一文读懂寒武纪：AI芯片拓荒者的乘风破浪

点击上方蓝色字体，关注我们

6月24日，寒武纪科创板IPO注册生效，这家成立于2016年的初创公司，从IPO申请到过会再到正式注册批文下来，仅仅用时89天。

顶着“AI芯片独角兽”光环的寒武纪，到底有多牛呢？

AI芯片龙头拥抱科创板，募资不到28亿元，为何不及预期？

7月6日晚，寒武纪确定科创板发行价格为64.39元/股，按4010万新股发行数量计算，预计募集资金总额25.82亿元，对应市值257.62亿元，与此前招股书披露的28.01亿元的预计募集资金有一定差距，对比来看，寒武纪在市场询价中并未得到自己预期的价格。

募资不及预期说明市场对这家AI芯片龙头的发展前景仍有争议和质疑，投资者关心的问题包括：公司IP业务的市场拓展情况、美国限制措施对公司的影响、公司何时能够实现净利润转正、人工智能芯片发展前景等。实际上，这些问题的核心质疑点在于公司业务是否能持续发展。

带着这个问题，我们来看看寒武纪的经营质地和发展前景到底怎么样。

Part 1 产品技术篇

2016年3月成立的寒武纪，专注于各类型人工智能芯片产品的开发业务。从公司官网来看，寒武纪目前有四大业务矩阵：终端智能处理器IP、智能加速卡、边缘计算模组和软件开发平台。

从产品矩阵中不难看出，寒武纪具备较高的产品迭代速度和研发能力。四年期间，寒武纪每年都会推出和迭代新产品，相较于其他芯片设计公司以平均约每1-3年的迭代周期推出系列新产品，寒武纪的研发能力表现突出。

（1）终端智能处理器IP

IP 授权在集成电路行业是较为常见的业务模式，众多主流集成电路厂商都会购买IP 授权或对外提供 IP 授权。公司将已完成逻辑设计或物理设计的芯片功能模块，以商业授权的形式交付给客户使用，允许客户将其集成在自己的芯片设计版图中，并通过流片形成最终芯片产品。

IP 授权的收费模式一般分为两部分：一部分是固定费用（license 费用），在 IP 授权时支付一定费用；另一部分是提成费用（royalty 费用），一般是每一片使用其 IP 的芯片实现销售按一定金额或者单价比例收取一定费用。

（2）云端智能芯片及加速卡

云端智能芯片主要以实体芯片或加速卡的形式应用于各类云服务器或数据中心中。公司在完成芯片设计的一系列复杂流程后，将最终的芯片版图交付给台积电进行晶圆代工，然后委托日月光或 Amkor 等厂商完成芯片的封装测试，再由电路板厂商使用芯片生产出加速卡（即包含智能芯片的电路板），最后将加速卡销售给客户，这也是全球各大芯片设计企业常见的运营模式。

（3）边缘智能芯片及加速卡

边缘计算是近年来兴起的一种新型计算范式，在终端和云端之间的设备上配备适度 计算能力，一方面可有效弥补终端设备计算能力不足的劣势，另一方面可缓解云计算场景下数据安全、隐私保护、带宽与延时等潜在问题。边缘计算范式和人工智能技术的结合将推动智能制造、智能零售、智能教育、智能家居、智能电网、智能交通等众多领域的高速发展。

（4）基础系统软件平台

Cambricon Neuware是为云边端全系列智能芯片与处理器产品提供统一的平台级基础系统软件，程序员可实现跨云边端硬件平台的人工智能应用开发，兼具高性能、灵活性和可扩展性的优势，无须繁琐的移植即可让同一人工智能应用程序 便捷高效地运行在公司云边端系列化芯片与处理器产品之上。

总结来看，智能处理器核是公司所有智能芯片产品的基础，其在公司主营业务中实现的功能主要体现在两方面：

一方面是根据智能终端应用需求形成终端智能处理器 IP 产品，通过集成于终端设备的 SoC 芯片当中以 IP 授权的形式获得收入；

另一方面是作为底层核心模块支撑公司所有的云端智能芯片及加速卡、边缘智能芯片及加速卡研发。

智能计算集群系统则是基于寒武纪云端智能芯片及加速卡产品，把整机服务器和公司自研的集群管理软件整合到一起，直接形成计算集群的方式，向最终客户提供一站式服务。

Part 2 商业模式篇

（1）经营模式

集成电路企业的主要经营模式包括IDM（垂直整合制造）、Fabless（无晶圆厂）、Foundry（代工厂）以及封装测试企业（OSAT），集成电路设计行业运营模式主要为其中的IDM模式和Fabless模式。

