AI芯片的應(yīng)用落地推動產(chǎn)品多樣化

1、AI 芯片的應(yīng)用落地推動產(chǎn)品多樣化觀點聚焦投資建議過去一年，隨著 AI 在各個行業(yè)的不斷落地，行業(yè)痛點逐漸被發(fā)現(xiàn)， AI 芯片的發(fā)展路徑漸趨明朗。未來五年，我們預(yù)計 AI 芯片市場的規(guī)模有接近 10 倍的增長，2022 年將達到 352 億美元。在訓(xùn)練芯片方面，我們繼續(xù)看好 Nvidia 利用 CUDA+GPU 構(gòu)建的生態(tài)環(huán)境優(yōu)勢， 以 Google TPU 為代表的 xPU 很難撼動其壟斷地位。隨著終端細分場景落地，推斷芯片的發(fā)展出現(xiàn)專業(yè)化趨勢，為現(xiàn)有及初創(chuàng)公司提供巨大發(fā)展空間。我們預(yù)計，推斷芯片市場規(guī)模到 2022 年會超過訓(xùn)練芯片。中國 AI 芯片設(shè)計企業(yè)中，建議關(guān)注海思、展銳，比特大陸

2、，寒武紀，地平線，異構(gòu)智能，云天勵飛，龍加智。產(chǎn)業(yè)鏈上，建議關(guān)注臺積電，及 IP 廠商 Synopsys、Cadence、GUC 等。理由Nvidia 在訓(xùn)練芯片上的壟斷地位短期很難被撼動：過去一年，為維持其訓(xùn)練芯片市場的王者地位，Nvidia 推出 Volta 架構(gòu)以提升GPU 性能，并更新 CUDA 異構(gòu)計算平臺繼續(xù)鞏固其開發(fā)者生態(tài)環(huán)境。一年前，我們擔心的“Google 會影響 NVIDIA 在 AI 芯片的領(lǐng)導(dǎo)地位嗎？”情況并未出現(xiàn)。我們預(yù)計訓(xùn)練芯片市場未來五年將保持 54%增速，到 2022 年達到 172 億美金規(guī)模。推斷芯片開始專業(yè)化分工：在手機芯片方面，蘋果、高通、海思、聯(lián)發(fā)科等

3、芯片公司相繼推出支持 AI 加速功能的新一代芯片，實現(xiàn)產(chǎn)品附加價值的提升。寒武紀等初創(chuàng)公司及 ARM，Cadence 等設(shè)計企業(yè)主要通過 IP 授權(quán)方式為行業(yè)提供附加價值。安防芯片方面， 海思、安霸等傳統(tǒng)視頻解碼芯片廠商也推出了支持 AI 加速的新一代產(chǎn)品，與 Nvidia，Mobileye 的終端推斷芯片形成有力競爭?？春贸鮿?chuàng)企業(yè)在云端推斷和無人駕駛領(lǐng)域的發(fā)展機會：AI 在搜索， 電商，語音交互上的大規(guī)模應(yīng)用，為 AI 云端推斷芯片提供了廣闊的市場。由于各種場景對功耗、響應(yīng)速度等要求不同，硬件針對不同算法需要做特殊優(yōu)化，這也為獨立芯片設(shè)計公司提供了廣闊的發(fā)展前景。自動駕駛 AI 芯片上，雖然

4、 Mobileye、Nvidia 暫時領(lǐng)先，但因真正的全自動駕駛實現(xiàn)起來非常復(fù)雜，存在不同的發(fā)展路徑，對 Tesla 等整車企業(yè)以及初創(chuàng)公司來說都有發(fā)展機會。AI 芯片發(fā)展對產(chǎn)業(yè)鏈的影響：目前 AI 芯片設(shè)計百花齊放的格局， 將使 Synopsys、Cadence 等 IP 授權(quán)商，及 GUC 等 IC 后端設(shè)計商受益。此外，由于 AI 芯片一般采用 10nm 以上先進制程，目前利好代工廠商臺積電。我們也應(yīng)長期關(guān)注中芯國際在先進工藝上的發(fā)展進度。風(fēng)險人工智能落地速度不及預(yù)期。目錄TOC o 1-2 h z u HYPERLINK l _bookmark0 AI 芯片：場景漸趨明朗，呈現(xiàn)專業(yè)化發(fā)

5、展4 HYPERLINK l _bookmark1 新品競相發(fā)布，AI 芯片行業(yè)格局漸趨明朗4 HYPERLINK l _bookmark4 AI 芯片市場規(guī)模：未來五年有接近 10 倍的增長，2022 年將達到 352 億美元5 HYPERLINK l _bookmark9 云端訓(xùn)練芯片：TPU 很難撼動 Nvidia GPU 的壟斷地位7 HYPERLINK l _bookmark16 云端推斷芯片：百家爭鳴，各有千秋10 HYPERLINK l _bookmark22 用于智能手機的邊緣推斷芯片：競爭格局穩(wěn)定，傳統(tǒng)廠商持續(xù)受益13 HYPERLINK l _bookmark28 用于安防

6、邊緣推斷芯片：海思、安霸與 Nvidia、Mobileye 形成有力競爭14 HYPERLINK l _bookmark32 用于自動駕駛的邊緣推斷芯片：一片藍海，新競爭者有望突圍16 HYPERLINK l _bookmark39 主要中國 AI 芯片公司介紹19 HYPERLINK l _bookmark41 海思半導(dǎo)體（Hisilicon）19 HYPERLINK l _bookmark42 清華紫光展銳 （Tsinghua UNISOC）20 HYPERLINK l _bookmark43 GUC（臺灣創(chuàng)意電子，3443 TT）20 HYPERLINK l _bookmark44 寒武

7、紀科技（Cambricon Technologies）20 HYPERLINK l _bookmark45 比特大陸（Bitmain）20 HYPERLINK l _bookmark46 地平線機器人（Horizon Robotics）20 HYPERLINK l _bookmark47 云天勵飛（Intellifusion）20 HYPERLINK l _bookmark48 異構(gòu)智能（NovuMind）21 HYPERLINK l _bookmark49 龍加智（Dinoplus）21圖表 HYPERLINK l _bookmark2 圖表 1: 自 2017 年 5 月以來發(fā)布的 AI

