基于机会窗口的中国AI芯片行业追赶研究

路嘉明

一、引言

中国是世界上最大的芯片消费国，但是中国整个芯片产业发展却很落后，自给自足率非常低，近年来芯片的进口金额已经超过石油，成为中国第一大进口商品。而继“中兴事件”后，中国深刻意识到了实现芯片产业的追赶是当前最亟待解决的问题之一。另一方面，AI（人工智能）是当前人类所面对的最新也最为重要的社会技术变革，AI技术的创新和发展又对芯片提出了新要求，所以中国企业一边继续研发原有芯片的同时，也积极布局AI芯片。近一两年来，中国涌现出了寒武纪科技、地平线等一批优秀的初创企业，成为了AI芯片行业的“独角兽”。本文基于“机会窗口”的理论，试图解释中国AI芯片为什么和如何实现追赶。

二、文献回顾和理论框架

（一）文献回顾

技术追赶一直是经济学与管理学研究的重要问题之一。技术追赶（technological catch-up）理论，最早由经济史学家Gerschenkron提出，该理论认为，后发国家如果引进先进国家花了较高的费用和较长时间所开发的先进技术，便可以跨越一定的经济发展阶段去追赶先进国家的技术并缩短工业化的进程。Perez和 Soete 首先提出了机会窗口的概念，即新的技术范式产生的机会窗口可能导致后发国家率先掌握新的技术范式、引领新的技术轨迹。Lee和Malerba等人总结了3种类型的窗口，即技术、需求和制度。梁中在此基础上，基于中国产业按照窗口开启条件的有利性程度，把窗口细化为不同等级的开启状态，并据此提出差异化的、具有内在递进逻辑的“破窗—扩窗—锁窗”响应策略体系。在赶超路径方面，Lee和Lim以韩国消费电子、汽车、半导体和移动通信等产业为研究对象，提出了后发企业3种技术追赶模式：① 路径追随式（path-following catch-up）；② 阶段跳跃式（stage-skipping catch-up）；③ 路径创造式（pathcreating catch-up），其中后两种模式属于技术跨越式技术追赶。

21世纪开始，随着以中国为代表的新兴经济体的崛起，电信行业受到了学术界的广泛关注。如Mu和Lee采用Lee和Lim根据韩国技术追赶经验提出的研究框架来分析中国电信行业，指出该行业实现追赶的3大关键因素：市场换技术战略，跨国公司子公司向本土研究联盟、本土企业的技术扩散，以及政府的产业促进政策。国内学者吴晓波提出了“二次创新”的概念，即“在技术引进的基础上进行的，受囿于已有技术范式，并沿既定技术轨迹而发展的技术创新”，定义了在二次创新过程中的4个典型阶段：复制性模仿、创造性模仿、利用性创新、探索性创新，这4个阶段分别对应于组织发展过程中不同层次的技术能力水平。

但现有关于中国企业技术追赶的大部分研究往往将西方情境或亚洲追赶情境下的研究理论直接运用于中国情境，忽略了对中国情境特殊性的关注。与韩国等新兴工业化国家和地区出口导向型后发企业不同，吴东和吴晓波认为中国后发企业的追赶实践是在转型的“所有制制度”、多样的“技术体制”、多层次的“市场空间”以及新兴的“全球网络”四位一体的情境下开展的。并且AI芯片行业又与汽车、电信等传统行业有很大区别，不但技术轨迹更为复杂，并且产业生态也大不相同，所以技术追赶通常呈现出更为复杂的演化模式，现有文献对这些大型新兴经济体后发企业所面临的独特情境并没有给予充分的关注。

（二）理论框架

根据机会窗口理论，“在成熟的技术上不可能存在追赶机会”和“新技术领域是追赶的第二种机会窗口”这两个核心论点，亦明确了“新技术”或者说“新的技术范式”是追赶窗口开启的关键条件。当今世界，人工智能掀起了新一轮的技术革命，机器学习、深度学习等颠覆性技术的建立对芯片提出了更高、更广的要求，原有的CPU已经不能满足人工智能算力和功耗的要求，GPA、FPGA、ASIC等芯片后来居上，广泛应用于人工智能领域。在这里我们将运行智能算法并应用于人工智能领域的芯片称为人工智能芯片（下称AI芯片）。2017年是AI芯片的元年，各个国家和企业都面对着新市场和新机遇，而根据历史的经验来看，每一次技术革命的初始阶段都是后发国家实现弯道超车的战略机遇期。虽然中国在芯片制造领域落后于美国和韩国，但是在芯片设计和封装领域已经具有一定的实力。除此之外，中国在大数据采集分析、人工智能算法研究方面，以及具体场景应用领域具有强劲实力，这些优势对AI芯片的发展和技术追赶具有重要的帮助。综上所述，本文认为人工智能的颠覆性技术革命为中国AI芯片提供一个历史性的机遇，中国作为世界第二大经济体和最大的发展中国家，很有可能在这次技术革命中成为重要参与者、创新者，甚至成为领跑者。