划重点，寒武纪采用的是Fabless模式 ，即：专注于芯片设计和产品销售两个环节，晶圆制造和封装测试等流程均采用委外合作的方式进行。 

IDM模式：涵盖从芯片设计、晶圆制造到封装测试整个流程，行业发展早期的大部分集成电路企业均采用该模式。该垂直整合制造模式对企业从研发水平、生产管理能力、资金规模到业务量均有很高的要求，目前仅有英特尔、三星、德州仪器等国际集成电路巨头采用这一运营模式。 

Fabless模式：主要专注于芯片设计和产品销售两个环节，晶圆制造和封装测试等流程均采用委外合作的方式进行。Fabless模式无需进行大量固定资产投资，具有灵活性强、研发和技术导向、对市场需求反应迅速等特点，在集成电路行业日益成熟、日趋专业化的背景下，成为目前集成电路设计企业的主要运营模式，英伟达、高通、华为海思等领先集成电路设计企业均采用此模式。

（2）盈利模式

终端智能处理器IP业务按照行业惯例分为license费用和royalty费用两部分收取：（1）授权协议生效后，公司向客户交付终端智能处理器IP并支持客户将其集成至芯片的设计方案和设计版图中，向客户收取license费用；（2）在客户芯片的量产销售阶段，公司依照合同约定按照芯片的销售数量向客户收取royalty费用。

云端智能芯片及加速卡业务收入主要为公司向客户提供云端智能芯片成品或嵌入 式芯片的加速卡所获取的收入。在该模式下，公司芯片生产的业务流程与传统Fabless 芯片设计公司一致。当芯片成品产出后，再交由加速卡加工厂商对芯片进行加工组装， 生产出加速卡产品。

智能计算集群系统业务收入主要为公司根据云计算数据中心行业客户的应用场景 求，使用公司自有的云端智能芯片产品与基础系统软件平台，并为客户定制、集成并 交付智能计算集群整套软硬件系统所获取的收入。

（3）采购模式

终端智能处理器 IP 业务：由于公司不出售实体芯片产品，只出售终端智能处理器IP授权，因此公司主要采购用于芯片研发设计所需的软件工具和硬件平台，包括EDA工具软件、服务器、存储以及网络设备等。

云端智能芯片及加速卡业务：公司负责制定芯片的规格参数、完成芯片设计和验证、提供芯片设计版图，而芯片的生产制造、封装测试、加速卡加工则通过委外 方式完成，因此公司需要向晶圆制造厂采购定制加工生产的晶圆，向封装测试厂采购封装、测试服务，向加工厂商采购加速卡加工服务。

根据招股书披露的情况，公司晶圆主要向台积电采购，芯片 IP 及EDA 工具主要向 Cadence、Synopsys 和 ARM 等采购，封装测试服务主要向日月光、Amkor 和长电科技采购。

智能计算集群系统业务：公司除了需要采购生产加速卡的原材料和委外服务之外，还需要根据客户的定制化要求，采购相应配套的服务器、存储设备及网络设备等，并签订相应的委外加工合同，由委外供应商进行生产。

（4）销售模式

公司一直采取直销模式，直接参与客户的公开招标或商务谈判，达成意向后公司直接与客户签订销售合同。

Part 3 下游客户篇

公司主要客户为芯片设计厂商、服务器厂商及有数据中心建设需求的地方政府。具体参见下表。

2017-2018年华为海思为公司第一大客户，主要是智能终端IP授权业务。2019年华为海思销售金额大幅缩水，其背后的原因是海思选择自研终端智能芯片，未与公司继续合作。（海思多款芯片与本公司产品存在直接竞争）

实际上，英伟达、英特尔、高通、联发科、华为海思等均对智能芯片投入大量资源进行研发或并购，IP 巨头ARM 等的进入也加剧了终端智能处理器 IP 市场的竞争，IP授权业务潜在市场空间进一步受到挤压，公司面临较大的竞争压力。