8、芯片一覽4 HYPERLINK l _bookmark3 圖表 2: AI 芯片投資地圖5 HYPERLINK l _bookmark5 圖表 3: AI 芯片市場規(guī)模及競爭格局6 HYPERLINK l _bookmark6 圖表 4: 歷代 Apple 手機芯片成本趨勢7 HYPERLINK l _bookmark7 圖表 5: 自動駕駛算力需求加速芯片升級7 HYPERLINK l _bookmark8 圖表 6: 英飛凌對各自動駕駛等級中半導(dǎo)體價值的預(yù)測7 HYPERLINK l _bookmark10 圖表 7 : AI 芯片工作流程8 HYPERLINK l _bookmark11

9、 圖表 8: 云端訓(xùn)練芯片對比8 HYPERLINK l _bookmark12 圖表 9: Intel 單季度數(shù)據(jù)中心組業(yè)務(wù)收入9 HYPERLINK l _bookmark13 圖表 10: Nvidia 單季度數(shù)據(jù)中心業(yè)務(wù)收入9 HYPERLINK l _bookmark14 圖表 11: Xilinx 單季度通訊&數(shù)據(jù)中心業(yè)務(wù)收入9 HYPERLINK l _bookmark15 圖表 12: AMD 單季度計算&圖形業(yè)務(wù)收入9 HYPERLINK l _bookmark17 圖表 13: 主要云端推斷芯片對比10 HYPERLINK l _bookmark18 圖表 14: 智能音箱

10、通過云端推斷芯片工作11 HYPERLINK l _bookmark19 圖表 15: Nvidia 云端推斷芯片提升語音識別速度11 HYPERLINK l _bookmark20 圖表 16: 推斷芯片助力深度學(xué)習(xí)實現(xiàn)語義識別12 HYPERLINK l _bookmark21 圖表 17: TPU+RankBrain 在推斷正確率上獲得提高12 HYPERLINK l _bookmark23 圖表 18: 手機 AI 芯片對比13 HYPERLINK l _bookmark24 圖表 19: 智能手機 SoC 市占率分析（2017）13 HYPERLINK l _bookmark25 圖

11、表 20: 歷代 Apple 手機芯片成本趨勢13 HYPERLINK l _bookmark26 圖表 21:手機 AI 芯片輔助圖片渲染優(yōu)化14 HYPERLINK l _bookmark27 圖表 22: 手機 AI 芯片輔助 Vivo Jovi 處理復(fù)雜命令14 HYPERLINK l _bookmark29 圖表 23: 視頻結(jié)構(gòu)化數(shù)據(jù)提取實例15 HYPERLINK l _bookmark30 圖表 24: AI 芯片助力結(jié)構(gòu)化分析實現(xiàn)工作效率提升15 HYPERLINK l _bookmark31 圖表 25: 安防 AI 芯片對比15 HYPERLINK l _bookmark

12、33 圖表 26: 自動駕駛推斷芯片+算法實現(xiàn)視頻的像素級語義分割16 HYPERLINK l _bookmark34 圖表 27: 自動駕駛推斷芯片+算法實現(xiàn)自動駕駛避障規(guī)劃17 HYPERLINK l _bookmark35 圖表 28: 自動駕駛算力需求加速芯片升級17 HYPERLINK l _bookmark36 圖表 29: 自動駕駛平臺對比18 HYPERLINK l _bookmark37 圖表 30: 下一代自動駕駛 AI 芯片流片及投產(chǎn)時間預(yù)估18 HYPERLINK l _bookmark38 圖表 31: 各芯片廠商合作方比較18 HYPERLINK l _bookma

13、rk40 圖表 32: 中國大陸主要 AI 芯片設(shè)計公司至少有 20 家19AI 芯片：場景漸趨明朗，呈現(xiàn)專業(yè)化發(fā)展新品競相發(fā)布，AI 芯片行業(yè)格局漸趨明朗AI 芯片設(shè)計是人工智能產(chǎn)業(yè)鏈的重要一環(huán)。自 2017 年 5 月以來，各 AI 芯片廠商的新品競相發(fā)布，經(jīng)過一年多的發(fā)展，各環(huán)節(jié)分工逐漸明顯。AI 芯片的應(yīng)用場景不再局限于云端，部署于智能手機、安防攝像頭、及自動駕駛汽車等終端的各項產(chǎn)品日趨豐富。除了追求性能提升外，AI 芯片也逐漸專注于特殊場景的優(yōu)化。圖表 1: 自 2017 年 5 月以來發(fā)布的 AI 芯片一覽時間企業(yè)產(chǎn)品類型具體內(nèi)容2017年5月Nvidia云端芯片發(fā)布最新GPU V

14、olta 架構(gòu)芯片2017年5月Google云端芯片發(fā)布TPU 2.02017年5月ARM智能手機芯片相關(guān)技術(shù)發(fā)布針對AI優(yōu)化的DynamicIQ芯片架構(gòu)2017年8月Intel安防/無人機芯片推出新的Movidius Myriad X VPU2017年8月百度云端芯片發(fā)布XPU，一款256核基于FPGA的云計算加速芯片2017年9月Intel云端芯片推出自學(xué)習(xí)神經(jīng)元芯片Loihi，采用14nm工藝2017年9月華為海思智能手機芯片發(fā)布人工智能芯片“Kirin 970”2017年10月Apple智能手機芯片發(fā)布iPhone X，首次使用A11 Bionic芯片，搭載神經(jīng)網(wǎng)絡(luò)引擎2017年10月

15、深鑒科技安防芯片相關(guān)技術(shù)發(fā)布人臉識別模組、ARISTOTLE架構(gòu)平臺等2017年11月寒武紀智能手機芯片IP發(fā)布 Cambricon 1H8/1H16/1M芯片2017年11月比特大陸云端芯片發(fā)布全球首款張量加速計算芯片BM1680等2017年12月Qualcomm智能手機芯片發(fā)布Snapdragon 845移動平臺，采用10nm工藝，支持多種深度學(xué)習(xí)框架2017年12月地平線機器人安防/自動駕駛芯片發(fā)布“旭日”和“征程”兩款嵌入式AI芯片，分別面向智能駕駛和智能攝像頭2018年1月Nvidia自動駕駛芯片發(fā)布用于自動駕駛的Jetson Xavier芯片，及車載計算機Drive PX2018年