本文在Lee和Malerba的研究框架的基础上，不但研究中国AI芯片产业在新时代面临的政策、技术、需求的机会窗口，还基于中国特殊的国情和AI芯片行业的特殊技术轨迹提出了产业生态窗口。本文首先基于4个子窗口对整体机会窗口建立了分析模型，旨在分析子机会窗口开启的条件及其相互作用对整体行业的机会窗口的开启的影响，接着基于案例说明中国企业如何把握机会窗口。然后对技术追赶的绩效、模式进行总结和分析，提出“三部门连接器”模型。接着结合实践对模型进行进一步思考。旨在解释特殊的中国国情下的工业发展中遇到问题，并提出相关政策建议。

三、中国AI芯片行业的机会窗口

（一）政策机会子窗口

近年来，中国政府对人工智能和半导体芯片行业的重视程度不断提高，持续从各个方面来支撑和促进这两个行业的发展和进步，而 AI芯片既强调半导体芯片，又强调智能算法。所以集成电路（即芯片）和人工智能领域的政策都会对AI芯片的发展起到正向的促进作用。国家的支持主要分两个方面，一方面是出台各项政策，另一方面是建立各项产业投资基金，对人工智能和芯片行业给予资金支持。在政策方面，人工智能和集成电路两个行业先后被写入“十三五”规划中，被提到了前所未有的国家战略高度。与此同时，国务院和下属的发改委、科技部、工信部等国家职能机关一方面不断出台相应政策，另一方面，通过建立人工智能产业发展联盟和集成电路产业技术创新战略联盟、成立国家科技领导小组、在部委建立相关办公室等方式完善创新发展体制，以促进这两个行业的发展。

在产业基金方面，在工信部和财政部的指导下，2014年9月，国家集成电路投资基金正式设立，截至2017年共投资1387亿元，2018年大基金第二期募资规模也将超过第一期，保底将达1500亿元；2017年，由网信办和财政部联合指导成立的互联网大基金也对人工智能行业进行积极投资。与此同时，各地政府和社会资本也积极进入相关领域。芯片是一个“十年起步，十亿打底”的行业，作为后发者则需要更大的投入，原本鲜有社会资本对芯片公司进行投资，行业发展也严重受阻，而国家资本的进入无疑是雪中送炭。

综上所述，我们认为无论从国家的发展规划、相应的政策来看，还是从产业基金的支持来看，AI芯片政策窗口已经开启，如果AI芯片企业能抓住政策机会，将会在追赶中处于有利地位。

（二）需求机会子窗口

2016年，随着谷歌围棋 AI AlphaGo战胜韩国棋手李世石，人工智能全面爆发，被广泛应用于各行各业。而随着人工智能理论和技术的日益成熟，应用范围不断扩大，真正意义上的人工智能产业正在逐步落地、不断丰富。在纵向上，人工智能算法的升级导致智能服务成为新的产业层级，拉长产业链，同时也影响其他层级的相关技术和服务向人工智能转型；在横向上，多样化的智能硬件的发展又泛化于各层级技术和服务内容，拓展了人工智能的产业链条。而这也正是人工智能产业链快速发展的原因。全球人工智能核心产业规模也会从370亿美元增长至1300亿美元，其中，我国人工智能核心产业规模会从56亿美元增长到2020年的220亿美元，年均增速接近65%。在人工智能领域，实现智能的核心是算法，支撑智能的核心是芯片，而随着产业链的纵向加长和横向拓展，现有的半导体芯片无论是从算力、耗能还是应用场景的特殊需求上都无法满足其要求，所以，新一代的AI芯片的需求会快速增加，全球市场规模也会在2020年达到125亿美元。综上所述，AI芯片行业已经成为全球发展最快的产业之一，众多应用场景亟待落地，AI专用芯片也为中国AI芯片行业打开了需求的机会窗口。