这也是市场最担心公司业务能否持续发展的核心点：IP芯片竞争激烈，丢失华为大客户后，寒武纪未来如何维护自身护城河？

2019 年公司拓展了云端智能芯片和加速卡、智能计算集群业务和相应的新客户，如服务器厂商、云服务厂商、企业和地方政府等。

云端智能芯片及加速卡业务的销售情况受关联方中科曙光采购金额影响较大，非关联方主要客户包括江苏恒瑞通智能科技有限公司、浪潮电子信息产业股份有限公司及北京金山云网络技术有限公司等。

智能计算集群系统业务收入主要来源于部分地方数据中心、行业企业和科研机构，如与珠海市横琴新区管理委员会商务局、西安沣东仪享科技服务有限公司开展的智能计算集群系统项目。

边缘智能芯片及加速卡产品已与部分客户签署销售合同，同时部分客户处于送样及测试阶段，尚未实现规模化出货。

“万物智联”助力AI芯片加速，未来红利可期

Part 1 行业趋势篇

人工智能是计算机科学的一个分支领域，通过模拟和延展人类及自然智能的功能，拓展机器的能力边界，使其能部分或全面地实现类人的感知（如视觉、语音）、认知功能（如自然语言理解），或获得建模和解决问题的能力（如机器学习等方法）。

照片美颜、图片搜索、语音输入、语音合成、自动翻译甚至购物推荐等大众熟知的功能，都是人工智能在日常生活中的应用，传统产业也可通过引入人工智能技术来大幅提高劳动生产率。

（1）行业背景

从技术角度看，当前主流的人工智能算法通常可分为“训练”和“推理”两个阶段。

训练阶段基于充裕的数据来调整和优化人工智能模型的参数，使模型的准确度达到预期。对于图像识别、语音识别与自然语言处理等领域的复杂问题，为了获得更准确的人工智能模型，训练阶段常常需要处理巨大的数据集、做反复的迭代计算，耗费巨大的运算量。

训练阶段结束以后，人工智能模型已经建立完毕，已可用于推理或预测待处理输入数据对应的输出（例如给定一张图片，识别该图片中的物体），此过程被称为推理阶段。推理阶段对单个任务的计算能力要求不如训练那么大，但是由于训练出来的模型会多次用于推理，因此推理运算的总计算量也相当可观。

人工智能算法与应用必须以计算机硬件作为物理载体方能运转，其效果、效率与核心计算芯片的计算能力密切相关。当前以深度学习为代表的人工智能技术对于底层芯片计算能力的需求一直在飞速增长，其增速已经大幅超过了摩尔定律的速度。

以近年来人工智能领域最受关注的深度学习方法为例，2012年时，深度学习模型AlexNet识别一张ImageNet图片需要花费约7.6×108次基本运算，训练该模型需要完成3.17×1017次基本运算。处理器芯片技术的发展对人工智能行业的发展意义重大，如以1993年出品的Intel CPU奔腾P5芯片来执行这样的图像识别运算，即使处理器流水线效率达到100%的情况下，需要至少10分钟才能完成推理任务，需要近百年才能完成训练任务。而如今在各品牌旗舰手机上只需数百微秒就能执行完成这样的图像识别，还可根据识别结果对图片进行实时编辑和美化，在云计算数据中心只要20分钟就能完成模型的训练任务。

（2）芯片类型

在人工智能数十年的发展历程中，传统芯片曾长期为其提供底层计算能力，包括：CPU、GPU、DSP、FPGA等。它们在设计之初并非面向人工智能领域，但从功能上可以满足人工智能应用的需求，而在芯片架构、性能、能效等方面并不能适应人工智能技术与应用的快速发展。

CPU 主要应用于电脑设备中，作为计算机系统的运算和控制核心，其功能主要是支持计算机的操作系统，并作为通用硬件平台运行广泛而多样化的应用程序。GPU 是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图 形相关运算工作的微处理器。

智能芯片是专门针对人工智能领域设计的芯片，包括通用型智能芯片与专用型智能芯片两种类型。通用型芯片可以支持不同类型、种类智能算法，和 CPU、GPU 类似，具有指令集，而专用型芯片则是针对特定场景乃至特定智能算法的加速芯片，一般不具备指令集或指令集较简单。