16、1月異構(gòu)智能云端芯片發(fā)布NovuTensor一代 AI芯片Pegasus，搭載兩塊Xavier SoC，算力完全支持L52018年4月地平線機器人自動駕駛芯片發(fā)布“征程2.0”芯片及MATRIX 1.0自動駕駛計算平臺2018年5月Google云端芯片發(fā)布TPU 3.02018年5月寒武紀云端芯片發(fā)布MLU 100云端智能芯片資料來源：公司網(wǎng)站，中金公司研究部目前，人工智能產(chǎn)業(yè)鏈中，包括提供 AI 加速核的 IP 授權(quán)商，各種 AI 芯片設(shè)計公司，以及晶圓代工企業(yè)。按部署的位臵來分，AI 芯片可以部署在數(shù)據(jù)中心（云端），和手機，安防攝像頭，汽車等終端上。按承擔的任務(wù)來分，可以被分為用于構(gòu)建神經(jīng)

17、網(wǎng)絡(luò)模型的訓(xùn)練芯片，與利用神經(jīng)網(wǎng)絡(luò)模型進行推斷的推斷芯片。訓(xùn)練芯片注重絕對的計算能力，而推斷芯片更注重綜合指標，單位能耗算力、時延、成本等都要考慮。訓(xùn)練芯片受算力約束，一般只在云端部署。推斷芯片按照不同應(yīng)用場景，分為手機邊緣推斷芯片、安防邊緣推斷芯片、自動駕駛邊緣推斷芯片。為方便起見，我們也稱它們?yōu)槭謾C AI 芯片、安防 AI 芯片和汽車 AI 芯片。由于AI 芯片對單位能耗算力要求較高，一般采用14nm/12nm/10nm 等先進工藝生產(chǎn)。臺積電目前和 Nvidia、Xilinx 等多家芯片廠商展開合作，攻堅 7nm AI 芯片。圖表 2: AI 芯片投資地圖IP 授權(quán)Synopsys （S

18、NPS US） Cadence （CNDS US） GUC （3443 TT）ARM （未上市）設(shè)計晶圓代工臺積電（2330 TT）AI 芯片云端邊緣（推斷）訓(xùn)練推斷汽車安防智能手機Intel （INTC US） Nvidia （NVDA US） Xilinx （XLNX US） Google （GOOG US）Intel （INTC US） Nvidia （NVDA US） Xilinx （ XLNX US） Google （ GOOG US）Mobileye （INTC US） Nvidia （NVDA US） NXP （NXPI US）TI （TXN US）海思半導(dǎo)體 （未上市） 安 霸

19、 （AMBA US） Movidius （INTC US） Nvidia （NVDA US）蘋果 （AAPL US） 高通 （QCOM US） 聯(lián)發(fā)科（2454 TT）海思半導(dǎo)體（未上市）Wave Computing （未上市）Cerebras Systems （未上市）STMicro （STM US）地平線機器人（未上市）比特大陸（未上市） 寒武紀科技（未上市）資料來源：中金公司研究部Graphcore （未上市）Groq （未上市）比特大陸（未上市） 寒武紀科技（未上市）Renesas（未上市）地平線機器人（未上市）AI 芯片市場規(guī)模：未來五年有接近 10 倍的增長，2022 年將達到 3

20、52 億美元根據(jù)我們對相關(guān)上市 AI 芯片公司的收入統(tǒng)計，及對 AI 在各場景中滲透率的估算，2017 年 AI 芯片市場規(guī)模已達到 39.1 億美元，具體情況如下：2017 年全球數(shù)據(jù)中心 AI 芯片規(guī)模合計 23.6 億美元，其中云端訓(xùn)練芯片市場規(guī)模 20.2億美元，云端推斷芯片 3.4 億美元。2017 年全球手機 AI 芯片市場規(guī)模 3.7 億美元。2017 年全球安防攝像頭 AI 芯片市場規(guī)模 3.3 億美元。2017 年全球自動駕駛 AI 芯片的市場規(guī)模在 8.5 億美元。圖表 3: AI 芯片市場規(guī)模及競爭格局應(yīng)用場景市場規(guī)模2017（百萬美元） 2022（百萬美元） CAGR

21、(2017-2022)領(lǐng)導(dǎo)者挑戰(zhàn)者云端訓(xùn)練2,01517,21254%NvidiaGoogle/Intel/AMD/初創(chuàng)公司（機會較?。┩茢?437,18684%NvidiaGoogle/Intel/AMD/初創(chuàng)公司（有機會）邊緣智能手機3683,79359%蘋果、三星、海思、高通、聯(lián)發(fā)科、展銳初創(chuàng)公司（IP授權(quán)模式可能有機會）安防3301,82241%海思、安霸、Intel(Movidius)、Nvidia初創(chuàng)公司（機會較?。┢?545,20444%Intel (Mobileye)、Nvidia初創(chuàng)公司（有機會）合計39103521755%資料來源：中金公司研究部Nvidia 在 2017

22、 年時指出，到 2020 年，全球云端訓(xùn)練芯片的市場規(guī)模將達到 110 億美元，而推斷芯片（云端+邊緣）的市場規(guī)模將達到 150 億美元。Intel 在剛剛結(jié)束的 2018 DCI 峰會上，也重申了數(shù)據(jù)業(yè)務(wù)驅(qū)動硬件市場增長的觀點。Intel 將 2022 年與用于數(shù)據(jù)中心執(zhí)行 AI 加速的 FPGA 的 TAM 預(yù)測，由 70 億美元調(diào)高至 80 億美元。而同時我們也注意到：手機 SoC 價格不斷上升、AI 向中端機型滲透都將為行業(yè)創(chuàng)造更廣闊的市場空間。安防芯片受益于現(xiàn)有設(shè)備的智能化升級，芯片需求擴大。自動駕駛方面，針對豐田公司提出的算力需求，我們看到當下芯片算力與 L5 級自動駕駛還有較大差

23、距。英飛凌公司給出了各自動駕駛等級中的半導(dǎo)體價值預(yù)測，可以為我們的 TAM 估算提供參考。結(jié)合以上觀點，及我們對 AI 在各應(yīng)用場景下滲透率的分析，我們預(yù)測：云端訓(xùn)練芯片市場規(guī)模在 2022 年將達到 172 億美元，CAGR54%。云端推斷芯片市場規(guī)模在 2022 年將達到 72 億美元，CAGR84%。用于智能手機的邊緣推斷芯片市場規(guī)模 2022 年將達到 38 億美元，CAGR59%。用于安防攝像頭的邊緣推斷芯片市場規(guī)模 2022 年將達到 18 億美元，CAGR41%。用于自動駕駛汽車的邊緣推斷芯片市場規(guī)模 2022 年將達到 52 億美元，CAGR44%。圖表 4: 歷代 Apple

