為何GPU是AI時代最重要的芯片？國產替代穩重前行

近年來，許多芯片企業破產。去年高達上萬家芯片公司關門大吉，平均每天倒31家。而今年依舊慘不忍睹，中國IP設計新星華夏芯破產清算，礪算科技也因燒光3億人民幣，去年6月爆發欠薪，加上美元基金撤離，險些在流片前夕破產。

礪算科技成立于2021年，實際營運從2022年年初成立礪算上海開始。礪算上海是南京礪算科技的全資子公司，也是公司核心所在。三位創辦人分別是宣以方、孔德海及牛一心，都在硅谷GPU公司S3擁有深厚的技術能力及工程經驗。

官網信息顯示，礪算科技堅持自研架構、自主知識產權，正在打造對標國際主流產品的國產GPU芯片，服務國內2000億渲染GPU全方位市場，實現端、云、邊的圖形渲染，滿足學習工作娛樂、元宇宙、游戲動漫、數字孿生、影視制作、ARVR、智能工廠、專業設計、智能座艙、智慧醫療等的芯片和算力的需要。

好在，東芯股份于近日發布公告，宣布擬使用自有資金或超募資金對礪算科技（上海）有限公司進行增資，占股比例不超過40%，金額上限為2億元。礪算科技破產波瀾背后折射的是GPU芯片賽道競爭加劇。


全球GPU呈三足鼎立寡頭競爭格局

從全球GPU整體市場情況來看，全球GPU市場現已形成三足鼎立的寡頭競爭格局，NVIDIA仍是全球獨立GPU絕對領導者。Intel得益于在筆記本電腦及傳統PC行業的優勢，現已在集成GPU市場獨占鰲頭，獨立GPU市場則主要由NVIDIA和AMD兩家公司占據。

NVIDIA現在最大的獨立顯卡生產銷售商，旗下有民用的Geforce系列，還有專業的Quadro系列。其GPU具有cuda通用運算，PureVideo高清視頻技術，PhysX物理加速，Optimus智能顯卡切換等。今年三月份，英偉達推出新一代AI圖形處理器芯片(GPU)架構Blackwell，并重磅發布采用該架構的GPU——B200和GB200產品系列。據了解，Blackwell可以支持多達10萬億參數的模型進行AI訓練和實時LLM推理。B200由兩個超大型Die（裸片）封裝組合而成，內含超過2080億個晶體管，是前一代800億個晶體管的兩倍以上，整塊芯片還封裝有192GB高速HBM3e顯存。

Intel是全球最大的集成GPU供應商。Intel的GPU主要是集成顯卡，用于intel的主板和intel的筆記本。英特爾首代獨立顯卡于2022年發布，距今大致已有2年。近日，有媒體報道，英特爾向oneAPI DPC++ 編譯器的 LLVM 文檔添加了 bmg_g21（Battlemage G21、BMG-G21）核心相關代碼。這也是首次有 Battlemage 架構獨顯相關代碼現身該文檔，暗示 Battlemage G21 GPU 有望成為英特爾下代獨顯首發型號。

AMD成立于1969年，是目前業內稀缺的可以提供高性能CPU、高性能獨立顯卡GPU、主板芯片組三大組件的半導體公司。2006年，AMD以54億美元收購了ATI，成為了第一家可以同時設計高性能CPU和GPU的半導體公司。AMD旗下有民用的Radeon系列，還有專業的FireGL系列等。其GPU具有Stream通用運算，ATI Video Converter視頻轉碼，UVD高清視頻技術，Havok、Bullet和Pixelux DMM三種物理引擎等。AMD 的 GPU 分為兩個截然不同的產品領域，一個是針對游戲的，另一個是用于超級計算機、大數據分析和機器學習系統的。

2023年，AMD正式發布了新一代AI/HPC加速器Instinct MI300X、Instinct MI300A，一個是傳統GPU加速器，一個是獨一無二的CPU+GPU融合加速器。MI300A 是面向 HPC 產品定位，因此產品形態是CPU+GPU/APU 合封 Chiplet 的方式(24個Zen4 core及其I/0，128G HBM3，封裝了13個Chiplet) ; 并改造了底層IF高速互連和UMA內存架構。首批采購方也是美國國家超算 (EI Capitan Exascale)。對標英偉達的CUDA，AMD則開發了ROCm。