与传统芯片相比，由于智能芯片不支持双精度浮点运算、图形渲染类运算、无线通信类信号处理运算，且未包含可重构逻辑单元阵列，从而无法像 CPU 和 GPU 一样支持科学计算任务、无法像 GPU 一样支持图形渲染任务、无法像 DSP 一样支持通信调制解调任务、无法像 FPGA 一样可对硬件架构进行重构。

因此，在通用计算和图形渲染等人工智能以外的其他领域，智能芯片无法替代 CPU、GPU 等传统芯片，存在局限性；在人工智能领域，智能芯片的优势明显，可以替代 CPU、GPU 等传统芯片。

（3）技术趋势

云计算、大数据、5G、IoT 等新兴技术驱动云端智能芯片需求持续增长。

大数据为人工智能提供了信息来源，云计算为人工智能提供了物理载体，5G降低了数据传输和处理的延时性。云计算和人工智能算法关系密切，未来搭载智能芯片的云计算硬件比例将大幅提升，云端智能芯片需求持续增长。

5G 时代，边缘智能芯片需求将迅速增长。

随着5G时代和人工智能的发展，越来越多的数据处理需求必须在边缘侧完成，例如工厂智能控制、智能家居。这些场景往往需要很强的实时性，对延时敏感，并且有很强的数据隐私性要求，相关生产数据不能上传到云端。边缘智能芯片的通用性和计算能力要求与云端相差不大，但对成本控制和功耗则提出了更高的要求。

消费类电子和智能汽车是未来终端智能计算能力的重要载体。

终端智能依托于移动终端、智能家居、无人机、无人驾驶汽车等下游行业和应用的发展。特点在于成本控制、功耗控制，追求性能功耗比，未来待行业成熟后可能会出现人工智能专用芯片。

智能芯片会形成云边端一体化的生态。

“万物互联”时代对数据的搜集、传输和处理提出了一体化需求。各类人工智能应用厂商如能在云、边、端三个领域进行协同开发和部署，将大幅节省开发成本和提升研发效率。从硬件及开发工具角度而言，低效、割裂的软硬件生态最终会被逐步淘汰，人工智能应用生态在云端、边缘端和终端将走向一体化。

未来，单一产品形态的智能芯片企业会受到挑战，而同时具备云、边、端芯片产品和生态开发能力的智能芯片企业会获得更显著的协同优势。

人工智能算法将持续演进。

当前人工智能的主流技术路径是深度学习，但无论是产业界或学术界，都认为深度学习尚存在一些局限性，在机器感知类场景表现优异，但在机器认知类场景表现还有待提高。

未来针对不同的人工智能应用类型和场景， 将会有深度学习之外的新型算法脱颖而出，这就要求智能芯片的架构不能仅仅针 对深度学习设计，也要适应不同类型的算法，同时兼顾能效和灵活性。

Part 2 市场空间篇

全球市场——

终端消费电子市场：据Gartner的预测，2020年人工智能芯片在消费电子终端市场的销售规模将超过25亿美元。

智能驾驶汽车市场：据市场调研机构iiMediaResearch估计，2016年全球智能驾驶汽车市场规模为40.0亿美元，预计至2021年增长至70.3亿美元，复合增长率11.94%，未来人工智能芯片在车载领域具备广阔的市场空间。

云端场景：根据IDC报告显示，云端推理和训练所产生的云端智能芯片市场需求，预计将从2017年的26亿美元增长到2022年的136亿美元，年均复合增长率39.22%。

边缘端场景：根据Gartner预测，未来物联网将约有10%的数据需要在网络边缘进行存储和分析，按照这一比例进行推测，2020年全球边缘计算的市场需求将达到411.40亿美元。根据ABI Research预计，边缘智能芯片市场规模将从2019年的 26亿美元增长到2024年的76亿美元。

综合来看，根据市场调研公司Tractica的研究报告，人工智能芯片的市场规模将由2018年的51亿美元增长到2025年的726亿美元，年均复合增长率将达到46.14%。

国内市场——

终端：根据IDC对中国智能终端市场发展的预测，到2022年，40%的智能终端产 品将拥有人工智能的相关功能。在国内头部智能终端厂商的带领下，人工智能芯 片将成为智能手机等终端的标配，预计人工智能芯片在终端的应用将进入一个全 新的普及阶段，渗透率将逐年提升。