24、 手機芯片成本趨勢圖表 5: 自動駕駛算力需求加速芯片升級 (Usd)26.927.52220191312 TOPS(GOPS, logscale)15x2300 x0.8 TOPS154 GOPS51 GOPS1.9 GOPS301000002510000201000151001010510Apple A6 (2012) Apple A7 (2013) Apple A8 (2014) Apple A9 (2015) Apple A10 (2016) Apple A11 Bionic(2017)iPhone processor cost資料來源：iHS，中金公司研究部資料來源：Toyota，中

25、金公司研究部圖表 6: 英飛凌對各自動駕駛等級中半導(dǎo)體價值的預(yù)測資料來源：Infineon，中金公司研究部云端訓(xùn)練芯片：TPU 很難撼動 Nvidia GPU 的壟斷地位訓(xùn)練是指通過大量的數(shù)據(jù)樣本，代入神經(jīng)網(wǎng)絡(luò)模型運算并反復(fù)迭代，來獲得各神經(jīng)元“正確”權(quán)重參數(shù)的過程。CPU 由于計算單元少，并行計算能力較弱，不適合直接執(zhí)行訓(xùn)練任務(wù)，因此訓(xùn)練一般采用“CPU+加速芯片”的異構(gòu)計算模式。目前 Nvidia 的 GPU+CUDA 計算平臺是最成熟的 AI 訓(xùn)練方案，除此還有：第三方異構(gòu)計算平臺 OpenCL + AMD GPU 或 OpenCL+Intel/Xilinx 的 FPGA。云計算服務(wù)商自

26、研加速芯片（如 Google 的 TPU）這兩種方案。各芯片廠商基于不同方案，都推出了針對于云端訓(xùn)練的 AI 芯片。圖表 7 : AI 芯片工作流程語音識別計算機視覺自然語言處理AI服務(wù)深度學(xué)習(xí)訓(xùn)練/推理深度學(xué)習(xí)框架(PaaS)CNTK (MSFT), Torch (FB, DeepMind)Tensorflow (Google)異構(gòu)計算平臺CUDA (Nvidia)OpenCL (General)AI加速芯片(IaaS)GPU (Nvidia)GPU (AMD)FPGA (Intel, Xilinx)TPU (Google)資料來源：中金公司研究部處理器名稱Nvidia P100 (Pasc

27、al)Nvidia V100 PCIe (Volta)Google第五代GPU第六代GPUTPU 2.0GoogleTPU 3.0Intel Stratix 10(FPGA)Xilinx VirtexUltrascale+圖表 8: 云端訓(xùn)練芯片對比(FPGA)邏輯核心數(shù)3,584（CUDA 核心）5,120（CUDA 核心）多核心多核心多核心多核心深度學(xué)習(xí)計算能力101204590最高達 10最高達 28緩存4MB L26MB L2NANA1MB L21MB L2內(nèi)存大小16GB16GB16GB32GBNAup to 8GB內(nèi)存帶寬720GB/s900GB/s600GB/sNA最高達 512

28、GB/sNA功耗250W250W約 200-250W約 200W低低資料來源：Intel，Nvidia，Google，Xilinx，中金公司研究部我們認為，從整個云端訓(xùn)練芯片的市場競爭格局來看，目前 Nvidia GPU 的優(yōu)勢暫時明顯。具體情況如下：NvidiaNvidia GPU 在云端訓(xùn)練芯片中占據(jù)領(lǐng)導(dǎo)者地位。GPU 最初只服務(wù)于圖形處理加速，為了使 GPU 能夠更好地用于通用計算，Nvidia 開發(fā)了 CUDA 計算平臺。CUDA 對各種主流學(xué)習(xí)框架的兼容性最好，成為 Nvidia 的核心競爭力之一。目前 Nvidia GPU 已發(fā)展到第六代 Volta 架構(gòu)，5120 個 CUDA

29、核心提供了超 120 TFLOPS 深度學(xué)習(xí)算力，帶寬高達 900GB/s，以其優(yōu)異的性能繼續(xù)在全球領(lǐng)先。Nvidia 來自數(shù)據(jù)中心的收入從 16 財年 4 季度起開始飆升，從 9700 萬美元暴增至 19 財年2 季度的 7.6 億美元，至今仍保持著高于 70%的同比增速，成為訓(xùn)練芯片中絕對的王者。目前，Nvidia V100 GPU 及次新款產(chǎn)品 P100 GPU 在 AWS 云、微軟云、百度云中都被廣泛應(yīng)用。即便是 Google 的一些深度學(xué)習(xí)訓(xùn)練任務(wù)，同樣離不開 Nvidia GPU。Google在 GPU 之外，云端訓(xùn)練的新入競爭者是 TPU。Google 在去年正式發(fā)布了其 TPU

30、 芯片，并在二代產(chǎn)品中開始提供對訓(xùn)練的支持，但比較下來，GPU 仍然擁有最強大的帶寬（900GB/s， 保證數(shù)據(jù)吞吐量）和極高的深度學(xué)習(xí)計算能力（120 TFLOPS vs. TPUv2 45 TFLOPS），在功 耗上也并沒有太大劣勢（TPU 進行訓(xùn)練時，引入浮點數(shù)計算，需要逾 200W 的功耗，遠不及推斷操作節(jié)能）。目前 TPU 只提供按時長付費使用的方式，并不對外直接銷售，市占率暫時也難以和 Nvidia GPU 匹敵。Intel雖然深度學(xué)習(xí)任務(wù)主要由 GPU 承擔，但 CPU 目前仍是云計算芯片的主體。Intel 于 2015 年底年收購全球第二大 FPGA 廠商 Altera 以后，

