯片的优势明显，可以替代CPU、GPU等传统芯片。由于人工智能芯片行业处于发展初期，属于较为前沿的技术领域，存在不同的技术路径和分类标准，目前尚无统一的标准划分。

39、在一些咨询机构出具的研究报告中，通常将人工智能芯片区分为CPU、GPU、DSP、FPGA、ASIC（智能芯片）等类型；在行业内专业技术领域中，对于智能芯片可进行细分，一类为可以支持不同类型、种类智能算法的通用型智能芯片，这类芯片的特点是和CPU、GPU类似，具有指令集；另一类是针对特定场景乃至特定智能算法的加速芯片，这类芯片往往是针对某个算法实施的硬件化开发，一般不具备指令集或指令集较简单。（2）通用型智能芯片特点通用型智能芯片具备灵活的指令集和精巧的处理器架构，技术壁垒高但应用面广，可覆盖人工智能领域高度多样化的应用场景（如视觉、语音、自然语言理解、传统机器学习等）。传统的CPU通过完备的通

40、用指令集（如x86指令集）和灵活的CPU架构实现其跨越应用领域的通用性。与之类似，寒武纪智能芯片通过完备的智能处理器指令集及灵活的处理器架构来实现在人工智能领域内的灵活通用性。在指令集方面，寒武纪智能芯片的设计思想是通过分析和抽象多样化的人工智能算法的计算特征和访存特征，针对性地设计更适用于智能算法的数百条处理器基本指令，并与处理器架构配合实现在人工智能领域内灵活通用的设计目标。在具体设计过程中不仅需要考虑当前各类智能算法的特点，也需要对智能算法未来发展的趋势进行预判，从而抽象出完备高效的智能处理器指令集；通过高维张量、向量、逻辑指令等之间的灵活组合来覆盖对多样化的智能算法，实现人工智能领域内

41、的通用性。在处理器架构方面，寒武纪智能处理器包含高维张量计算部件、向量计算部件、传统算术逻辑计算部件，分别用于处理各类智能算法的不同类型操作。高维张量计算部件可对智能算法中核心运算（如卷积运算）进行高效处理，提升整个处理器的能效。而向量运算部件与算术逻辑计算部件（尤其后者）则具有更强的灵活性，可对智能算法中频次不高且高维张量无法支持的运算（如分支跳转等）实现全面覆盖，有力保障了处理器架构的通用性。寒武纪智能芯片具备完备的指令集及灵活的处理器架构，在人工智能领域已具备通用性。二、 人工智能芯片行业未来发展趋势1、云计算、大数据、5G、IoT等新兴技术驱动云端智能芯片需求持续增长云计算分为IaaS

42、（“云”的基础设施）、PaaS（“云”的操作系统）和SaaS（“云”的应用服务）三层。IaaS公司提供场外服务器、存储和网络硬件，IoT提供了更多的数据收集端口，大大提升了数据量。大数据为人工智能提供了信息来源，云计算为人工智能提供了物理载体，5G降低了数据传输和处理的延时性。人工智能关键技术未来将在5G、IoT、云计算和大数据等新兴技术日益成熟的背景下取得突破性进展。根据中国信息通信研究院的统计数据，2017年全球公有云市场规模为1,110亿美元，2018年增长到1,392亿美元，同比增速高达25.41%。到2021年预计全球公有云市场规模将达到2,461亿美元，未来全球公有云市场发展前景广

43、阔。2018年IaaS市场规模达到437亿美元，同比2017年实现了34.05%的高速增长，云计算硬件市场空间巨大。云计算和人工智能算法关系密切，未来搭载智能芯片的云计算硬件比例将大幅提升，云端智能芯片需求持续增长。2、5G时代，边缘智能芯片需求将迅速增长在5G时代，无线网络具备高带宽、低延时以及支持海量设备接入等特点，大规模的数据流动增加了传输和云端的压力，使得边缘端的网络节点需要具备数据预处理和快速输出结果的能力，数据处理将进入分布式计算的新时代。同时，随着5G时代和人工智能的发展，越来越多的数据处理需求必须在边缘侧完成，例如工厂智能控制、智能家居。这些场景往往需要很强的实时性，对延时敏感

