在人工智能的新时代，特别是随着GPT技术的突破，自动化模型的兴起对算力提出了前所未有的需求。
前言
重点概要

新的算力革命，GPU的崛起与AI的融合
ChatGPT的横空出世，不仅掀起了一场人工智能的革命，也无意中将算力硬件推向了科技热搜的风口浪尖。
在这一背景下，GPU（Graphics Processing Unit，图形处理器）以其GPGPU（General-Purpose Computing on Graphics Processing Units，通用计算图形处理器）的形式，成为了AI算力的中坚力量。
GPU的蜕变：从显卡到算力引擎

大算投 · 碎片回声
人工智能的飞速发展，尤其是GPT技术的横空出世，激发了自动化模型的广泛应用，而这些模型的高效运行离不开强大的算力支持。随着ChatGPT成为科技界的新宠，作为AI硬件基石的算力硬件，尤其是GPU，再次成为科技热搜榜上的焦点。
GPU，全称为Graphics Processing Unit，中文意为图形处理器，通常被大众称为显卡。然而，在人工智能领域中，起到算力支撑作用的并非普通显卡，而是更为强大的GPGPU。
"GP"的加入，使得GPU升级为General-Purpose Computing on Graphics Processing Units，即通用计算图形处理器。简而言之，这是一种能够处理广泛计算任务的算力单元。它们被俗称为通用GPU，是现代AI算力的核心。
回想起国内电子货币"挖矿"的热潮，许多人可能会记得显卡价格的飙升。那些显卡，正是如今支撑AI算力的通用GPU的前身，它们在提升计算能力方面发挥着至关重要的作用。
GPU与CPU：算力领域的双子星

大算投 · 碎片回声
尽管GPU和CPU在本质上都属于算力芯片，它们的起源可追溯至通用CPU，但随着时间的发展，它们在架构上的差异使得GPU在处理AI领域的大数据流时表现得更为出色。
CPU以其卓越的复杂逻辑运算能力而著称，而GPU则以其简化的架构和众多的运算核心，擅长处理大量并行的简单计算任务。举例来说，CPU可能拥有十几个核心，而GPU则可能拥有数百甚至上千个核心，这样的设计让GPU在面对高密度的计算需求时更加得心应手。
在成本效益方面，尽管FPGA和ASIC芯片在AI领域也有所应用，它们作为针对特定需求定制的芯片，主要模拟人脑神经元结构，但在通用计算领域，它们与成熟且广泛应用的GPU相比，性价比较低。
进一步深入，我们可以将并行计算分为两大类：任务并行和数据并行。任务并行涉及将计算任务拆分为多个小任务，并由算力芯片的不同核心分别处理，形成高效的计算流水线。数据并行则是将数据分割成小块，由多个运算单元并行处理，形成一个计算网格，最终汇总结果。
CPU的多线程编程通常倾向于任务并行，而GPU的并行编程则更侧重于数据并行。对于AI中常见的大规模但逻辑简单的计算任务，GPU以其强大的并行处理能力，提供了更为高效和明显的支持。
或者可以这样形象地理解：AI领域的大数据计算往往涉及概率和模糊性，并不追求极端的计算精度，因此不需要大量算力强大的"专家"（CPU），而更需要的是能够高效完成常规任务的"劳动力"（通用GPU）。
通用GPU：AI时代的明星