31、也積極布局 CPU+FPGA 異構(gòu)計算助力 AI， 并持續(xù)優(yōu)化 Xeon CPU 結(jié)構(gòu)。2017 年 Intel 發(fā)布了用于 Xeon 服務(wù)器的，新一代標準化的加速卡，使用戶可以 AI 領(lǐng)域進行定制計算加速。得益于龐大的云計算市場支撐，Intel 數(shù)據(jù)中心組業(yè)務(wù)收入規(guī)模一直位于全球首位，2016-17 年單季保持同比中高個位數(shù)增長。2017年 4 季度起，收入同比增速開始爬坡至 20%左右，但相比 Nvidia 的強勁增長態(tài)勢仍有差距。圖表 9: Intel 單季度數(shù)據(jù)中心組業(yè)務(wù)收入圖表 10: Nvidia 單季度數(shù)據(jù)中心業(yè)務(wù)收入6,0005,0004,0003,0002,0001,000（

32、百萬美元）9%5%10%8%9%8%6%20%23%30%26% 25%20%15%10%5%800700600500400300200100250%（百萬美元）205%193%186%175%109.70%109% 105%83%71%62.50%10.20%-8.90%200%150%100%50%0%00%1Q2016 2Q2016 3Q2016 4Q2016 1Q2017 2Q2017 3Q2017 4Q2017 1Q2018 2Q20180Q3FY16 Q4FY16 Q1FY17 Q2FY17 Q3FY17 Q4FY17 Q1FY18 Q2FY18 Q3FY18 Q4FY18 Q1F

33、Y19 Q2FY19-50%Intel數(shù)據(jù)中心組業(yè)務(wù)收入同比增長（%）Nvidia數(shù)據(jù)中心業(yè)務(wù)收入同比增長（%）資料來源：公司季報，中金公司研究部資料來源：公司季報，中金公司研究部圖表 11: Xilinx 單季度通訊&數(shù)據(jù)中心業(yè)務(wù)收入圖表 12: AMD 單季度計算&圖形業(yè)務(wù)收入 270260250240230220210200（百萬美元）0%11%21%10%6%2%0%-3%-14%-8%25%1,200（百萬美元）100%95%00080%74%64%80060%60%52%60040%28%25%40020%15%11%2000%-14%20%1,15%10%5%0%-5%-10%-

34、15%-20%0-20%Q3FY16 Q4FY16 Q1FY17 Q2FY17 Q3FY17 Q4FY17 Q1FY18 Q2FY18 Q3FY18 Q4FY18Xilinx 數(shù)據(jù)中心及通信業(yè)務(wù)收入同比增長（%)1Q2016 2Q2016 3Q2016 4Q2016 1Q2017 2Q2017 3Q2017 4Q2017 1Q2018 2Q2018AMD 圖形及計算業(yè)務(wù)收入同比增速（%） 資料來源：公司季報，中金公司研究部資料來源：公司季報，中金公司研究部Xilinx：Xilinx 是全球最大 FPGA 廠商，F(xiàn)PGA 用于深度學(xué)習(xí)訓(xùn)練擁有功耗上的優(yōu)勢，但缺點是其編程模型過于復(fù)雜，需要工程師有

35、很強的硬件專業(yè)知識，自 18 財年 2 季度起，受 4G 資本開支下滑影響，通訊及數(shù)據(jù)中心業(yè)務(wù)收入出現(xiàn)同比負增長。AMDAMD 雖未單獨拆分數(shù)據(jù)中心收入，但從其計算和圖像業(yè)務(wù)的收入增長情況來看，GPU 銷量向好。目前 AMD GPU 也開始切入深度學(xué)習(xí)訓(xùn)練任務(wù)，但市場規(guī)模落后于 Nvidia。云端推斷芯片：百家爭鳴，各有千秋推斷是指借助現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型進行運算，利用新的輸入數(shù)據(jù)來一次性獲得正確結(jié)論的過程。推斷過程對響應(yīng)速度一般有較高要求，因此會采用 AI 芯片（搭載訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型）進行加速。相比訓(xùn)練芯片，推斷芯片考慮的因素更加綜合：單位功耗算力，時延，成本等等。初期推斷也采用 GPU

36、進行加速，但由于應(yīng)用場景的特殊性，依據(jù)具體神經(jīng)網(wǎng)絡(luò)算法優(yōu)化會帶來更高的效率，F(xiàn)PGA/ASIC 的表現(xiàn)可能更突出。除了 Nvidia、Google、Xilinx、Altera（Intel） 等傳統(tǒng)芯片大廠涉足云端推斷芯片以外，Wave computing、Groq 等初創(chuàng)公司也加入競爭。中國公司里，寒武紀、比特大陸同樣積極布局云端芯片業(yè)務(wù)。GoogleTPU 1.0NvidiaP40 GPUNvidiaP4 GPUWavecomputingGroqCambriconMLU 100BitmainBM 1680訓(xùn)練計算性能NA12 (FP32)5.5 (FP32)支持訓(xùn)練支持訓(xùn)練支持訓(xùn)練2 (FP

37、16)推斷計算性能90 INT848 INT822 INT8180 INT8400 INT8128 INT8支持推斷片上內(nèi)存24MB11MBNANANANANA功耗75W250W75WNA50W80W25W帶寬34 GB/s350 GB/s192GB/s270GB/sNANA50GB/s圖表 13: 主要云端推斷芯片對比(TFLOPS)(TOPS)資料來源：Intel，Nvidia，Google，Wave computing，Groq，寒武紀科技，比特大陸，中金公司研究部我們認為，云端推斷芯片在未來會呈現(xiàn)百花齊放的態(tài)勢。具體情況如下：Nvidia在云端推斷芯片領(lǐng)域，Nvidia 主打產(chǎn)品為 P

38、40 和 P4，二者均采用 TSMC 16nm 制程。Tesla P4 擁有 2560 個流處理器，每秒可進行 22 萬億次（TOPS）計算（對應(yīng) INT 8）。而性能更強的 Tesla P40 擁有 3840 個流處理器，每秒可進行 47 萬億次（TOPS）計算（對應(yīng) INT 8）。從單位功耗推斷能力來看，P4/P40 雖然有進步，但仍遜于 TPU。GPU 在推斷上的優(yōu)勢是帶寬。GoogleGoogle TPU 1.0 為云端推斷而生，其運算單元對神經(jīng)網(wǎng)絡(luò)中的乘加運算進行了優(yōu)化，并采用整數(shù)運算。TPU 1.0 單位功耗算力在量產(chǎn)云端推端芯片中最強，達 1.2TOPS/Watt，優(yōu)于主流 Nv