（三）产业生态的机会子窗口

目前人工智能面临的主要挑战是解决例如识别图像、识别语音或者识别生物特征等现实场景中的各类问题，这就涉及到将真实信息进行抽象处理从而转化为计算机可以理解的程序语言。为了实现这一目标，各类方法被提出，其中机器学习和深度学习是各类算法的基础，而基于此演化而生的场景智能算法对计算能力提出了更高的要求，因此，计算能力更强、功耗更低的 AI芯片也就应运而生。不同于传统行业，人工智能的产业价值链可以分为上游数据和基础算法端、中游 AI芯片端和下游应用端。

因为要实现AI技术真正的商业化需要大量结构化处理后的数据进行训练，未经训练的AI技术只能算是纸上谈兵，故而人工智能价值链的上游是海量数据和基础算法，中游是由半导体芯片和场景智能算法构成，下游是具体的场景应用，比如语音识别、智能家居、智能安防、无人驾驶等等。

（四）上游数据端促进中游算法优化

进入21世纪以来，全球数据总量经历了爆发式的增长，全球数据总量在2017年已经超过了13.6 ZB，2013至2017的年复合增长率超过了32.6%。中国人工智能产业的上游数据端主要呈现两个特点，一是数据量大；二是数据获取便捷，成本低。从数据量上来说，截至2017年4月，中国的智能手机用户达到7.1亿，是美国的3倍，得益于成熟的第三方支付体系，移动支付用户和次数也是美国的数倍甚至数10倍，无论从数据的总量抑或是数据产生的速度，中国都远超世界上其他国家。从可获取性和成本上来说，2018年5月25日，GDPR（通用数据保护条例）正式获得通过，从任何意义上来说，都堪称是史上最严厉的公民隐私数据保护条例。从当天开始，在欧盟范围内任何互联网公司想要收集公民在互联网上留下的任何个人数据，包括姓名、身份证号、邮箱、位置乃至DNA信息等，都必须经过用户的明确授权。而另一方面，中国国民隐私保护意识不强，相关法律体系不够健全，中国互联网巨头如 BAJT等企业在获得数据方面如鱼得水，成本极低。中国市场的海量数据和低廉的获得成本，为中游场景智能算法优化提供了得天独厚的优势。

（五）下游市场反哺中游技术升级

人工智能产业下游应用主要包括智能机器人、智能金融、智能安防、智能驾驶、智能搜索、智能制造系统及智能人居等产业，这些产业并非新产业，而是由人工智能为传统产业赋能。中国下游应用层的企业占据了大量的市场份额，比如海康威视、大华集团，不但是全球10大安防企业，而且也正积极布局发展智能安防；新松机器人、云南昆船和北京机科占据国内90%机器人份额，产品也逐步向智能化转型；阿里巴巴、百度从文本搜索延伸至图像搜索，积极布局智能搜索；科大讯飞拥有多项核心专利，是全球领先的语音识别公司；在智能手机领域，华为出货量为世界第2，小米、OPPO、VIVO等紧随其后。广阔的下游市场也成为中国AI芯片加速发展的重要原因。细分行业的龙头企业，如阿里巴巴、海康威视、百度、华为等公司得益于中国经济的快速发展，积累了大量的资金和人才储备，随着人工智能产业的爆发，公司的业务进一步得到拓展，对AI芯片提出了更高的要求。这些公司一方面对AI芯片的初创企业进行投资，另一方面，百度、海康威视、华为等企业也先后投入到AI芯片的自主研发中。

中国形成了上游数据多、获得易，下游应用市场广阔，中游场景智能算法快速发展，而半导体芯片业相对弱的“哑铃型”人工智能的产业生态。在这样一个特殊产业生态架构下，上游的海量数据以及较低的获取成本会支撑中游AI芯片的算法快速发展；而在下游，借助国内巨大市场而发展起来的安防、互联网、手机制造等龙头企业已经积累了大量的资本、人才储备，创建了先进的商业模式，这些企业通过战略投资、资助研发甚至是自主研发等方式反哺AI芯片领域，无论是对中游的算法端还是芯片设计制造端的发展，都起到至关重要的作用。所以我们认为，中国特殊的产业生态结构也会为AI芯片行业的发展打开机会窗口。

四、技术的机会子窗口

根据机会窗口理论，新技术的出现是追赶的第二种机会窗口，人工智能行业的爆发促进了很多新兴技术的出现和发展，而对于支撑人工智能的核心AI芯片来说，其技术轨迹也出现了不连续性，这也意味着出现了后发者实现追赶的技术机会窗口。

