VPU（Vision Processing Unit）視覺處理單元
⚡ 3 秒 · 快速認知
VPU = Vision Processing Unit，視覺處理單元
專為影像識別、影片分析、計算機視覺任務設計的邊緣 AI 晶片，主打 低功耗 + 高能效，常見於攝像頭、無人機、機器人等端側裝置。
關鍵詞：邊緣推論 · 視覺專用 · 瓦級功耗 · TOPS/W 高效
📖 3 分鐘 · 理解全景
為什麼需要 VPU？
| 對比維度 | CPU | GPU | VPU |
|---|---|---|---|
| 設計目標 | 通用計算 | 平行計算 | 視覺/推論專用 |
| 功耗 | 中-高 | 高（數十瓦） | 極低（0.5-5W） |
| 推論效率 | 低 | 高（雲端端） | 高（邊緣） |
| 典型場景 | 通用任務 | 訓練/伺服器 | 攝像頭/無人機/機器人 |
核心價值：在功耗嚴格受限的端側裝置上，實現即時視覺推論。
主要應用場景
┌─────────────────────────────────────────────────────────────┐
│ 安防監控 無人機 智慧駕駛（端側） │
│ 邊緣人臉/物體檢測 即時避障 車載感知前端 │
│ │
│ 機器人 AR/VR IoT 裝置 │
│ SLAM/導航 空間計算 本地智慧分析 │
└─────────────────────────────────────────────────────────────┘市場速覽（2024 年口徑）
- 全球邊緣 AI 晶片市場：約 80-100 億美元（含 VPU、NPU、邊緣 GPU 等，Frost & Sullivan 2024 報告估算）
- VPU 細分佔比：公開資料未見權威拆分資料，行業估算約佔邊緣 AI 晶片 8-15%
- 核心驅動力：邊緣 AI 需求爆發、隱私合規（資料本地化）、端側大型模型趨勢
🔬 15 分鐘 · 專家深入
一、技術原理
1.1 架構核心設計思想
VPU 與通用處理器的本質區別在於 “為視覺而生” 的架構最佳化：
┌────────────────────────────────────────────────────────────────┐
│ VPU 架構示意 │
├────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────────────────────────────────┐ │
│ │ 視覺前端 │ │ 神經網路加速陣列 │ │
│ │ ISP 單元 │──▶│ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ │ │
│ │ 影像預處理│ │ │ MAC │ │ MAC │ │ MAC │ │ MAC │ │ │
│ └──────────┘ │ │ 陣列│ │ 陣列│ │ 陣列│ │ 陣列│ │ │
│ │ └─────┘ └─────┘ └─────┘ └─────┘ │ │
│ ┌──────────┐ └──────────────────────────────────────┘ │
│ │ 專用 │ │
│ │ 儲存層級 │ ┌──────────────────────────────────────┐ │
│ │ SRAM池 │──▶│ 可程式設計控制邏輯 │ │
│ └──────────┘ │ 任務排程 / 資料流編排 │ │
│ └──────────────────────────────────────┘ │
└────────────────────────────────────────────────────────────────┘1.2 關鍵技術特性
| 技術維度 | 說明 |
|---|---|
| MAC 陣列 | 大規模乘累加單元，專為卷積/矩陣運算最佳化，INT8/INT4 量化支援 |
| 片上 SRAM | 大容量片上儲存（數百 KB - 數 MB），減少外部 DRAM 訪問，降低延遲和功耗 |
| 資料流架構 | 區別於馮·諾依曼架構，資料在處理單元間流動，減少資料搬運開銷 |
| 視覺 ISP 整合 | 部分 VPU 整合影像訊號處理器，支援 RAW 影像直接輸入推論 |
| 可程式設計性 | 支援主流架構（TensorFlow、ONNX、PyTorch）模型部署，具備一定靈活性 |
1.3 效能指標體系
核心評估指標：
- TOPS（Tera Operations Per Second）：算力峰值，VPU 通常在 1-30 TOPS 區間
- TOPS/W（能效比）：每瓦算力，VPU 的核心競爭力，通常 2-15 TOPS/W
- 推論延遲（ms）：端側即時性要求，典型目標 <50ms
- 支援模型規模：引數量上限，VPU 通常支援 1M-500M 引數模型
注：以上資料為行業典型區間，具體因廠商和型號而異（2024 年口徑）
1.4 與 NPU 的邊界模糊化
當前產業趨勢下，VPU 與 NPU（神經網路處理器）的邊界日趨模糊：