大算投 · 碎片回声
纵观计算机芯片的发展历程，通用GPU作为一个新兴概念，近年来迅速崛起并成为科技领域的热点。它的发展与人工智能技术的突破相辅相成，共同推动了计算能力的飞跃。英伟达（NVIDIA）是最早提出并推动GPU概念的先驱。
在早期，英伟达提出GPU概念的初衷是为了将电脑的显示芯片独立化，以此减轻CPU在图像处理方面的负担，并分担其工作量，提升整体计算效率。
然而，2012年的一个转折点，让整个人工智能研究领域意识到了GPU在算力支持方面的巨大潜力。在当年的Image Net LSVRC-2010图像识别大赛中，前谷歌计算机科学家Alex Krizhevsky采用深度学习结合GPU的方案，不仅赢得了比赛，更将图像识别的成功率从74%显著提升至85%。这一壮举不仅震惊了学术界，也让NVIDIA预见到了GPU在AI领域的广阔前景，并随即投入重金对传统GPU进行改造升级。
为了巩固其在通用GPU领域的领导地位，NVIDIA进一步开放了基于自身GPU的深度学习解决方案，覆盖了从后端模型训练到前端推理应用的全流程。这使得全球的开发者都能够轻松地利用GPU进行深度学习开发和高性能计算，极大地推动了AI技术的发展和应用。
通过这些战略布局，NVIDIA不仅引领了通用GPU的技术革新，也为自身在算力硬件领域的霸主地位奠定了坚实的基础。随着AI技术的不断演进，通用GPU无疑将继续作为推动未来计算发展的关键力量。
算力RWA赛道的不同产品类型

大算投 · 碎片回声
当前，在AI服务器市场中，通用GPU服务器以压倒性的优势成为最主流的算力选择。2021年，其销售额占据了中国AI加速服务器市场的88.4%，其中NVIDIA更是以超过80%的市场份额，在国内占据了主导地位。
ChatGPT的推出不仅标志着人工智能革命的启动，也预示着硬件竞赛的新篇章。据最新市场报告，ChatGPT在微软Azure AI云服务器上的训练消耗了高达3640PF-days的算力，并动用了超过1万颗NVIDIA高端GPU。花旗银行等机构预测，ChatGPT有望在12个月内为NVIDIA增加30亿美元的营收。
随着ChatGPT模型的线上运营，每亿活跃用户将带来13.5Eflops的算力需求，这相当于需要6.9万台NVIDIA DGX A100 80G服务器的支持。根据中国信通院的数据，2021年全球计算设备的算力总规模为615EFlops，其中超算算力为14EFlops。这意味着，按照2021年的超算算力规模，全球超算算力仅能支持ChatGPT拥有最多1亿的日均上线用户。展望未来，如果全球5-6家科技巨头在3年内各自推出拥有2亿活跃用户的ChatGPT类应用，将带来至少162EFlops的超算算力需求，这是目前需求的10倍以上。
招商证券以商汤AIDC的市场估值为参考，预测每新建1Eflops算力需投资15亿元人民币，其中ICT硬件投资占比72%。若活跃用户增加1亿，将需要新增投资203亿元，其中ICT硬件投资146亿元。未来3年，随着5-6家科技巨头推出相关产品，ICT硬件投资的新增需求将达到1755亿元。随着AIGC技术向音频、视频等领域的扩展，算力硬件的市场需求将进一步增长。

迎接算力硬件的黄金时代
尽管市场前景广阔，但国内GPU生产企业普遍面临产品层次不高的问题，难以抢占高端市场。美国对高端GPU技术的出口限制，进一步加大了国内大厂进入该领域的难度。
总结 · 总而言之
芯片IP供应商主要为美国公司，而全球三大EDA工具供应商占据了绝大多数市场，导致国产EDA在全流程工具方面的缺乏，工艺支持能力亟待提升。
尽管国产EDA在模拟电力设计方面取得了一定的进展，但与国际巨头相比，仍有较大差距。

尽管面临诸多挑战，我国GPU产业仍具有巨大的发展潜力。随着AI技术的不断进步和市场需求的增长，国内GPU企业需要加强技术创新，提升产品竞争力，以抓住行业发展的机遇。
同时，政策支持和产业协同也将是推动我国GPU产业突破瓶颈、实现高质量发展的关键因素。
碎片回声 · 碎片云

探索科技的边界，拥抱智能的未来。
我们致力于分享尖端人工智能技术的最新进展和实际应用，为您的企业提供专业的AI技术咨询、定制化的行业解决方案以及全面的企业智能化服务。
加入我们，您将第一时间掌握前沿科技的脉搏，深入了解AI技术如何引领行业革新，助力您的企业在激烈的市场竞争中保持领先，实现持续的创新和成长。让我们携手共创智能企业的新篇章。