39、idia GPU。TPU 2.0 在推斷表現(xiàn)上相比于 1 代并沒有本質(zhì)提升，主要進步是引入對浮點數(shù)運算的支持，及更高的片上內(nèi)存。正如前文所述，支持訓(xùn)練的 TPU 功耗也會變得更高。Wave ComputingWave computing 于 2010 年 12 月成立于加州，目前累計融資 1.2 億美元，是專注于云端深度學(xué)習(xí)訓(xùn)練和推理的初創(chuàng)公司。Wave computing 的一代 DPU 深度學(xué)習(xí)算力達 180 TOPS， 且無需 CPU 來管理工作流。目前公司正與 Broadcomm 合作在開發(fā)二代芯片，將采用 7nm 制程。GroqGroq 是由 Google TPU 初始團隊離職創(chuàng)建的

40、 AI 芯片公司，計劃在 2018 年發(fā)布第一代 AI芯片產(chǎn)品，對標英偉達的 GPU。其算力可達 400 TOPs（INT 8），單位能耗效率表現(xiàn)搶眼。寒武紀科技寒武紀在 2017 年 11 月發(fā)布云端芯片 MLU 100，同時支持訓(xùn)練和推斷，但更側(cè)重于推斷。MLU 100 在 80W 的功耗下就可以達到 128 TOPS（對應(yīng) INT 8）的運算能力。比特大陸比特大陸的計算芯片 BM 1680，集成了深度學(xué)習(xí)算法硬件加速模塊（NPUs），應(yīng)用于云端計算與推理。BM1680 還提供了 4 個獨立的 DDR4 通道，用于高速數(shù)據(jù)緩存讀取，以提高系統(tǒng)的執(zhí)行速度。其典型功耗只有 25W，在單位能耗推

41、斷效率上有一定優(yōu)勢。應(yīng)用場景#1：云端推斷芯片助力智能語音識別云端推斷芯片提升語音識別速度。語音識別是推斷芯片的工作場景之一，如 Amazon 的語音助手 Alexa，其“智能”來自于 AWS 云中的推斷芯片。Alexa 是預(yù)裝在亞馬遜 Echo 內(nèi)的個人虛擬助手，可以接收及相應(yīng)語音命令。通過將語音數(shù)據(jù)上傳到云端，輸入推斷芯片進行計算，再返回結(jié)果至本地來達到與人實現(xiàn)交互的目的。原先云端采用 CPU 進行推斷工作，由于算力低，識別中會有 300-400ms 的延遲，影響用戶體驗。而現(xiàn)今 AWS 云中采用了 Nvidia 的 P40 推斷芯片，結(jié)合 Tensor RT 高性能神經(jīng)網(wǎng)絡(luò)推理引擎（一個

42、 C+ 庫），可以將延遲縮減到 7ms。此外，AI 芯片支持深度學(xué)習(xí)，降低了語音識別錯誤率。目前，借助云端芯片的良好推斷能力，百度語音助手的語音識別準確度已達到 97%之高。圖表 14: 智能音箱通過云端推斷芯片工作圖表 15: Nvidia 云端推斷芯片提升語音識別速度 資料來源：Amazon，中金公司研究部資料來源：Nvidia，中金公司研究部應(yīng)用場景#2：推斷芯片應(yīng)用于智能搜索RankBrain 是 Google 眾多搜索算法的一部分，它是一套計算機程序，能把知識庫中上十億個頁面進行排序，然后找到與特定查詢最相關(guān)的結(jié)果。目前，Google 每天要處理 30 億條搜索，而其中 15%的詞語

43、是 Google 沒有見過的。RankBrain 可以觀察到看似無關(guān)復(fù)雜搜索之間的模式，并理解它們實際上是如何彼此關(guān)聯(lián)的，實現(xiàn)了對輸入的語義理解。這種能力離不開 Google 云端推斷芯片 TPU 的輔助。先前，在沒有深度學(xué)習(xí)情況下，單純依靠 PageRanking 及 InvertedIndex，Google 也能實現(xiàn)一定程度的對搜索詞條排序的優(yōu)化，但準確率不夠。TPU 利用 RankBrain 中的深度學(xué)習(xí)模型，在 80%的情況下計算出的臵頂詞條，均是人們最想要的結(jié)果。圖表 16: 推斷芯片助力深度學(xué)習(xí)實現(xiàn)語義識別圖表 17: TPU+RankBrain 在推斷正確率上獲得提高傳統(tǒng)服務(wù)器T

44、PU+RankBrain處理陌生語句逐詞分開搜索語義理解推斷搜索臵頂詞條正確率70%或者更低80%資料來源：Google，中金公司研究部資料來源：Google，中金公司研究部用于智能手機的邊緣推斷芯片：競爭格局穩(wěn)定，傳統(tǒng)廠商持續(xù)受益手機芯片市場目前包括（1）蘋果，三星，華為這類采用芯片+整機垂直商業(yè)模式的廠商， 以及（2）高通，聯(lián)發(fā)科，展銳等獨立芯片供應(yīng)商和（3）ARM，Synopsys、Cadence 等向芯片企業(yè)提供獨立 IP 授權(quán)的供應(yīng)商。采用垂直商業(yè)模式廠商的芯片不對外發(fā)售，只服務(wù)于自身品牌的整機，性能針對自身軟件做出了特殊優(yōu)化，靠效率取勝。獨立芯片供應(yīng)商以相對更強的性能指標，來獲得剩

45、余廠商的市場份額。從 2017 年開始，蘋果，華為海思，高通，聯(lián)發(fā)科等主要芯片廠商相繼發(fā)布支持 AI 加速功能的新一代芯片（如下圖），AI 芯片逐漸向中端產(chǎn)品滲透。由于手機空間有限，獨立的 AI 芯片很難被手機廠采用。在 AI 加速芯片設(shè)計能力上有先發(fā)優(yōu)勢的企業(yè)（如寒武紀）一般通過 IP 授權(quán)的方式切入。圖表 18: 手機 AI 芯片對比SoC 供應(yīng)商AppleHuawei HisiliconSamsungQualcommMediaTek芯片名稱A11 BionicKirin 970Exynos 9810Snapdragon 845Helios P60CPU2x Monsoon+4x Mist

