驱动人工智能与网络基础设施的高效处理器

不同的AI处理器解决方案为各种应用赋能人工智能

在涉及演算法、模型、工作负载和成本等多个方面的人工智能和机器学习场景中，并不存在一种适用于所有情境都通用的AI处理器解决方案。例如，带有AI加速器的低功耗SoCs将在智能手机中表现得更为理想，而通用GPU则更适合于高效能运算伺服器。越来越多的云服务提供商正在开发自己的AI ASICs，以满足其需求。市场应预期未来是以异质运算解决方案和高度优化的AI协同处理器为主要方案。

传统的高性能MPU、GPU或FPGA正走向不断演变的异质运算架构。随著技术的进步，处理器可能会经历架构变更，或与不同类型的核心和加速器组合在一起，使得将其与原始命名或分类对齐变得更加困难。另外MCU在联网世界中的嵌入式应用和边缘设备中，逐渐发展内建AI加速器。MCU的每秒操作性能有限，但可优化至高效率、低功耗和低成本。

针对AI和5G需求进一步优化的网络基础设施的先进处理器

AI 和5G服务不断发展，网络的复杂性和规模因此而增加。为了确保网络的可靠性、安全性和性能，专门优化的网络基础设施处理器和协同处理器至关重要。例如，逻辑应用处理器（Logic APs）和现场可编程闸阵列（FPGAs）等协同处理器通常用于加速处理和卸载主机CPU的任务。

2021年，网络基础设施处理器的收入达到145亿美元，同比增长6%。逻辑应用处理器（Logic APs）的年同比增长近8%，主要是由于交换机端口速度升级的强大需求。

在这个市场中，逻辑应用处理器（Logic APs）、微处理器（MPUs）和现场可编程闸阵列（FPGAs）佔据了98%的份额，其中2021年逻辑应用处理器（Logic APs）佔55%，微处理器（MPUs）佔31%，现场可编程闸阵列（FPGAs）佔11%。从长远来看，预计2021年至2026年间，微处理器（MPUs）和逻辑应用处理器（Logic APs）的收入复合年增长率（CAGR）分别为5%和6%；此成长动能来自于不断升级的带宽容量标准。相反的，由于主要用于产品试用和定制化，现场可编程闸阵列（FPGAs）的预期增长率将保持稳定。

机器学习/深度学习应用特定的应用专用集成电路（ASICs）仍处于早期阶段，然而网络设备原始设备制造商(OEM)对採用机器学习/深度学习应用特定的应用专用集成电路（ASICs）以提高网络功能表现出越来越大的兴趣。虽然一些特定的网络设备仍在使用显示卡（GPUs），但Omdia预计显示卡（GPUs）不会在网络设备中被广泛采用。专门为网络功能优化的逻辑应用处理器（APs）、现场可编程闸阵列（FPGAs）或其他处理器可能会取而代之。此外，能耗问题是一个关键问题。

网路基础架构处理器的竞争格局

我们近期发布了关于网路基础架构处理器供应商的竞争格局研究报告。在2022年，Broadcom和Intel的市场份额均为27.5%，意味著它们并列第一。Broadcom的份额因有线网路基础架构的积极增长而增加。AMD由于收购了Xilinx，而8%的市场份额的增长，这将有助于AMD在无线网路基础架构领域扩展。

来自： Omdia