相关报告：《2024-2030年中国GPU行业研究及前瞻分析报告》

GPU行业概述

GPU是一种微处理器，专门用于在个人电脑、工作站、游戏机以及移动设备（例如平板电脑和智能手机）上进行图像和图形的计算。根据其接入方式，GPU可以分为独立GPU和集成GPU两种类型。独立GPU是独立于主板的显卡，需要通过相应接口插入主板，并且GPU还拥有独立的显存，不会占用系统的内存资源，这使得它能够在显示效果和运行性能上提供更加出色的表现。而集成GPU则是一种集成显卡，它将图形核心作为单独的芯片集成在主板上，并与系统内存动态共享部分作为显存使用，能够提供基本的图形处理能力和流畅的编码应用。

图表：独立GPU与集成GPU比较

资料来源：智研瞻产业研究院整理

GPU行业市场规模

由于GPU能够同时支持训练和推理，与AI模型的构建需求非常匹配，因此它在AI芯片市场中占据了主导地位。在中国AI芯片市场中，GPU的份额高达91.9%，预计在未来几年中仍将保持领先地位，到2025年时将占据80%以上的市场份额。根据数据显示，2022年我国GPU市场的规模将达到83.6亿美元，而到2023年时，这一数字有望增长至111亿美元。

统计数据显示，2018年中国GPU行业市场规模194.75亿元，2022年中国GPU行业市场规模585.20亿元。2018-2023年中国GPU行业市场规模如下：

图表：2018-2023年中国GPU行业市场规模

数据来源：智研瞻产业研究院整理

GPU行业产业链

CPU具有广泛的应用范围，包括服务器、工作站、个人计算机（如台式机和笔记本电脑）、移动终端以及嵌入式设备等。由于应用领域的多样性，CPU在架构、功能、性能、可靠性和能效比等技术指标上会有所差异。目前，GPU的产业链涵盖了设计、制造和封测三个主要环节，而在这个产业链中的企业主要有两种经营模式：一种是IDM模式，另一种是Fab+Fabless模式。

图表：GPU行业产业链

资料来源：智研瞻产业研究院整理

GPU行业发展趋势

GPU的发展已经越来越趋于高算力、极电池效率，它逐渐成为新技术和新应用的重要处理器。近年来，一些国外市场正在开发更多支持GPU的新设备，比如低功耗的游戏机。在智能家居和控制系统也会逐渐应用GPU。未来GPU将取得更好的发展，以扩大其应用范围，并且进一步拓展新市场，布局更广泛的应用场景。

1 性能：GPU 技术发展迅速，高并发计算能力契合算力需求

1)与CPU相比，GPU更符合深度学习算法的高并行计算要求。一方面，CPU的性能提升已经接近极限，无法满足快速增长的计算能力需求，导致了两者之间的脱节。作为第一代高效计算平台，CPU的性能从架构/微架构设计、技术、多核并行性等多个角度难以提升。2016年以后，CPU的性能每年仅增长3.5%。由于数字经济、AI大模型和智能驾驶等领域对计算能力需求的不断增长，传统的CPU性能已经无法满足上层软件日益提高的计算需求。

另一方面，GPU相较于CPU，其采用的SIMD架构与深度学习算法的需求更为契合，具有更多的控制单元、内存缓存以及算术逻辑单元，从而能够为复杂的深度学习计算提供更高效的支持。CPU采用的是一种核数较少但性能强劲的线程级并行MIMD架构，擅长处理复杂的控制逻辑、预测分支、乱序执行以及多阶段流水线等任务；而GPU则是一种核数众多但单个性能稍弱的数据级并行SIMD架构，它针对的是控制逻辑相对简单的数据并行任务。鉴于神经网络算法所涉及的数据量庞大以及高度并行的计算需求，GPU的高并行计算能力和高内存带宽使其成为理想的计算工具。神经网络的训练过程需要处理大量的数据，其结构非常统一。每一层都有数千个相同的人工神经元在执行相同的计算操作。具有高效并行计算能力和宽存储带的GPU不仅可以更快地读写数据，还可以进行多指令并行计算。

2)与垂直方向相比，GPU架构技术仍在不断发展，其高性能计算和智能计算能力不断优化。

GPU作为显卡的核心部件，最初用于图形的渲染和处理。1999年，NVIDIA发布了GeForce 256图形处理芯片，首次引入了GPU（图形处理单元）的概念。这款芯片是专门用于计算机图形显示的组件，通过采用T&L等技术引擎，显著降低了显卡对CPU的依赖，从而提升了计算机图形处理的效率和性能。GPU通常由显存、主频、VRAM、显存速率和显存位宽组成。