46、ral4x Cortex A73 + 4x Cortex A534x M3 (Cortex A75)+ 4x Cortex-A554x Kyro 385 Gold+ 4x Kyro 385 Silver4x Cortex A73+ 4x Cortex A53GPUApple designed 3-core GPUARM Mali-G72 MP12ARM Mali-G72MP12Adreno 630ARM Mali-G72MP12AI處理器Apple designed 2-core neural engineNPUVPUHexagon 685 DSP2 x 140GMACs內(nèi)存LPDDR 4xL

47、PDDR4LPDDR4xLPDDR4xLPDDR3 LPDDR4xISP/攝像頭Apple ISP for faster auto- focusin low-lightDual 14-bit ISPDual-ISPDual 14-bit Spectra 280 ISP1x 32MP or 2x 16MP1x 32MP or 2x20+16MP集成通訊模塊NAKirin 970 Integrated LTE (Category 18/13)Custom Cat.18 LTE modemSnapdragon X20 LTE (Category 18/13)Category 7/13制造工藝TSMC

48、 10nm FinFETTSMC 10nm FinFET10nm FinFET10nm LPPTSMC 12nm FinFET資料來源：Intel，Nvidia，Google，中金公司研究部對這些廠商來說，我們認為 AI 化的主要作用是提升芯片附加價值與產(chǎn)品單價。根據(jù) IHS 的數(shù)據(jù)，隨著硬件性能的增強及針對于 AI 的運算結(jié)構(gòu)不斷滲透，蘋果 A11 芯片的成本已達到 27.5 美元。芯片成本持續(xù)上漲有望帶動垂直模式廠商整機售價走高，在出貨量相同的情況下為現(xiàn)有芯片廠商貢獻更多的營業(yè)收入。高通、聯(lián)發(fā)科、展銳等獨立芯片供應(yīng)商則會受益于芯片本身 ASP 的提升。圖表 19: 智能手機 SoC 市占率

49、分析（2017）圖表 20: 歷代 Apple 手機芯片成本趨勢 5%1%6%8%(Usd)26.927.5222019133018%41%25Qualcomm20AppleMediaTek15SamsungHisilicon10Spreadtrum5Others0Apple A6 (2012) Apple A7 (2013) Apple A8 (2014) Apple A9 (2015) Apple A10 (2016) Apple A11 Bionic(2017)21%iPhone processor cost 資料來源：CounterPoint，中金公司研究部資料來源：iHS, 中金公司

50、研究部應(yīng)用場景#1：推斷芯片為 AI 拍照技術(shù)提供硬件支持智能手機通過 AI 算法+終端推斷芯片，可實現(xiàn)對于現(xiàn)實世界圖像的智能識別，并在此基礎(chǔ)上進行實時優(yōu)化：1）從整個場景識別，到特殊優(yōu)化過程中，推斷芯片為算法運行提供硬件支持。2）手機推斷芯片中 GPU、NPU 等單元的協(xié)同工作，實現(xiàn)了對邊緣虛化更準確的處理，使小尺寸感光元件的手機獲得“單反”級的景深效果，增加相片的層次感。3） 人臉結(jié)構(gòu)的識別也離不開邊緣推斷芯片，芯片性能的提升直接導(dǎo)致了 AI 美顏、3D 光效等特殊效果變得更加自然。如果缺少終端芯片的支持，一旦運行高負載的 AI 任務(wù)手機就需要呼喚云端。而云端的相應(yīng)速度不夠，導(dǎo)致 AI 攝

51、影的識別率和準確率下降，用戶體驗將大打折扣。應(yīng)用場景#2：推斷芯片助力語音助手處理復(fù)雜命令從“聽清”到“聽懂”，自然語言理解能力提升與推斷芯片硬件的支持分不開：多麥克風(fēng)方案的普及解決了“聽清”的問題，而到“聽懂”的跨越中自然語言理解能力是關(guān)鍵。這不僅對云端訓(xùn)練好的模型質(zhì)量有很高要求，也必須用到推斷芯片大量的計算。隨著對話式 AI 算法的發(fā)展，手機 AI 芯片性能的提升，語音助手在識別語音模式、分辨模糊語音、剔除環(huán)境噪聲干擾等方面能力得到了優(yōu)化，可以接受理解更加復(fù)雜的語音命令。3D人像打光分級曝光逆光也清晰雙攝+AI背景虛化AI智慧美顏圖表 21:手機 AI 芯片輔助圖片渲染優(yōu)化圖表 22: 手

52、機 AI 芯片輔助 Vivo Jovi 處理復(fù)雜命令資料來源：OPPO，中金公司研究部資料來源：Vivo，中金公司研究部用于安防邊緣推斷芯片：海思、安霸與 Nvidia、Mobileye 形成有力競爭視頻監(jiān)控行業(yè)在過去十幾年主要經(jīng)歷了“高清化”、“網(wǎng)絡(luò)化”的兩次換代，而隨著 2016 年以來 AI 在視頻分析領(lǐng)域的突破，目前視頻監(jiān)控行業(yè)正處于第三次重要升級周期“智能化”的開始階段。前端攝像頭裝備終端推斷芯片，可以實時對視頻數(shù)據(jù)進行結(jié)構(gòu)化處理，“云+邊緣”的邊緣計算解決方案逐漸滲透。我們預(yù)計，應(yīng)用安防攝像頭的推斷芯片市場規(guī)模，將從 2017 年的 3.3 億美元，增長至 2022 年的 18 億

53、美元，CAGR41%。應(yīng)用場景：安防邊緣推斷芯片實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)提取，減輕云端壓力即便采用 H.265 編碼，目前每日從攝像機傳輸?shù)皆贫说臄?shù)據(jù)也在 20G 左右，不僅給存儲造成了很大的壓力，也增加了數(shù)據(jù)的傳輸時間。邊緣推斷芯片在安防端的主要應(yīng)用，基于將視頻流在本地轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)。這樣既節(jié)省云端存儲空間，也提升系統(tǒng)工作效率?！耙曨l結(jié)構(gòu)化”，簡言之即從視頻中結(jié)構(gòu)化提取關(guān)鍵目標，包括車輛、人及其特征等。雖然這種對數(shù)據(jù)的有效壓縮要通過算法實現(xiàn)，但硬件的支持不可或缺。根據(jù)?？低曁峁┑陌咐?，我們可以看到，由邊緣推斷芯片支持的結(jié)構(gòu)化分析，可以使原本長達一個月的檢索時長縮減到 5 秒內(nèi)，大幅降低了公安部門的