（一）基础算法共享，场景应用算法优势特有

人工智能算法自20世纪被图灵提出后，经历了 3次发展的浪潮，2012年深度算法实现真正的应用突破后，才真正给人工智能带来了春天。算法创新是推动本轮人工智能大发展的重要驱动力。不同于其他传统行业，领先者一般对后来者实行技术封锁、阻碍后来者的追赶以获得巨额垄断利润，在人工智能领域，学术界是推动基础算法不断前进和创新的主要源泉，所取得的成果也以学术期刊和论文的形式被全人类共享。中国进入人工智能领域较晚，基础算法创新能力较弱，但是一方面，强大的模仿、学习能力使得中国企业对基础算法的掌握和针对具体应用领域开发场景智能算法的能力和国际巨头齐头并进；另一方面，人工智能重要的语义分析技术，需要大量的研发资金和充足的理解能力，而中国语言具有特殊性和高难度的特点，使得同类型的海外企业无法独立完成，这些都为中国企业提升算法优化和具体场景应用能力创造了不可复制的优势。也正是因为这个原因，国内企业在语音识别、图像视频识别、文本识别等领域的场景智能算法发展迅速，其中科大讯飞、云知声、旷视科技、商汤科技、汉王科技、百度等企业在所在领域处于世界领先地位。基础智能算法的快速进步和场景应用算法的特有优势，也为AI芯片行业后发者提供了历史性的技术追赶机会。

（二）AI芯片技术路径变化导致机会出现

最早用于人工智能领域的CPU和 GPU芯片技术发展路径比较清晰，英特尔占据了全球CPU市场绝大多数的份额，第2名的企业AMD也是美国企业；而英伟达和AMD则垄断了全球独立GPU市场，这些公司利用专利布局筑起了非常高的进入壁垒，后发公司几乎不可能在这两个领域实现追赶。在第三次人工智能革命的浪潮中，基于深度学习算法而产生的海量数据处理对芯片的处理能力提出了更高的要求，已有的处理技术和半导体芯片早已经不能满足其日益增长的需求，AI芯片的技术路径发生了改变。

主流CPU架构一般需要至少数百甚至上千条指令才能完成一个神经元的处理，却不能很好地满足海量数据运算的深度学习的计算需求，其灵活易用性虽然很高，但是功率效率却十分低，不能成为人工智能的主流解决方案。相比之下，GPU因其并行结构而更加适合大量的重复计算，中端GPU就包含了成百上千个处理单元，这对于多媒体计算中大量的重复处理过程有着天生的优势，所以被广泛应用于辅助驾驶、图像识别、棋牌类博弈等领域，成为目前应用最广泛的解决方案。但是GPU也并非十全十美，一方面，GPU在处理较小批量数据和管理稀疏数据方面并不擅长，这些数据广泛用于循环神经网络（RNN），随着“上下文”感知和预测的发展，对这一领域的要求越来越高；另一方面，GPU的记忆体管理效率不高，每个V100只有16 GB的HBM2 DRAM。一些大的数据集（100s of GB），需要更多的DRAM。更为重要的是，GPU更为通用的代价是较低的功率效率，以应用于特斯拉自动驾驶的 GPU TeslaP100为例，其功耗最高可达250 W，伴随而生的致命问题是器件不能承受之热，在夏天器件的温度达到 100～200℃，严重的可导致器件烧毁，系统停运。所以 GPU也不是 AI芯片的最终解决方案。

因此，FPGA和ASIC芯片逐渐进入人们的视野。FPGA全称为“可编辑门阵列”（field programmable gate array），它是一种通用型的芯片，设计更接近于硬件底层的架构，其最大特点是可编程。也正是因为这个特点，用户可以通过更改FPGA的配置文件来实现具体应用场景的高度定制，进而降低功耗，提高性能，所以，使用 FPGA芯片来实现工智能的核心是智能算法的设计与编写。ASIC的全称为“专用集成电路”（application specific integrated circuits），它是一种在确定应用场景和具体用户后，被设计和生产出的专用芯片，也正是因为专业化和定制化，所以这类芯片功耗很低，效率很高。而原有领先企业，比如英特尔虽然在桌面CPU端一家独大，但是技术路径的锁定也使得其陷入“在位者陷阱”，在新技术领域也成为后发者，公司基本没有涉足ASIC芯片，只有在以167亿美元的高溢价收购Altera后才得以进入FPGA领域。而英伟达则沿着GPU的技术路径一直前进，虽然产品性能不断提升，目前在人工智能领域应用最广，但是和ASIC和FPGA相比，其高能耗的问题一直没有得到解决。