随着GPU架构的不断迭代，它已经从一个专用的图形处理器演变成了一个高效的通用计算平台，这极大地扩展了人工智能计算和高性能计算的领域。特别是当GPU引入了可编程特性，使得图形硬件的流水线可以被解释为流处理器时，基于GPU的通用计算（GPGPU）开始崭露头角。2008-2022年，NVIDIA产品架构进行了8次迭代调整。2010年推出完整GPU架构的Fermi, 2017年首次推出支持深度学习算法的Tensor kernel。目前，采用Hopper架构的GPU已被广泛应用于AI大模型的训练和推理任务中，为各种复杂的AI应用提供了强大的计算支持。

随着NVIDIA张量核心的不断升级，其智能计算和高性能计算能力得到了持续优化，从而使其成为AI模块化推理中至关重要的张量核心。Nvidia Tensor核心最初是在Volta架构上推出的，并在Turing、Ampere和Hopper上不断优化。张量核可以加速矩阵运算，大大提高浮点计算吞吐量。具体来说，与P100相比，带有Tensor core的V100混合精度运算速度提高了9倍，而英伟达推出的第四代Tensor core的FP8性能比安培FP6提高了16倍，AI大规模语言模型推理性能比安培提高了30倍。

2灵活性:GPU可编程优势明显，总体灵活性适应AI应用的扩展。

GPU具有相对优异的性能和灵活性。常用的计算平台有GPU、CPU、FPGA、DSA和ASIC。一般情况下，随着芯片性能的提高，其柔性会逐渐降低。CPU是一个软件加速平台，CPU平台的硬件实现通过标准化指令集与软件编程完全解耦，具有最高的灵活性。ASIC是一种专用集成电路，它是为特殊目的而设计的。它不支持硬件编程，灵活性最差。

1)由于ASIC和DSA的设计成本高昂且周期长，其灵活性无法满足应用层的需求和适应宏观架构趋势的变化。DSA和ASIC是特殊领域的定制芯片，其中ASIC完全是定制芯片，其晶管是根据算法定制的，因此玻片量产后无法编辑算法。DSA在ASIC的基础上进行回调，保留了一定的编程能力，但其功能覆盖范围有很大的局限性。ASIC和DSA的通用性问题是制约其应用的主要瓶颈。由于通用性的限制，ASIC和DSA的应用领域相对较窄，这与它们高昂的研发成本形成了鲜明的对比。据估计,5 nm制程芯片的研发成本已经超过5亿美元,和高研发成本需要被稀释了芯片有足够的大规模生产能力,而ASIC和DSA芯片是特定领域的专用芯片,和不同领域正面临重新设计的问题,特别是在人工智能应用领域,ASIC和DSA的研发周期和成本不能满足他们的人工智能应用程序的速度和算法迭代优化。

其次，这种特殊性使得ASIC和DSA芯片与计算能力集成的宏观架构趋势相矛盾。数字经济的建立需要云、网络、边缘资源的协同整合，形成庞大的计算网络。然而，由于不同计算引擎、平台、设备和数据中心在芯片应用场景上存在显著差异，这导致DSA和ASIC芯片无法满足数字经济时代各种应用场景的整体需求，因此难以成为通用的解决方案。

2)CUDA和OpenCL技术继续赋能GPU，具有巨大的性能提升潜力和强大的应用扩展能力。CUDA生态系统为GPU提供了丰富的数据接口（API）、算法库、工具和跨平台支持，同时还支持大规模集群计算，从而为GPU应用程序的开发提供了全面而强大的支持。CUDA使开发人员能够使用流行的编程语言对NVIDIA gpu进行编程，并且还集成了所有深度学习框架，包括TensorFlow, PyTorch和MXNet。随着深度学习算法和模型的逐渐成熟，GPU能够通过人工优化算法实现资源的高效调度，从而充分发挥硬件的性能优势。此外，每一代CUDA的升级都将带来显著的性能提升，通常在10-20%之间。这意味着GPU在深度学习领域的应用将持续得到增强和提升。

图表：GPU行业发展趋势

资料来源：智研瞻产业研究院整理