安防IPC仍然以采用英伟达Jetson系列GPU为主，德州仪器TI深度学习模型中对各层（Layer）的常见的操作

德州仪器TI安防IPC仍然以采用英伟达Jetson系列GPU为主，例如海康采用了英伟达JetsonTX1，大华睿智系列人脸网络摄像机采用的是英伟达TeslaP4GPU。另外国内三大安防厂商也在陆续采用ASIC芯片，例如海康、大华、宇视在前端智能化摄像机中采用Movidious的Myriad系列芯片，大华自研AI芯片用于新款睿智人脸摄像机。智能驾驶L3级别以上自动驾驶芯片以英伟达Drive平台为主（包括Xavier和Orin两款SoC）；华为将昇腾310用于自动驾驶域控制器MDC上，2020年已经通过车规级认证；英特尔Mobileye的EyeQ4-5被用在L3-5智能驾驶。但是目前整车厂和Tier1实际采用得最多仍然是以英伟达GPU为主。（在低级别的L1-L2辅助驾驶上，采用的是NXP、瑞萨等厂商的MCU芯片，不涉及深度学习。智能音箱目前智能音箱的语音语义识别均在云端完成推理计算，终端上没有AI专用处理单元。AI芯片四大技术路线由于AIGC、类GPT应用有鲶鱼效应，带来约百倍算力需求。而英伟达等供给解决需求有瓶颈，因此国产AI芯片有逻辑上需求弹性，AI服务器也有空间。根据IDC数据，2021年全球AI服务器市场规模为156亿美元,预计到2025年全球AI服务器市场将达到318亿美元，预计21-25年CAGR仅仅19.5%。AI服务器的增长和规模总额恐怕无法满足类GPT类应用的百倍需求（例如生产地域、供应商产能、工人等限制），因此AI芯片可能会大量爆发，其次是AI服务器。近期的行业领袖创业潮，会加速这种趋势。2012-2014年AI创业潮，造就2015-2017年AI机会。2022H2-2023新一轮AI大模型创业潮。目前AI芯片主要玩家应对英伟达塑造的AI生态壁垒，选取了不同的商业策略：1）英伟达AI芯片依然是AI训练和推理最佳选择；2）寒武纪在走英伟达的路线；3）AMD在走部分兼容CUDA的路线；4）谷歌、华为、百度走的是“深度学习框架+AI芯片”自研路线，英伟达：通用芯片GPU，英伟达目前在深度学习训练芯片市场占据绝对垄断地位，CUDA及cuDNN、TensorRT等一系列专为深度学习打造的软件工具链CUDA是实现CPU和GPU分工的编程工具；cuDNN针对深度学习训练，将深度学习模型中对各层（Layer）的常见的操作（例如卷积convolution、池化pooling）以方便理解和使用的接口暴露给开发人员，从而使得开发人员可以快速搭建training的库；TensorRT针对推理环节，帮助模型自动减值和优化；由于开发者对于这些工具已经非常熟悉，由于学习成本的存在不会轻易迁移。