AI芯片是应用于人工智能领域的芯片，是由半导体芯片和其运行的智能算法两个部分构成，所以衡量一个AI芯片好坏的标准不应该单单是半导体芯片的制程工艺等技术指标，也应该对其智能算法与AI芯片架构优化结合进行考量。中国虽然在CPU和GPU的设计和制造上基本属于空白，但是得益于人工智能产业的爆发，一方面，其使用的半导体芯片的技术路径被重新定义，FPGA和ASIC芯片逐渐成为细分领域的主流解决方案，另一方面，所运行的智能算法也对实际应用起到了至关重要的作用。这两个重要的技术变革也为中国AI芯片行业的技术追赶打开了技术机会窗口。

五、总体机会窗口的出现

基于成熟的技术领域不存在追赶机会，而新技术领域是追赶的第二种机会窗口这一基本论断，我们认为快速发展的智能算法和与之相适应的半导体芯片技术路径的变革打开的技术子窗口是整体机会窗口开启的必要条件，是AI芯片产业能够实现追赶最基础的驱动力。而仅仅技术子窗口的开启是远远不够的。

例如韩国虽然拥有三星这样的全球顶尖的芯片厂商，但是因其产业价值链上下游的需求以及AI技术的制约，在AI芯片领域的发展反而不如中国。日本虽然占据半导体芯片材料全球份额的一半以上，但是因其工业制造业强而AI领域较弱，导致并没有真正的开启技术机会窗口。仅仅其中一到两个机会窗口的开启虽然对追赶有一定的帮助，但是却无法完全打开机会窗口，AI芯片总的机会窗口开启应是 4个子机会窗口共同作用的结果。人工智能作为当今社会最重要的社会技术变革，不但重塑了众多产业的格局，创造了巨大的新需求，也引发了各国政府高度关注，纷纷出台政策、给与资金支持，力求在各个维度鼓励和支持人工智能的发展，抢占技术革命的制高点，中国更是将引领人工智能发展写入国家规划中，其巨大的市场、政府强有力政策的出台以及巨额资金扶持也为AI芯片行业开启了需求和政策子窗口。更为重要的是，中国人工智能领域专利累计申请数为99264项，美国为48870；在论文发表方面美国为1663篇，中国为1506篇，双方不分伯仲。作为世界最大的发展中国家和过去数十年中发展最快的新兴经济体，中国因其特殊的经济体制和发展道路，又孕育出了特有的产业生态结构，上游数据量大且获取成本低，促进场景智能算法优化；下游终端应用广而且部分细分领域强，又反哺中游技术升级，这都对中游的AI芯片行业的发展起到了相当正面的作用，这也是其他国家和其他行业所不具备的产业生态机会子窗口。当4个机会子窗口同时开启时，也就是重叠部分出现时，我们认为中国的AI芯片行业面临一个历史性的机遇。

六、中国AI芯片行业追赶路径

上文分析了各个子机会窗口的出现和总机会窗口的开启，那么中国的AI芯片企业是如何把握并实现追赶的？下文我们将结合具体案例对回应策略和追赶绩效进行说明。

（一）提出世界首款深度学习处理器架构——寒武纪

面对这一历史机遇，寒武纪创始人选择了一条从学术到实践的发展路线。陈天石、陈云霁在创立公司之前都在中国科学院从事体系架构和人工智能的研究，是典型的学术大牛。哥哥陈云霁19岁进入中国科学院计算技术研究所硕博连读，并成为当时首个国产通用CPU“龙芯”的研发成员，25岁成为8核龙芯3号的主任架构师。而弟弟陈天石则于2014年公开提出国际首个深度学习处理器学术架构DianNao，同年又公开提出国际首个多核深度学习处理器学术架构DaDianNao，两论文分获处理器架构领域顶级国际学术会议ASPLOS 2014和MICRO 2014最佳论文，而这两篇论文成为AI芯片领域被引用最多的论文。兄弟两人一人有研发芯片的经验，一人走在学术领域的前沿，两人研究的领域又都正好和AI芯片相关，可谓是珠联璧合。