為什么GPU對人工智能如此重要？

人工智能模型，也稱為神經網絡，神經網絡是一種典型的并行結構，AI計算就是以深度學習為代表的神經網絡算法，深度學習是目前主流人工智能算法，包括訓練和推理。在人工智能模型訓練環節，通過投喂大量數據，訓練出一個復雜的神經網絡模型，在推理環節，利用訓練好的模型，使用大量數據推理出各種結論。

訓練環節由于涉及海量訓練數據以及復雜深度神經網絡結構，所以計算規模非常龐大，GPU的內部結構特別適合進行大規模、高度并行的計算任務。它擁有眾多的計算核心，每個核心都能獨立處理數據，在神經網絡的訓練中，GPU能夠高效處理矩陣乘法和加法等運算，大大加速了訓練過程。這使得GPU成為AI大模型訓練平臺的基石，為人工智能發展提供強大的算力支持。

從GPU的發展來看，GPU 架構迭代頻繁，已從從專用圖形處理器發展為高效的通用計算平臺，向外拓展人工智能計算及高性能計算領域。2003年，GPGPU（General Purpose computing on GPU）的概念被首次提出來。GPU不再以圖形的3D加速為唯一目的，而是能夠用于任意并行的通用計算，例如科學計算、數據分析、基因、云游戲、AIGC等。

英偉達在 2008-2022 年內，其GPU的架構迭代調整了 9 次，在 2017 年 Volta 架構中首次推出 Tensor 內核以支持深度學習算法，在 2010 年推出具有完整 GPU架構的 Fermi，2022年的Hopper 架構的 GPU 已廣泛的應用于 AI 大模型訓練與推理環節。

在2023年10月的投資者會議上，英偉達再次展示了其全新的GPU發展藍圖。與以往兩年一次的更新節奏不同，這次的路線圖將演進周期縮短至一年。預計在2024年，英偉達將推出H200和B100 GPU；到2025年，X100 GPU也將面世。


GPU產業鏈及應用場景

GPU產業鏈主要包括三大環節：設計、制造和封裝。GPU整體商業模式包括三種：IDM、Fabless和 Foundry。

IDM模式：指將GPU產業鏈的三個環節整體化，充分結合自主研發和外部代工，集設計、制造、封裝為一體，公司垂直整合GPU整體產業鏈。

Fabless：充分發揮各企業比較優勢，僅負責芯片電路設計，將產業鏈其他環節外包，分散了GPU研發和生產的風險。

Foundry：公司僅負責芯片制造環節，不負責上游設計和下游封裝，可以同時為多家上游企業服務。

GUP產業鏈上游，GPU設計基本以英偉達、超威半導體、英特爾三強壟斷，中下游臺積電憑借先進的4nm、7nm工藝及 CoWoS 封裝技術產能領先，三星電子、格羅方德半導體、英特爾產能落后，且在產品工藝上與臺積電相比優勢不大，此外，在封裝測試環節，國內廠商日月光、江陰長電 、華天科技 、宏茂微、華虹宏力、通富微電等具有布局。

GPU市場主要應用場景可概括為：AI&數據中心、智能汽車、游戲。AI&數據中心：新一輪AI對算力需求遠超以往，ChatGPT類語言大模型底層是2017年出現的Transformer架構，該架構相比傳統的CNN/RNN為基礎的AI模型，參數量達到數千億，對算力消耗巨大，對算力硬件有大量需求。隨著對商業數據和大數據處理要求算力的不斷提高，GPU的通用計算能力正在越來越廣泛地被應用于數據中心和國家超算中心的建設。

智能汽車：智能汽車方興未艾，自動駕駛和智慧座艙是智能汽車發展的主要方向，均需大量使用GPU。

游戲：游戲業務是GPU應用的傳統領域，對游戲畫面進行3D渲染，英偉達的游戲業務穩中有進。


國產GPU成為不可忽視的力量

國內市場方面，我國廠商 GPU 市場份額較小，正處于技術追趕及國產替代環節，目前國產 GPU 在數據中心、人工智能以及通用計算型 GPU 領域均實現產品布局，未來隨著國內數據中心、智能駕駛及終端側 GPU 市場需求的提升，國產 GPU 市場份額有望實現滲透。

GPU應用場景不斷擴大拉動GPU市場空間迅猛增長，根據Verified Market Research預測，2028年全球GPU市場規模將達到2465.1億美元。

事實上，近些年國內也有不少GPU企業在逐步成長，雖然在大模型的訓練和推理方面，與英偉達GPU差距極大，但是不可忽視的是，不少國產GPU企業也在AI的訓練和推理應用上找到位置。