【前言】为什么要写公司深度文章，因为我们面对的投资噪音太多，经常只见树木不见森林，无法了解生意的本来面貌。我们立足于公开信息，客观理性分析，提出深度观点，还原生意本质。
数据中心&AI领域市场规模、主要应用场景及未来增长驱动力
数据中心&AI 是全球 FPGA 芯片的第三大应用市场，占比 15%，作为新兴应用市场，未来将以 18% 的高增速成长。该市场需要的 FPGA 较为高端，目前国内厂商正在加速研发投入，力争生产更先进更高端产品，提升自身竞争力。
数据中心：
全球数据中心负载量急剧提升，FPGA 可实现运算加速、系统管理等功能。数据中心是全球协作的特定设备网络，用来在网络基础设施上传递、加速、展示、计算、存储数据信息。数据量尤其是实时数据的增长，极大地增加了对数据中心服务器计算、处理能力的需求。为了应对复杂多变的应用情景，数据中心服务器和存储器（数据中心的通用基础设备）需要 FPGA 芯片实现逻辑控制、数据转换、功能扩展、系统升级等功能，具体表现为运算加速器、电源管理器、接口控制器等。
FPGA 芯片在数据中心领域主要用于硬件加速，进入门槛高。数据中心使用 FPGA 芯片代替传统的 CPU 方案后，处理其自定义算法时可实现显著的加速效果。因此从 2016 年开始，微软 Azure、亚马逊 AWS、阿里云的服务器上都开始部署 FPGA 加速器用于运算加速。在云计算大面积应用的背景下，未来数据中心对芯片性能的要求将进一步提高，更多数据中心将采纳 FPGA 芯片方案， 这将提高 FPGA 芯片在数据中心芯片中的价值占比。
人工智能：
基于人工神经网络的深度学习，是当前人工智能研究的主要方向，深度学习算法是以数据处理为核心，其包含大量的计算操作，由于计算量庞大，深度学习通常需要使用硬件加速，FPGA 凭借更好的灵活性、更低的开发门槛及更短的开发周期成为优秀的硬件加速器。
人工智能算法的硬件芯片分为云侧处理和端侧处理，云侧处理又分为训练和推断两大任务，训练任务多为单指令多数据流的计算，与 GPU 的架构比较契合，而推断任务通常为单数据多指令流的特点，这要求硬件加速器有低功耗、高性能、低延时等特性，相比 GPU，FPGA 拥有较高的能效比，更适合推断任务。
根据相关论文实验数据，在人工智能具体三个领域中，FPGA在语音识别和自然语言处理领域获得加速效果更明显，在功耗及速度方面优于 CPU 和 GPU，但 FPGA 在图像识别领域峰值速度不及 GPU，仅识别精度略高于后者。
人工智能算法具有两个特点，一是模型迭代速度较快，二是模型处理数据量不断增长，且模型复杂度日益提升，因此对硬件加速的需求不断增强。而 FPGA 由于现场可编程的特性，故十分契合人工智能算法快速迭代的需求。此外针对人工智能算法对硬件加速的需求，GPU 提供的加速设计方案是算法适应硬件结构，即通常需要调整人工智能算法来适应 GPU 的硬件结构、执行模型等，而 FPGA 软硬件一体的形式使得其为人工智能算法提供的加速设计方案是硬件结构适应算法的方案，可以最大限度保留算法的本身特征，且近些年 FPGA 开发环境不断丰富，目前已经允许开发人员利用高级编程语言如 C、C 或者 OpenCL 对 FPGA 进行开发，在很大程度上降低了 FPGA 开发的难度，缩短了 FPGA 开发周期，为用户提供了便利。
总结来看：
FPGA 在数据中心&AI 领域主要应用场景及其原因如下：
高并行低时延处理（加速计算、存储控制、边缘 AI）；
高度灵活的方案（板上功能扩展&桥接）
另外其增长驱动力在于：
数据中心速率升级→高带宽处理需求增长→FPGA 价值量提升；
边缘 AI 场景拓展→低时延推理的需求增长→FPGA 渗透率&价值量提升。
复旦微电FPGA产品应用于数据中心&AI 领域情况
公司 28nm 亿门级 FPGA 芯片适用于人工智能、数据中心等应用；
公司 28nm 嵌入式可编程器件 PSoC 适用于 AI 等应用。
另外公司在研的 1xnm FinFET JFM9-1 系列面向边缘市场等领域，JFM9-2 系列面向数据中心网络和存储加速等市场领域，JFM9-3 系列面向人工智能等市场领域；PSoC 面向现场感知等边缘计算应用场景。
目前公司该领域的客户群体不多，正在逐步拓展。公司新一代 FPGA 平台开发及产业化项目拟新增网络与数据中心等领域客户；智能化可重构 SoC 平台开发及产业化项目拟新增边缘计算等领域客户。
风险提示：本内容仅代表破卷研究的分析、推测与判断，登载于此仅出于传递信息之目的，不作为投资具体标的之依据。投资有风险，入市需谨慎！
版权声明：本内容版权归原创方或原作者所有，如转载使用，请注明来源及作者、文内保留标题原题以及文章内容完整性，并自负版权等法律责任。
$复旦微电(SH688385)$
本文作者可以追加内容哦 !