在掌握了核心技术后，两兄弟选择于2016年成立公司，而这一年又正好赶上人工智能的全面爆发。大量资金开始进入这个领域，各种政策密集出台，所以公司一成立就获得各类资本的疯狂追捧，2016年4月和8月分别获得由中国科学院的千万级天使投资以及由元禾原点、科大讯飞等的Pre-A轮投资，而公司又在2017年8月完成了由国投创业领投，阿里巴巴、联想创投等联合投资的1亿美元的A轮投资，并于2018年6月完成了由中国国有资本风险投资基金、国投创业等联合领投的数亿美金的 B轮融资，公司估值也达到了20亿美元以上。纵观整个公司的融资史，国有资本一直是主力军，阿里巴巴、联想控股等企业的社会资本也紧随其后，源源不断地给公司“输血”。

瞅准了需求、政策、产业生态等机会窗口，公司解决了资金的问题。在技术路径上，公司避开CPU、GPU等被国外垄断的较为成熟的技术路径，而是利用自己的技术优势，深耕ASIC架构。公司选择了手机这一具体应用场景，成功于2016年推出世界首款商用深度学习专用芯片“寒武纪1A”并于2017年成功赋能华为麒麟970芯片，先于苹果A11成为世界首款人工智能手机芯片，为华为Mate10、P20等机型插上AI的翅膀。“寒武纪1A”是一款完全自主研发的ASIC芯片，在1 GHz主频下理论峰值性能为每秒5120亿次半精度浮点运算，对稀疏化神经网络的等效理论峰值高达每秒2万亿次浮点运算，在若干关键人工智能如计算机视觉、语音识别、自然语言处理应用上实测，“寒武纪1A”达到了传统的四核通用CPU25倍以上的性能和50倍以上的能效。

在成功实现AI芯片商业化后，公司继续加大研发投入，又于 2017年底面向终端再次推出了三款ASIC芯片：面向低功耗场景视觉应用的“寒武纪 1H8”，拥有更广泛通用性和更高性能，主要用于手机、安防、摄像头、音箱、机器人等领域智能处理计算的“寒武纪1H16”，以及面向智能驾驶领域的性能10倍于1A的“寒武纪1M”。同时，寒武纪也在云端积极布局，公司还面向云端发布了“寒武纪MLU100”和“寒武纪 MLU200”，这两款芯片面向服务器端的智能处理需求，分别侧重于推理和训练。至此，寒武纪形成了完整的产品线，成为全球第一家成功流片（批量生产实物芯片）并拥有成熟产品的AI芯片行业独角兽企业。

（二）算法+芯片，“地平线”引领嵌入式 AI芯片与解决方案

面对这一历史机遇，“地平线”并没有刻意强调芯片，而是选择走一条强调“算法+芯片”有机结合的发展路径。算法要取决于数据，而数据是需要本地化的，中国和美国的数据不一样，这是本土企业的优势。地平线的芯片方案强调的是在嵌入式智能产品上做智能处理，可以说地平线的发展道路不在于研究单纯的芯片，而在于算法和芯片的深度整合优化。这样的发展道路把握了中国特殊的产业生态带来的机会，取场景智能算之长，补半导体芯片之短，用较少的投入研发出了高性能的AI芯片。之所以选择这样的发展道路，原因在于相比寒武纪纯学术出身的背景，地平线的创始人不但以学术见长，在商场也是身经百战。创始人余凯在人工智能领域发表的研究论文被全球同行广泛引用，超过14000次；曾获得2013年国际机器学习大会（ICML）最佳论文银奖，也是华人学者中第一位率队在国际主流人工智能竞赛中获得冠军的学者；CTO吴强，论文曾获得国际计算机协会（ACM/IEEE）第38届计算机架构大会（MICRO-38）唯一的一个最佳论文奖。他的科研成果还被美国业内杂志《IEEE Micro》评选为年度最有影响的12个科技成果之一。余凯还一手创立了百度深度学习研究院（IDL）、百度自动驾驶团队和百度大脑PaddlePaddle，可以说是中国人工智能应用领域的“泰斗”。并且还有多位高管曾在谷歌、NECLabs、三星集团、德州仪器、摩根士丹利、百度、华为等国际知名公司担任产品带头人和高管等职务。也正是因为这样经验丰富的创业团队和发展路径，公司更多地吸引了社会资本的进入，在 2015年成立之初，公司就已经获得了晨兴、高瓴、红杉等基金的联合投资，并于2016年4月获得硅谷知名投资人Yuri Milner的投资；2016年7月，团队宣布获得包括双湖投资以及原投资在内的新一轮融资，公司还于2017年底完成了由Intel Capital领投的1亿美元的A+轮融资。

