Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

解读寒武纪招股书:独角兽的疯狂彩蛋

寒武纪的 IPO 招股书展示了这家公司今年来的技术发展历程,甚至还「疯狂」地披露了一款尚未发布的芯片。

3 月 26 日,上交所公告受理三家企业的科创板上市申请,知名人工智能芯片独角兽寒武纪位列其中。针对寒武纪本次披露的招股书,目前已经有很多文章从财务角度进行解读。报表盈利固然重要,可放眼中国资本市场这三十年,一向不缺报表盈利的公司,为什么差距还是这么大?解读寒武纪招股书,我们不想从财务数据老生常谈,而是尝试从技术和产品方面做一些归纳和分析。我们很惊喜地看到了技术创新的理想、堂吉柯德的勇气,我们发现了这家独角兽的疯狂彩蛋。寒武纪,似乎正在走一条不一样的道路。


本文试图对这家公司的产品和技术体系进行全面分析,看看寒武纪是否如行业传闻的那样,能称得上是「全村人的希望」。


定义智能芯片:广义vs狭义、通用vs专用

首先要确定「是什么」:随着近五年来人工智能和芯片在市场上受到热捧,智能芯片也成为了一个见仁见智的概念——很多科技公司都推出了属于不同架构的「AI 芯片」。寒武纪在招股书中对人工智能芯片的定义和范畴进行了体系化梳理。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。

而随着深度学习兴起的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。寒武纪的招股书系统性总结了传统芯片与智能芯片的特点和异同:



招股书中非常明确地提出了寒武纪在智能芯片领域的定位——通用型智能芯片。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)。而寒武纪面向云端、边缘端、终端的三个系列智能芯片与处理器产品,通过共用相同的自研指令集与处理器架构,共用相同的基础系统软件平台,实现了从通用型智能芯片到云、边、端通用生态的全面覆盖。

芯片设计和系统软件:十四大类技术

招股书第六节对寒武纪核心技术作了详细阐述。寒武纪的核心技术主要集中于智能芯片和系统软件。寒武纪在招股书中陈述,通用型智能芯片及其基础系统软件的研发需要全面掌握核心芯片与系统软件的大量关键技术,技术难度大涉及方向广,是一个极端复杂的系统工程,其中处理器微架构与指令集两大类技术属于最底层的核心技术。处理器微架构指的是智能芯片内部的结构,而指令集则是智能芯片生态的基石,这两个方向历来是处理器厂商争夺的技术高地。


除了核心的智能处理器架构和智能处理器指令集外,招股书中披露的多项技术也有很高的技术门槛和生态价值。以「智能芯片编程语言」为例,英伟达通过 CUDA 及相关编程语言,树立了 GPU 在科学计算和人工智能领域的地位。而寒武纪研发的 BANG 语言试图为人工智能的底层生态开启另一扇大门。

据了解,目前已有数家互联网,甚至传统行业公司在基于 BANG 语言进行开发。作为一个芯片创业公司,能够投入资源研发这类关键性软件技术,体现了一定的技术前瞻性。

从掌握的技术广度来看,寒武纪正在从一个单纯的芯片公司向具备硬件和软件能力的系统型平台公司发展。国内的芯片设计公司能力普遍集中于专门领域的芯片,其应用场景相对垂直,大多无须掌握如此全面的技术栈。国际上具备此类全栈技术能力的公司主要是英伟达、英特尔、谷歌等巨头。从核心技术构成上管中窥豹,可以看出寒武纪正在对标这些国外巨头。

作为一家成立仅四年的年轻公司,挑战科技巨头任重而道远。根据英伟达最新披露的年报,上一财年的研发费用高达 28.29 亿美金,寒武纪要靠每年数亿人民币的投入达到全面对标,对公司是一个巨大的挑战。

累计申请或授权专利超1500项

根据招股书描述,在智能芯片技术领域,寒武纪是行业内少数能为云端、边缘端、终端提供全品类系列化智能芯片和处理器产品、同时具备人工智能推理和训练智能芯片产品、少数具有先进集成电路工艺(7nm)下复杂芯片设计经验的企业之一。而在基础系统软件技术领域,寒武纪自研的基础系统软件平台 Cambricon Neuware 打破了云边端之间的开发壁垒,兼具高性能、灵活性和可扩展性的优势,简单移植即可让同一人工智能应用程序便捷高效地运行在云边端系列化芯片/处理器产品之上。