44、，并且有很强的数据隐私性要求，相关生产数据不能上传到云端。边缘人工智能则很好地解决了这个需求，通过在产线等边缘处直接部署智能计算设备，在无需将数据传出工厂的同时，实时地进行数据处理并对产线进行决策和控制。在边缘场景下，运算量依然很大、多样化场景要求具备多种算法的兼容性，边缘智能芯片的通用性和计算能力要求与云端相差不大，但对成本控制和功耗则提出了更高的要求。3、消费类电子和智能汽车是未来终端智能计算能力的重要载体除了云端和边缘端外，终端也有大量的智能计算能力需求。这些计算能力需求主要分为两类，一类是单芯片计算能力需求较小的，主要是一些物联网设备，如智能家居等；另外一类是移动计算平台，这些计算平台

45、的特点是其设备往往处于移动中，无法用固定的边缘设备来支撑。这些设备未来主要有两类，一类是以手机、平板为代表的消费类电子产品，另外一类是以自动驾驶为代表的车载计算平台。手机、平板电脑是当前数量最大的移动计算平台，也是总计算能力最大的计算平台。根据Gartner数据显示，2019年全球手机出货量达到了18.02亿台、平板电脑出货量达到了1.48亿台；其中，中国手机出货量为3.89亿台、平板电脑出货量为2,241万台。未来，随着智能算法和智能应用的进一步发展，手机、平板电脑等消费类电子产品对智能计算能力的需求会越来越大。另外，汽车也逐步成为未来重要的智能终端之一。一方面，汽车的操作和人机交互界面越来

46、越智能化，未来汽车的中控系统会有大量的智能计算能力需求；另外一方面，随着智能算法的成熟，自动驾驶将成为可能，而自动驾驶算法会消耗大量的计算能力，因此对于车载智能芯片的需求也会迅速扩大。终端智能依托于移动终端、智能家居、无人机、无人驾驶汽车等下游行业和应用的发展。特点在于成本控制、功耗控制，追求性能功耗比，未来待行业成熟后可能会出现人工智能专用芯片。4、智能芯片会形成云边端一体化的生态在通用处理器领域，服务器、桌面和终端的生态是相互分离的不同生态环境。在服务器和桌面一侧，x86是目前主流的生态体系；而在终端等设备一侧，则是由ARM来主导。服务器及桌面系统和终端系统分别按照两条不同的技术路线在发展

47、。“万物互联”时代对数据的搜集、传输和处理提出了一体化需求。各类人工智能应用厂商如能在云、边、端三个领域进行协同开发和部署，将大幅节省开发成本和提升研发效率。从硬件及开发工具角度而言，低效、割裂的软硬件生态最终会被逐步淘汰，人工智能应用生态在云端、边缘端和终端将走向一体化。未来，单一产品形态的智能芯片企业会受到挑战，而同时具备云、边、端芯片产品和生态开发能力的智能芯片企业会获得更显著的协同优势。5、人工智能算法将持续演进人工智能技术的发展经历了“三波浪潮”，不同阶段有不同的流派的方法崛起。当前人工智能发展正处于第三波浪潮上，这波浪潮最大的特点就是与业务紧密结合的人工智能应用场景逐渐落地，拥有先

48、进算法和强大计算能力的企业成为了最主要的推动者。当前人工智能的主流技术路径是深度学习，但无论是产业界或学术界，都认为深度学习尚存在一些局限性，在机器感知类场景表现优异，但在机器认知类场景表现还有待提高。未来针对不同的人工智能应用类型和场景，将会有深度学习之外的新型算法脱颖而出，这就要求智能芯片的架构不能仅仅针对深度学习设计，也要适应不同类型的算法，同时兼顾能效和灵活性。第三章 建筑工程方案一、 项目工程设计总体要求（一）土建工程原则根据生产需要，本项目工程建设方案主要遵循如下原则：1、布局合理的原则。在平面布置上，充分利用好每寸土地，功能设施分区设置，人流、物流布置得当、有序，做到既利于生产经营，又方便交通。2、配套齐全、方便生产的原则。立足厂区现有基础条件，充分利用好现有功能设施，保证水、电供应设施齐全，厂区内外道路畅通，方便生产。在建筑结构设计，严格执行国家技术经济政策及环保、节能等有关要求。在满足工艺生产特性，设备布置安装、检修等前提下，土建设计要尽量做到技术先进、经济合理、安全适用和美观