在具体的技术路径上，地平线公司选择了开发自己的独特架构BPU，首先在 FPGA上验证，然后成功推出“旭日 1.0”和“征程1.0”两款专用 ASIC芯片，这两款AI芯片都采用 40 nm架构（最先进为7 nm制程），但是却能实现1080P@30fps的视频输入，可对每帧图像中的200个目标进行检测识别，具有低功耗（典型功耗仅为1.5 W）和低延时（小于30 ms）的特点，其性能已经达到了世界一流的水平。公司于2017年12月宣布与奥迪集团共同开发自动驾驶，值得一提的是，奥迪在中国一共选择了两家合作伙伴，其中一家就是地平线。同时，地平线也是目前中国唯一在世界4大汽车市场（美国、德国、日本和中国）与全球顶级OEMs和 Tier1s建立合作伙伴关系的涉及自动驾驶的初创企业，成为了名副其实的AI芯片领域的“独角兽”。

（三）中国AI芯片公司对机会窗口回应策略和绩效总结

面对AI芯片产业出现的机会窗口，各大企业选择了不同的策略进行回应。老牌芯片制造商英特尔选择在继续改进CPU基础上又收购FPGA厂商 Altera试图多路径布局AI芯片，而英伟达则凭借天然优势“一招鲜，吃遍天”，深耕GPU，不断推出高性能的通用AI芯片，一方面这些巨头起步早，引领着技术路径的前进，并在该路径上进行了大量的专利布局，筑起了难以逾越的行业壁垒，有效地阻止了后来者在原有路径上的追赶；而另一方面这些巨头也因为在原有技术路径上有大量的沉没成本，陷入了不同程度的“在位者陷阱”，对ASIC架构的AI芯片的研发没有那么重视，这也是中国AI芯片行业能实现追赶的一个重要原因。

AI芯片既强调算法又强调半导体芯片。在算法端，学术界引领基础算法进步、成果又被全人类共享的这一特点使得中国作为后发国家，与在位国家之间没有显著差距，在具体的场景智能算法上甚至处于世界领先的地位。而FPGA和ASIC作为新技术范式的出现，为AI芯片行业开启了技术的机会窗口，寒武纪和地平线从初创企业发展成为全球顶级的AI芯片公司，一个很重要的原因在于把握住了该技术机会窗口，选择ASIC架构。在实现追赶的过程中，人工智能市场火爆而产生的对AI芯片的需求，中国政府在企业创立之初就给予的政策、场地和大量资金等相关支持也是必不可少的条件。除此之外，中国特殊的国情、市场体制孕育出的人工智能产业生态结构也开启了相应的机会窗口，非常有效地促进了中国AI芯片行业的追赶。

在AI芯片领域不只有寒武纪和地平线这两颗“中国芯”，根据著名市场研究公司 Compass Intelligence发布的最新研究报告，全球前24名AI芯片行业排行榜中共有包括华为海思等 7家中国企业上榜（含地平线、寒武纪）。在国际著名研究机构Arete Research评定的全球10大AI芯片初创公司里，中国独占5席。中国的AI芯片行业从无到有，从落后到今天的世界一流，实现了巨大的跨越式进步。

七、总结

（一）追赶模式的总结

很多学者针对后发国家的追赶路径和模式提出了自己的观点，但是这些观点大多基于传统行业而非新兴行业，并且没有考虑中国特殊的国情和改革开放后形成的特殊产业生态结构，所以无法很好地解释中国AI芯片等行业的追赶现象。针对此情况，现提出“三部门连接器”模型。

人工智能行业不同于其他传统行业，其上游是海量数据和基础算法，下游是场景应用，中游是AI芯片（包含半导体芯片和场景智能算法），而中国的人工智能行业又具有“两头大，中间小”的特殊产业生态结构。中国在上游数据端有优势，基础理论、算法掌握牢固，即“源泉”丰富；而下游又呈现“应用市场广阔”的特点。上游“源泉”丰富就会通过“A通道”为中游AI芯片这一“支柱”中的智能算法优化提供帮助；下游市场巨大导致中国的互联网行业、安防行业迅猛发展，一些互联网、科技巨头如BAT、华为，占据了较大的市场份额，积累了大量资本。而下游人工智能场景市场的进一步发展又必须以中游的“AI芯片”为支柱，于是中国的AI芯片企业在发展的过程中又受到下游BAT、华为等企业的“反哺”（B通道），不但积极给予资金和人才的支持，还帮其对接各种资源。这也形成了上下两游通过A、B通道合力促进中游的良性产业生态发展模式，即形成了上中下三游有机连接的“三部门连接器”，即上下两游首先实现追赶，通过“A、B连接器”带动中游实现追赶的发展模式，而这也从产业生态的角度解释了为什么中国AI芯片行业能够涌现出一批优质初创企业和独角兽、实现弯道追赶的原因。