围绕基础系统软件技术和智能芯片技术,寒武纪累计申请或授权了 1500 多项专利,其中有关于处理器微架构和指令集的国内外专利就有约 900 项,这可能是寒武纪在财务报表之外最有价值的资产。

四年八亿研发费用,推出四款芯片

招股书中显示,公司 2017 年、2018 年和 2019 年三年研发费用分别为 2,986.19 万元、24,011.18 万元和 54,304.54 万元,成立四年以来,合计支出研发费用超过 8 亿元。公司面向云、边、端三大场景分别研发了三种类型的芯片产品,分别为终端智能处理器 IP、云端智能芯片及加速卡、边缘智能芯片及加速卡,并为上述三个产品线所有产品研发了统一的基础系统软件平台(包含应用开发平台)。


根据招股书披露,寒武纪的研发费用主要包括测试化验加工费(芯片流片)、无形资产摊销(EDA 工具、IP 等)和职工薪酬(人员工资)等。芯片行业的研发支出中,最大的单笔支出是流片费用,而流片费用也和芯片的工艺制程高度相关。思元 100、思元 270、思元 220 采用的是台积电 16nm 工艺,如果光研制三颗 16nm 的芯片,应该不至于花掉 8 亿的研发费用。寒武纪的研发费用主要花到哪里了呢?

招股书里的疯狂彩蛋:巨型芯片思元290

在招股书中的公司业务与技术章节,我们发现了招股书中的彩蛋——测试中的芯片「巨兽」思元 290。关于思元 290 的信息非常简短,但包含了照片:


可能是由于这颗芯片还在测试当中,招股书对具体参数透露不多,但提到了使用台积电(TSMC)7nm 制程工艺,采用了 HBM2 内存等信息。观察招股书中的芯片照片,可以看到该芯片的封装尺寸达到了 60mm×60mm,在芯片中属于「大块头」。设计思元 290 这种大尺寸芯片极富挑战。目前国内有能力设计 7nm 工艺芯片的公司屈指可数,尤其是面积这么大的 7nm 芯片,有设计能力且有成品的公司更是凤毛麟角。


据业内人士透露,这样一颗 7nm 大型芯片的研发投入至少在数亿元人民币的量级,推测寒武纪 2019 年 5.4 亿的研发费用大部分是花在了思元 290 上。寒武纪的招股书将思元 290 这颗彩蛋埋藏的足够深,现在我们也只能凭借公开的资料做一些数据猜测,未来这颗芯片的表现如何,留待后续为大家解读。不过可以肯定的是,寒武纪这次玩了一把黑色幽默,把一颗大彩蛋送到了积极解读财务数据的朋友们眼皮底下,确实够「疯狂」的。


芯片行业无捷径

寒武纪作为一家成立仅四年的芯片设计企业,在产品和技术上敢于对标巨头,有野心有能力设计思元 290 这么复杂的芯片,这是在财务报表之外同样值得业界关注的信息。


众所周知,高端芯片的研发周期长、需要对人力和财力进行持续投入,只有持续的研发投入才能保障公司产品的竞争力,虽然招股书披露寒武纪账上还有超过 40 亿元的现金储备,但与巨头的财力还有很大差距,这恐怕也是寒武纪希望登陆科创板的重要原因。重任在肩,这家曾经带来惊艳表现的公司唯有靠疯狂的研发和投入才能加速前行。

自 2016 年成立以来,寒武纪推出的思元 100 和思元 270 已实现规模化出货,思元 220 及在测试中的思元 290 未来商用表现如何,是否能继续延续独角兽的「疯狂」,我们拭目以待。
 
中科寒武纪招股书:
http://zqpdf.stcn.com/kcb/2020-03-26/sbg/8396394e326b4ac597d6a13cd6001a3b.pdf
入门寒武纪IPO智能芯片
相关数据
英特尔机构

英特尔(NASDAQ: INTC)是全球半导体行业的引领者,以计算和通信技术奠定全球创新基石,塑造以数据为中心的未来。我们通过精尖制造的专长,帮助保护、驱动和连接数十亿设备以及智能互联世界的基础设施 —— 从云、网络到边缘设备以及它们之间的一切,并帮助解决世界上最艰巨的问题和挑战。

http://www.intel.cn/
相关技术
寒武纪机构

寒武纪科技是一家AI芯片研发商。致力于打造各类智能云服务器、智能终端以及智能机器人的核心处理器芯片,同时还为用户提供IP授权、芯片服务、智能子卡和智能平台等服务。

www.cambricon.com
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

自然语言理解技术

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

推荐文章
暂无评论
暂无评论~