54、工作強度及難度。圖表 23: 視頻結(jié)構(gòu)化數(shù)據(jù)提取實例圖表 24: AI 芯片助力結(jié)構(gòu)化分析實現(xiàn)工作效率提升 人工分析海康結(jié)構(gòu)化分析監(jiān)控點數(shù)量500視頻時長250小時檢索時長30天5秒內(nèi)視頻中人流量50萬人嘗試使用人海戰(zhàn)術(shù)進行查看優(yōu)劣耗時久，易疲憊，可能遺漏關(guān)鍵信息分析速度快，效率高節(jié)省公安干警辦案時間其他案例剖析2012年，南京“1.6”周XX搶劫案監(jiān)控點：1萬多個視頻：2000T視頻查閱人員：1500多名公安干警耗時：1個多月資料來源：明景科技，中金公司研究部資料來源：?？低?，中金公司研究部傳統(tǒng)視頻解碼芯片廠商積極布局 AI 升級。華為海思、安霸（Ambarella）都在近一年內(nèi)推出了支持

55、 AI 的安防邊緣推斷芯片。海思的 HI3559A 配備了雙核神經(jīng)網(wǎng)絡(luò)加速引擎，并成 為第一款支持 8k 視頻的芯片；安霸也通過集成 Cvflows 張量處理器到最新的 CV2S 芯片中， 以實現(xiàn)對 CNN/DNN 算法的支持。打入視頻監(jiān)控解決方案龍頭海康威視，實現(xiàn)前裝的 Nvidia，Movidius 同樣不甘示弱，Movidius 發(fā)布的最新產(chǎn)品 Myriad X 搭載神經(jīng)計算引擎，在 2W 的功耗下可實現(xiàn) 1TOPS 的算力。Nvidia TX2 是TX1 的升級產(chǎn)品，算力更強，達到 1.5TFLOPS， 存儲能力也有提升。圖表 25: 安防 AI 芯片對比供應(yīng)商名稱華為海思Movidi

56、usNvidia安霸芯片型號HI3559AMyriad XJetson TX2CV2S發(fā)布時間2017/102017/082017/032018/05處理器2x A73 CPU、2x A53 CPU+ Mali G71 GPU+4x DSP+2x NNIE神經(jīng)網(wǎng)絡(luò)加速引擎神經(jīng)計算引擎（NCE）+ 16x 128-bit 流式混合架構(gòu)向量引擎2x Denver 2 CPU+ 4x A57 CPU,Pascal 64-bit GPU4x 64-bit A53 CPU+集成Cvflow張量處理器專門處理CNN/DNN算法運算能力0.6 TOPS1 TOPS1.5 TFLOPSNA功耗NA2W7.5W

57、NA特點提供8K30/4K120 的數(shù)字視頻錄制支持H.265編碼輸出或4K30 RAW視頻輸出支持多路4K sensor輸入多路ISP圖像處理內(nèi)臵雙目深度檢測單元支持4K60編解碼16路MIPI通道最多支持連接8個高清攝像機提供4K60編解碼支持12路CSI通道 最多支持6個攝像機支持4K60編解碼8路MIPI通道資料來源： 海思半導(dǎo)體，Movidius，Nvidia，安霸，中金公司研究部我們認為，目前整個安防 AI 芯片市場競爭格局穩(wěn)定，現(xiàn)有廠商憑借與下游客戶長期的合作，有望繼續(xù)受益于安防智能化的升級，屬于新進入者的市場空間有限。安防 AI 芯片下游客戶穩(wěn)定，為?？低?、大華股份等視頻監(jiān)控

58、解決方案提供商?？蛻襞c傳統(tǒng)視頻解碼芯片廠商的長期合作具有粘性，同樣推出新產(chǎn)品，初創(chuàng)公司的競爭優(yōu)勢弱一些，尤其是在安防 AI 芯片性能差異化很難做到很大的情況下。用于自動駕駛的邊緣推斷芯片：一片藍海，新競爭者有望突圍除了智能手機，安防外，自動駕駛汽車也是人工智能的落地場景之一。車用半導(dǎo)體強大需求已經(jīng)使供給端產(chǎn)能開始吃緊，而用于自動駕駛的推斷芯片需求，同樣有望在未來 5年內(nèi)實現(xiàn)高速增長。我們預(yù)計，其市場規(guī)模將從 2017 年的 8.5 億美元，增長至 2022 年的 52 億美元，CAGR44%。若想使車輛實現(xiàn)真正的自動駕駛，要經(jīng)歷在感知-建模-決策三個階段，每個階段都離不 開終端推斷芯片的計算。

59、應(yīng)用場景#1：自動駕駛芯片助力環(huán)境感知在車輛感知周圍環(huán)境的過程中，融合各路傳感器的數(shù)據(jù)并進行分析是一項艱巨的工作， 推斷芯片在其中起到了關(guān)鍵性作用。我們首先要對各路獲得的“圖像”數(shù)據(jù)進行分類， 在此基礎(chǔ)之上，以包圍盒的（bounding box）形式辨別出圖像中的目標具體在什么位臵。但這并不能滿足需求：車輛必須要辨別目標到底是其他車輛，是標志物，是信號燈，還是人等等，因為不同目標的行為方式各異，其位臵、狀態(tài)變化，會影響到車輛最終的決策，因而我們要對圖像進行語義分割（segmantation，自動駕駛的核心算法技術(shù)）。語義分割的快慢和推斷芯片計算能力直接相關(guān)，時延大的芯片很顯然存在安全隱患，不符

60、合自動駕駛的要求。圖表 26: 自動駕駛推斷芯片+算法實現(xiàn)視頻的像素級語義分割資料來源：地平線機器人，中金公司研究部應(yīng)用場景#2：自動駕駛芯片助力避障規(guī)劃避障規(guī)劃是車輛主要探測障礙物，并對障礙物的移動軌跡跟蹤（Moving object detection and tracking，即 MODAT）做出下一步可能位臵的推算，最終繪制出一幅含有現(xiàn)存、及潛在風(fēng)險障礙物地圖的行為。出于安全的要求，這個風(fēng)險提示的時延應(yīng)該被控制在 50ms級。隨著車速越來越快，無人車可行駛的路況越來越復(fù)雜，該數(shù)值在未來需要進一步縮短，對算法效率及推斷芯片的算力都是極大的挑戰(zhàn)。例如，在復(fù)雜的城區(qū)路況下，所需算力可能超過