答尊敬的投资人，您好！在AIoT领域，芯原用于人工智能的神经网络处理器IP（NPU）业界领先，已被68家客户用于其120余款人工智能芯片中。这些内置芯原 NPU 的芯片主要应用于物联网、可穿戴设备、智慧电视、智慧家居、安防监控、服务器、汽车电子、智能手机、平板电脑、智慧医疗等十余个市场领域。公司的服务水平和质量受到诸多国内外知名客户的认可，具体客户情况请您关注公司公开信息披露。感谢您的关注！
二，请问董秘，贵公司是否具有云端AI训练和推理计算芯片的IP储备？CHIPLET技术趋势会让公司业务在哪些方面受益？非常感谢！
芯原股份：尊敬的投资者您好，GPGPU利用图形处理器进行非图形渲染的高性能计算，具有很好的高强度并行运算能力，非常适用于处理人工智能、专业计算加速等应用。芯原基于其约20年Vivante GPU的研发经验，所推出的Vivante 3D GPGPU IP可提供从低功耗嵌入式设备到高性能服务器的计算能力，以高度可扩展的IP核重新定义了计算市场，以满足广泛的人工智能计算需求。 此外，芯原基于自研的GPU IP和神经网络处理器NPU IP，还推出了创新的AI GPU IP子系统，以应对人工智能不断发展的应用需求。该IP子系统通过将芯原自有的GPU和NPU原生耦合，利用芯原独有的FLEXA低功耗低延迟同步接口通信技术，实现二者的高效协同计算和并行处理。在计算和处理过程中，芯原的AI GPU还可根据不同的应用需求，选择用GPU来加速神经网络计算，或是将神经网络引擎在OpenCL API中作为“自定义设备”来部署，通过OpenCL来加速部分GPU的矩阵计算，从而实现灵活高效的AI计算。 芯原作为大陆排名第一、全球排名前七的半导体IP供应商，拥有丰富的处理器IP核，以及领先的芯片设计能力，加上我们与全球主流的封装测试厂商、芯片制造厂商都建立了长久的合作关系，所以非常适合推出chiplet业务。芯原也是中国大陆首批加入UCIe联盟的企业。我们这几年来一直在致力于Chiplet技术和产业的推进，通过“IP芯片化，IP as a Chiplet”和“芯片平台化，Chiplet as a Platform”，来实现chiplet的产业化。感谢您的关注！
(来自上证e互动)答复时间 2023-05-04 15:09:00
董秘你好，请问贵公司推出了一站式定制VeriHealthTM大健康芯片设计平台，以满足智慧养老、儿童看护、运动监测、病毒防控等多种应用场景，可否举例有哪些与智慧养老或病毒防控相关的开发功能？是否可支持与新冠相关的健康产品开发，例如血氧仪等
答
尊敬的投资者，您好！VeriHealth平台提供的芯片设计方案基于芯原高性能、低功耗的ZSP数字信号处理器IP和超低功耗蓝牙（BLE）IP以及数模混合芯片设计平台，VeriHealth平台构建了机器学习和深度学习的部署框架，配备10余种自主研发的健康和运动生理算法模块, 为客户提供可快速集成以及进行便捷二次方案开发的算法平台，可满足智慧养老、儿童看护、运动监测、病毒防控等多种应用场景。此外，VeriHealth还可提供多种参考应用，目前已完成手环和健康胸贴仪两种形态的智能终端设备方案，以及iPhone、Android手机端和iPad端的App开发。
来自 上证e互动
答复时间 2023-01-30 08:37:00
请问贵公司产品及技术是否应用于数据中心领域？
答
尊敬的投资者您好，公司业务范围覆盖消费电子、汽车电子、计算机及周边、工业、数据处理、物联网等行业应用领域，在数据中心/服务器领域，芯原的视频转码加速解决方案已经获得中国前5名互联网企业中的3家，以及全球前20名云服务提供商中的12家的采用。感谢您的关注！
来自 上证e互动
答复时间 2022-10-14 17:27:01
早在2016年，英伟达就为OpenAI提供大量GPU芯片，然后2023年诞生chatGPT。接着就是Sora的诞生，文生图到文生视频这是一个大跨越，不是一般意义的跨越，是智能系统理解文字的内涵和逻辑，并拥有超强的学习能力和(可能)拥有人类的“直觉”。这是一个超级智能系统。
图形处理再次将GPU推向巅峰。GPU是 2T（to Things）的主要算力承载，GPU占据算力自主可控设计环节的核心位置。大家都在抢购GPU。英伟达也因此赚得盆满钵满。细分的AI芯片领域（包括训练和推理）的市占率，英伟达80%以上。
划重点～GPU定义及AI发展中的重要性
GPU是一种专门用于图形处理的硬件设备，最初是用于游戏、电影和其他图形密集型应用程序的。GPU的基本原理是通过并行处理大量的计算任务，从而提高计算速度和效率。
与CPU不同，GPU可以同时处理数百个线程，每个线程都可以执行不同的计算任务，因此GPU可以在短时间内完成大量的计算任务。GPU对AI发展的重要性有以下几点：
【1】并行计算能力：AI计算通常涉及大量的并行计算，以处理海量的数据。GPU的设计理念是针对大规模并行计算，它拥有数千个处理核心，能够在同一时间内完成比CPU更多的计算工作。
【2】提高计算速度和效率：GPU通过并行处理大量的计算任务，可以大幅提高AI算法的训练和推断速度。例如，深度学习模型中的矩阵运算可以在GPU上迅速完成，从而加速模型的训练和推理过程。
【3】节省时间和成本：在传统的CPU上训练深度学习模型可能需要数周甚至数月的时间，而在GPU上可以在数小时或者数天内完成训练。这不仅节省了时间，还可以降低训练和推断的成本。
【4】支持深度学习算法：深度学习算法需要大量的计算资源，而GPU可以提供这些资源。例如，Google的TPU（Tensor Processing Unit）是一种专门用于深度学习的硬件设备，其基本原理和GPU类似，但提供更高效的计算性能。
【5】更大的存储空间和促进AI技术的发展：GPU的广泛应用促进了AI技术的发展。通过GPU的高速计算能力，开发者可以更快地训练模型、测试算法，从而推动AI领域的新算法、新模型的研发。GPU还可以用于运行这些机器学习训练模型，以便在云端进行分类和预测，从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和量。
总之，GPU作为一种专门用于图形处理和计算的硬件设备，在人工智能领域的发展中发挥着重要的作用。GPU的高速计算能力、节省时间和成本以及支持深度学习算法等特点，使其成为人工智能领域不可或缺的一部分。随着未来GPU技术的不断发展，其计算速度、智能化、节能和普及等方面都将不断提升，为人工智能技术的发展带来更多的可能性。
本文作者可以追加内容哦 !