云端：根据IDC数据，2018年中国智能服务器市场规模为13.05 亿美金（约合人民币90亿元），同比增长131%，到2023年将达到43.26亿美金（约 合人民币300亿元），整体市场年均复合增长率将达到27.08%。按照人工智能芯 片占到人工智能服务器成本的30%-35%进行测算，未来中国服务器市场对于人工 智能芯片的需求有望突破100亿元人民币。

边缘端：根据赛迪顾问预测，到2022年中国边缘计算市场规模将达到325.31亿元。

综合而言，根据前瞻产业研究院的预测数据显示，未来几年内，中国人工智能芯片市场规模将保持40%-50%的增长速度，到2024年市场规模将达到785亿元。

Part 3 竞争格局篇

（1）AI芯片产业链

上游：主要是人工智能算法以及芯片设计工具。

人工智能算法：包括视觉算法、语音处理算法、自然语言处理算法以及各类机器学习方法（如深度学习等），研究人工智能算法的机构为斯坦福大学、麻省理工学院、卡耐基梅隆大学等大学以及谷歌、脸书、亚马逊等知名互联网企业。

芯片设计和芯片制造：人工智能芯片行业的核心，我国芯片设计企业在近几年发展较快，在各细分领域涌现出一大批优秀企业。除此之外，一些芯片设计工具厂商、晶圆代工厂商与封装测试厂商也为人工智能芯片行业提供了研发工具和产业支撑。

下游：应用场景主要聚集在云计算与数据中心、边缘计算、消费类电子、智能制造、智能驾驶、智慧金融、智能教育等领域。

（2）业内主要玩家

泛人工智能类芯片领域中的主要企业分为两类：

第一类是国际集成电路设计龙头企业，包括Nvidia、Intel、AMD、Qualcomm、NXP、Broadcom、Xilinx、联发科、华为海思等等，还包括主要以进行IP授权模式经营业务的ARM、Cadence和Synopsys等公司；

第二类是专业人工智能芯片设计公司，以寒武纪、地平线机器人、Graphcore、Wave Computing等为代表。

第一类国际集成电路设计龙头企业一般都经过了多年的技术沉淀和研发积累，在综合技术实力、销售规模、资金实力、人才团队等方面仍占据优势。目前，在泛人工智能类芯片领域，Nvidia GPU产品和Intel CPU产品的市场份额仍占据明显优势。

第二类专业人工智能芯片设计公司普遍成立时间相对较晚，在营收规模、综合技术积累等方面难以与国际集成电路设计龙头企业相提并论，但在人工智能算法和针对人工智能应用场景的专用芯片设计方面有着自身独到的技术优势和一定的研发实力。

（3）寒武纪的市场地位

终端智能处理器IP：寒武纪与ARM相比在此市场具备先发优势，较早在智能手机市场实现了大规模商用。但ARM在集成电路IP市场具备深厚的积累、良好的声誉与客户关系，相对公司具备显著的优势。

云端智能芯片：寒武纪、英伟达、华为海思最新研制的云端芯片产品都已采用7nm等先进工艺，在性能功耗比上较为接近。英伟达在峰值计算能力、基础软件生态、市场份额和认知度上均处于领先地位，而寒武纪、海思、英特尔相关产品仍处于市场开拓期。

边缘端智能芯片：从市场认知度上看，英伟达的边缘计算产品在全球范围内仍处于领先地位，华为海思的相关产品在国内市场已经获得了一定的客户基础，而寒武纪的边缘芯片思元220发布时间较短，仍处于市场开拓期。

智能计算集群领域：其核心内容为智能芯片和智能加速卡，目前市场上的智能计算系统主要有基于英伟达GPU的智能计算集群、华为智能计算集群以及寒武纪智能计算集群。

英伟达不直接建设智能计算集群系统，而是通过提供GPU芯片为浪潮、联想等传统服务器厂商提供人工智能计算能力支撑。英伟达成立时间较早，通过长期技术发展形成的GPU产品和集群架构在智能计算领域获得了广泛的应用。较强的技术储备使得英伟达在智能计算集群领域拥有一定的先发优势。

华为海思开展智能计算集群系统业务的方式是为华为Atlas智能计算集群提供Ascend系列智能芯片和加速卡产品，为华为智能计算集群产品提供计算能力支撑。由于华为和华为海思具有较为完整独立的产品生态链，客户选择采用华为的智能计算集群系统通常意味着服务器、CPU、智能芯片、集群存储和通信设备、系统软件等核心组成部分均选择华为产品。