- 純 VPU：更強調視覺前端整合（ISP + 推論一體）
- NPU：更通用的神經網路加速器，不限於視覺任務
- 融合趨勢：主流廠商多將兩者融合，如高通 Hexagon、聯發科 APU
嚴格意義上的”純 VPU”廠商正在減少，更多是 “視覺增強型 NPU” 形態。
二、產業鏈全景
2.1 產業鏈圖譜
┌─────────────────────────────────────────────────────────────────────────┐
│ VPU 產業鏈全景 │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ 【上游：設計與製造】 │
│ ├── EDA 工具：Synopsys / Cadence / 華大九天 │
│ ├── IP 核：ARM / Synopsys / Imagination │
│ ├── 晶片設計：Intel / Hailo / 地平線 / 愛芯元智 │
│ └── 晶圓代工：台積電 / 三星 / 中芯國際 │
│ └── 製程：主流 7nm/12nm/16nm，部分高階 5nm │
│ │
│ 【中游：產品與整合】 │
│ ├── 模組廠商：演算法 + 晶片封裝整合 │
│ ├── 開發平台：SDK / 工具鏈 / 模型最佳化器 │
│ └── 系統整合：嵌入式方案商 │
│ │
│ 【下游：終端應用】 │
│ ├── 安防監控：海康威視 / 大華 / 宇視 │
│ ├── 智慧駕駛：Mobileye / 蔚來 / 理想 │
│ ├── 無人機：DJI / 道通 │
│ ├── 機器人：科沃斯 / 優必選 / 特斯拉 Optimus │
│ ├── 消費電子：手機 / AR 眼鏡 / 智慧攝像頭 │
│ └── 工業視覺：缺陷檢測 / 讀碼器 │
│ │
└─────────────────────────────────────────────────────────────────────────┘2.2 產業鏈關鍵環節分析
| 環節 | 壁壘 | 競爭格局 | 中國自主化程度 |
|---|---|---|---|
| EDA 工具 | 極高 | Synopsys/Cadence 寡頭 | 華大九天部分覆蓋，約 10-15% |
| IP 核 | 高 | ARM 主導 | 部分國產替代進行中 |
| 晶片設計 | 中-高 | 碎片化，場景驅動 | 較強，多家企業版面配置 |
| 晶圓代工 | 極高 | 台積電主導 | 中芯國際 14nm/28nm 可用 |
| 模組整合 | 中 | 分散 | 強，產業鏈完整 |
三、代表公司
3.1 國際公司
| 公司 | 代表產品 | 技術特點 | 市場地位 |
|---|---|---|---|
| Intel (Movidius) | Myriad X / Myriad 2 | 資料流架構，1 TOPS（X），超低功耗 | 先驅者，2016 年收購，應用廣泛 |
| Hailo | Hailo-8 / Hailo-15 | 26 TOPS（H8），結構化資料流 | 以色列創企，2024 年估值約 24 億美元 |
| Qualcomm | Hexagon DSP/NPU | 集成於驍龍 SoC，異構計算 | 手機端主導，車載擴充套件中 |
| MediaTek | APU（聯發科） | 集成於天璣 SoC | 中端手機市場份額領先 |
| Edge TPU | ASIC 設計，8 TOPS（INT8） | 生態繫結 Coral 平台 | |
| Syntiant | NDP120 | 毫瓦級功耗，聽覺+視覺融合 | 超低功耗細分賽道 |
注：Google Edge TPU 嚴格分類為 ASIC，非傳統 VPU；此處列為視覺邊緣 AI 晶片參考
3.2 中國公司
| 公司 | 代表產品 | 技術特點 | 最新進展（截至 2024） |
|---|---|---|---|
| 地平線 | 征程 5/6 | 自研 BPU 架構，征程 5 達 128 TOPS | 2024 年港股上市（9660.HK），大眾戰略投資 |
| 愛芯元智 | AX620A/AX650 | NPU+ISP 整合，能效比優異 | 安防市場快速增長 |
| 海思（華為） | Hi3559A 等 | 鴻蒙生態，高階製程受限 | 受制裁影響，庫存晶片為主 |
| 瑞芯微 | RK3588/RK3576 | NPU 整合，價效比路線 | 消費電子/教育平板市場份額領先 |
| 寒武紀 | MLU220/MLU270 | 通用 AI 晶片，部分視覺場景 | 2024 年持續虧損，安防/邊緣市場拓展 |
| 雲端天勵飛 | DeepEdge 系列 | 演算法+晶片協同設計 | 2023 年科創板上市 |
| 億智電子 | SV826/SV938 | 低功耗視覺 SoC | 安防、車載後裝市場 |
| 肇觀電子 | NE 系列 | 視覺+雷達融合 | 機器人/工業視覺 |