（二）结合“三部门连接器”模型对实践的进一步思考

最近美国对中兴的制裁和中美贸易战的打响给中国敲响了警钟，让我们更加深刻认识到了中国在工业上的巨大差距。中国没有赶上两次工业革命的浪潮，其工业的特点是基础研究没有跟上，核心技术没有掌握，这导致中国工业的发展一直是主要利用环境和人力资源成本低的“代工”的模式，对于一些高端工业产品的思路主要是“造不如买，买不如租”。而中国同时又是最大的发展中国家，人口位居全球第一，GDP世界第二，人口红利在过去几十年得以充分释放，累积了大量的人才和资本。根据上文提出的“三部门连接器”模型，对于汽车、钢铁等传统行业来说上游的“源泉”应是基础研究，其能力水平主要由科研院所（包含企业研发部门）和高校决定；中游“支柱”应是高端装备制造企业；下游“应用市场”应是生产具体产品的企业。对应于“三部门连接器”，这些行业的特点表现为作为上游“源泉”的基础研究虽然逐步追赶，但是 A通道没有打开，高校和科研院所的科技成果转移转化效果不理想，没有为中游注入动力；中游装备制造业这一“支柱”薄弱，无法支撑起下游市场日益增长对于产品质量、性能、功能的要求；与此同时，下游应用市场大而不强，汽车、手机等行业一味追求市场份额、销售额，企业十分浮躁，力求“挣快钱，挣容易钱”却没有形成核心竞争力，制造设备基本依赖进口，大部分利润被国外企业拿走，从而无法通过 B通道对装备制造业进行反哺。许多传统领域没有形成有机结合的“三部门连接器”，掣肘中国经济在“新常态”下的高质量发展。

八、政策建议与展望

（一）政策建议

中国的AI芯片行业现在虽然处于世界一流水平，但全球人工智能领域依然属于“弱人工智能”阶段，而随着人工智能的进一步发展，无论是CPU、GPU还是FPGA、ASIC都可能会被时代淘汰，“类脑芯片”更有可能是人工智能的最终解决方案，所以人工智能最终鹿死谁手还未可知。另一方面，通过进一步结合“三部门连接器”模型对实践进行思考，我们也发现了一些中国传统行业面临的窘境。中国崛起势不可挡，针对目前遇到的一些问题，我们结合研究成果对政策制定者和企业提出一些建议。

一是要从顶层设计支持基础研究和高端装备制造业发展。基础研究是创新和技术发展的源泉，高端装备制造业则为支柱，如果这两游不强，那么很有可能造成下游大而不强、没有核心竞争力的局面。所以要进一步支持科研院所和高校的基础研究工作，以及对高端装备制造业进行政策扶持和资金支持。

二是要促进科技成果转移转化机制和高校教师评价机制的完善。结合“三部门连接器”模型来看，虽然中国很多大学的科研能力跻身世界一流，高水平研究成果层出不穷，但是科研成果的所有权分配不合理、教授评价指标过多强调论文而不是解决实践问题，这导致“A通道”没有实现真正的连通，大学科研机构和教授的研究止于论文而不能应用于实际生产，所以这方面还要继续完善。

三是下游企业应反哺上中游。得益于人口红利和政策红利，中国很多下游企业占据了很大的市场份额，但是并不意味着我们具有了核心竞争力，所以企业应该转变一味追求产值、市场份额的发展观念，利用红利带来的资本优势，去反哺装备制造业，甚至是进一步反哺基础研究以增强企业内在的创新能力，成为真正的世界500强。

（二）研究展望

本研究以机会窗口为理论基础，在分析需求、技术、政策的子窗口的基础上又结合中国AI芯片业的特点，创新性提出了产业生态窗口并进行分析，并进一步提出“三部门连接器”的模型，旨在更好地解释中国特色的追赶模式。但是“产业生态窗口”和“三部门连接器”模型是否能推广到全行业还不能确定，这也是我们需要在未来进一步讨论的。