寒武纪智能计算集群则是以自研的云端智能芯片及加速卡和基础系统软件为核心设计的智能计算集群系统。公司定位于独立的芯片设计公司，可以与更多的服务器厂商、云服务厂商进行合作，商业上开放性和兼容性更强。

“市研率定价”，成立不到五年的寒武纪如何扭亏？

财务数据显示，2017-2019年寒武纪分别亏损3.8亿元、0.4亿元、11.79亿元。招股书显示，亏损的主要原因有两方面，一是公司研发支出较大，产品仍在市场拓展阶段；二是报告期内因员工激励股份支付较大。

需要持续性地投入高昂成本是芯片行业的最大特点。芯思研究院发布数据显示，2019年研发支出前十大半导体公司中，英特尔高达134亿美元的研发支出位列榜首，占总营收的19%，英伟达28亿美元，华为海思24亿美元。根据招股书，寒武纪17-19年研发费用分别为0.3亿元、2.4亿元、5.4亿元，18、19年研发费用已经超过营业收入。

单位：百万元

大额股份支付是拖累业绩的另一大主因。公司成立了艾溪合伙和艾加溪合伙两个股权激励平台，2017-2019年股份支付费用分别为3.6亿元、17.48万元和9.4亿元。

营业收入结构分拆来看，2017-2018年公司营收的主要来源是终端智能处理器IP许可收入，2019年由于丢失华为这一大客户导致该业务收入大幅下滑。同时公司拓展了云端智能芯片及加速卡业务与智能计算集群系统业务，总营收大幅上升。

寒武纪 1A/1H 分别是公司第1、2代IP，主要客户均为华为海思。2017、2018年海思分别发布了对应1A、1H的产品，因此不再继续使用公司产品。

寒武纪 1M 处理器系公司第 3 代 IP，报告期内尚未对外授权。寒武纪 1M 处理器将会是公司 2020 年主推终端智能处理器 IP 产品，目前正在洽谈的潜在客户有 5 家，预计有 3 家或以上客户会在 2020 年签约。由于 IP 授权从导入到大量出货需要一定的周期，2020 年 IP 授权收入预计金额约 1,000 万元。

毛利率情况来看，公司终端智能处理器 IP 业务毛利率分别为 100.00%、99.92%和 99.77%，导致这么高毛利率的主要原因是：研发项目涉及的技术属于前沿科技，公司在该等技术实现产业化应用前已将终端智能处理器 IP 相关研发支出计入当期研发费用。

云端智能芯片及加速卡业务2019年毛利率为 78.23%，主要由于需外购晶圆，委托封装、测试和板卡加工，该等支出均计入主营业务成本。与 Nvidia 相比，公司云端智能芯片及加速卡毛利率水平较高，主要原因为 Nvidia 整体业务中包含消费类显卡、终端 SoC 等毛利率相对较低的产品。

智能计算集群系统2019年毛利率为 58.23%，该类业务需外购配套服务器及硬件设备，采购支出金额较高，该等支出均计入主营业务成本。与浪潮软件、IBM相比公司智能计算集群系统毛利率较高的主要原因是公司智能计算集群系统使用了公司自主研发的云端智能芯片及加速卡、基础系统软件平台。

综合来看，由于公司是初创团队，产品仍在市场拓展阶段，营业收入规模和同类企业 相比较小，而公司资金又大量用于研发投入，且股权激励计提的股份支付金额较大，导致目前仍大幅亏损。

但不容忽视的是，公司正处于高速发展阶段，随着公司业务规模的扩大，公司营收进一步增加，随着公司与新客户的不断合作以及产品的规模出货，公司盈利能力将会逐年提升，利润也将逐步回升。

AI芯片拓荒者依靠什么乘风破浪？

很显然，深厚的技术积淀是寒武纪作为AI芯片龙头的核心优势，也正是投资者所看好的地方。

中科院背景加持，核心团队经验丰富。中科院通过中科算源 间接持有公司 18.24%的股份，是寒武纪的第二大股东，也是公司技术研发的长期合作伙伴。当前国内领先企业联想和龙芯都具有中科院背景，可见公司有望依托中科院进行产品研发升级，未来可期。