地平線征程 5 的 128 TOPS 為 INT8 算力，2023 年釋出口徑
四、中國進展深度分析
4.1 整體格局
中國 VPU/邊緣 AI 晶片產業現狀（2024 年）
強 ─────────────────────────────────────── 弱
設計能力 ████████████████░░░░░ 中強（多家可設計 7nm+）
製造能力 ████████████░░░░░░░░░ 中弱（先進製程受限）
生態建置 ██████████████░░░░░░░ 中等（場景驅動增長）
市場份額 ████████████░░░░░░░░░ 中等（國內安防主導，海外待突破）4.2 核心進展
設計能力提升
- 地平線征程 5 已量產上車，搭載於理想 L 系列、比亞迪等（2023-2024 口徑）
- 愛芯元智在安防市場份額快速提升，2023 年出貨量公開資料未見確切數字
- 國產晶片在 安防監控、智慧家居、教育平板 三大場景已有規模化應用
產業鏈協同
- 華為海思受制裁影響倒逼國產 EDA/材料/裝置協同攻關
- 地平線開放 BPU 架構授權，探索 IP 授權模式
政策支援
- 國家大基金二期投資 AI 晶片領域（2021 年起）
- 各地智慧網聯汽車政策推動車載 AI 晶片需求
4.3 中國公司全球競爭力評估
| 維度 | 評分（5 分制） | 說明 |
|---|---|---|
| 技術能力 | ⭐⭐⭐⭐ | 接近國際一線，部分領域領先（如地平線車載） |
| 生態完善度 | ⭐⭐⭐ | 工具鏈/文件/社群仍待加強 |
| 國際市場 | ⭐⭐ | 主要集中在國內，海外拓展初期 |
| 成本優勢 | ⭐⭐⭐⭐⭐ | 價效比突出，安防等領域優勢明顯 |
五、風險與爭議
5.1 技術風險
| 風險型別 | 具體表現 | 影響評估 |
|---|---|---|
| 製程瓶頸 | 先進製程（5nm 及以下）獲取受限 | 高 - 影響高階晶片競爭力 |
| 架構迭代 | Transformer 等新架構對傳統 CNN 最佳化的 VPU 形成挑戰 | 中高 - 需適配大型模型趨勢 |
| 端雲端協同替代 | 5G/邊緣計算發展可能減少端側推論需求 | 中 - 部分場景被雲端替代 |
5.2 產業風險
| 風險型別 | 具體表現 | 影響評估 |
|---|---|---|
| 市場碎片化 | VPU 應用場景高度分散，難以形成規模效應 | 中 - 增加研發分攤成本 |
| 生態鎖定 | CUDA 生態優勢使 GPU 方案在部分場景仍是首選 | 中 - VPU 需差異化競爭 |
| 價格戰 | 中國市場競爭激烈，獲利空間壓縮 | 中高 - 影響研發投入可持續性 |
5.3 爭議焦點
爭議一：VPU 是否會被 SoC 整合 NPU 取代？
- 支援獨立 VPU 觀點：高算力場景（如自動駕駛 L3+）仍需獨立晶片
- 反對觀點：中低端場景（攝像頭、IoT）將被 SoC 內建 NPU 覆蓋
- 產業現狀：純獨立 VPU 市場正在收窄，“SoC+NPU” 成為主流形態
爭議二：端側大型模型是否需要 VPU 架構重構？
- 大型模型（>1B 引數）對記憶體頻寬、計算密度提出新要求
- 傳統 VPU 針對 CNN 最佳化，Transformer 適配是技術難題
- 公開資料未見明確的”大型模型專用 VPU”產品釋出（2024 年口徑）
爭議三：中國 VPU 晶片的自主可控真實水平
- 設計工具（EDA）仍高度依賴國外，“設計自主 ≠ 全鏈自主”
- 高階製程受限導致部分產品效能天花板
- 行業需警惕”概念炒作”與”實質突破”的區分
六、關鍵資料彙總
| 指標 | 資料 | 口徑 |
|---|---|---|
| 全球邊緣 AI 晶片市場 | ~80-100 億美元 | Frost & Sullivan, 2024 估算 |
| Intel Movidius Myriad X 算力 | 1 TOPS (INT8) | Intel 官方資料, 2018 釋出 |
| Hailo-8 算力 | 26 TOPS (INT8) | Hailo 官方, 2021 釋出 |
| 地平線征程 5 算力 | 128 TOPS (INT8) | 地平線官方, 2023 |
| 典型 VPU 功耗範圍 | 0.5W - 10W | 行業典型區間 |
| 中國安防監控全球份額 | >60%（出貨量） | 公開資料未見 2024 確切資料，行業估算 |
| 地平線 2023 年營收 | 約 15-18 億元人民幣 | 招股書/公開報道估算，未經審計確認 |
標註”估算”或”未見”的資料請以官方揭露為準
七、延伸思考
- 端側大型模型落地：VPU 如何適配 LLM 推論需求？是否需要 HBM/大 SRAM 重新設計？
- 存算一體趨勢：傳統”存算分離”架構是否是功耗瓶頸？存算一體 VPU 可行性？
- 中國路徑選擇：在製程受限背景下，架構創新（如 Chiplet、先進封裝）能否突圍？
本頁資訊僅供研究參考，不構成投資建議。資料來源標註年份口徑，未標註者為作者綜合判斷。 最後更新：2024 年