公司高层系技术人员出身，经验丰富。寒武纪的创始人兼 CEO 陈天石博士在人工智能和处理器芯片等相关领域从事基础科研工作十余年，主导研发了世界首款深度学习专用处理器原型芯片；重要创立成员陈云霁，曾为国产龙芯研发团队中最年轻的成员，主持研发了国际首个深度学习处理器芯片“寒武纪”；公司首席技术官梁军曾作为主架构师完成了多款高端复杂 SoC 芯片的架构设计，累计量产芯片超亿颗，是从业近 20 年的芯片架构专家。

公司核心团队成员皆是高学历且都具备多年人工智能芯片领域研发和设计经验，足以支撑起公司的技术创新和产品研发。同时在供应链、产品销售等方面也已建立成熟团队，核心骨干均有多年从业经验，核心研发人员 实力强劲。目前公司研发人员 680 名，占总员工的 79.25%，硕士及以上的人员占比超过 60%。

通过多年持续的研发与技术积累，公司已经掌握多项核心技术，能提供云边端一体、 软硬件协同、训练推理融合、具备统一生态的系列化智能芯片产品和平台化基础系统软件，是目前国际上少数几家全面系统掌握了通用型智能芯片及其基础系统软件研发和产品化核心技术的企业之一。

风险因素在哪里？

风险总是与收益并存，从寒武纪基本面分析来看，公司所面临的的不确定性还有很多。

首先，最大的风险点来自公司持续稳定经营和未来发展存在不确定性。由于公司设立时间短，业务结构和商业模式仍处于发展变化中，同时人工智能芯片技术仍处于发展的初期阶段，因此公司未来在产品结构、客户结构、业务结构、商 业模式等方面仍有可能发生较大变化。

智能处理器IP方面，与华为海思合作难以持续及市场竞争加剧可能导致公司面临较大压力。2018 年以来华为海思选择自主研发人工智能芯片并推出多款产品，华为海思未来与本公司在终端、云端、边缘端人工智能芯片产品领域均存在直接竞争。

云端芯片及加速卡则过度依赖关联方中科曙光，市场开拓难度大。2019 年公司云端智能芯片及加速卡销售收入 7,888.24 万元，其中向关联方中科曙光销售加速卡 6,384.43 万元，关联销售占比为 80.94%。同时从市场方面来看，英伟达 V100 目前在市场上占据绝对优势地位，其下一代产品A100和思元290存在直接竞争，同时海思Ascend 910 智能芯片也是竞品之一，公司在客户导入及销售网络等方面均与其他两者有较大差距。

边缘智能芯片及加速卡业务预计 2020 年内可实现规模化出货，相关工作及推广计划也受到产品测试、系统优化、客户推广等工作具体进展的影响。

智能计算集群系统业务在手订单仅为横琴先进智能计算平台（二期）的第二批供货硬件 设备、授权软件，由于受新建机房等相关设施完工时间影响，该订单存在不能按期执行的风险。除该订单以外，公司暂无其他智能 计算集群系统业务在手订单。公司智能计算集群系统业务取决于下游客户对于人工智能算力的需求。如果下游客户对于人工智能数据中心的建设需求趋缓，公司智能计算集群系统业务未来面临着商业化进展障碍及可持续性风险。

其次，供应商集中度较高且部分供应商难以取代。公司采用 Fabless 模式经营，供应商包括 IP 授权厂商、服务器厂商、晶圆制造厂和封装测试厂等。由于集成电路领域专业化分工程度及技术门槛较高，部分供应商的产品具有稀缺性和独占性，如不能与其保持合作关系，公司短时间内难以低成本地切换至新供应商。

此外，持续亏损导致公司在资金状况、研发投入、业务拓展、人才引进、团队稳定等方面可能受到限制或存在负面影响。

从掌握的技术广度来看,寒武纪正在从一个单纯的芯片公司向具备硬件和软件能力的系统型平台公司发展。国内的芯片设计公司能力普遍集中于专门领域的芯片，其应用场景相对垂直，大多无须掌握如此全面的技术栈。国际上具备此类全栈技术能力的公司主要是英伟达、英特尔、谷歌等巨头。从核心技术构成上管中窥豹，可以看出寒武纪正在对标这些国外巨头。

作为一家成立仅四年的年轻公司,挑战科技巨头任重而道远。

END

在看点一下