经过一系列的开发和创新，GPT-4进入全面植入微软Office的阶段，这预示着全球人工智能领域的新一轮发展。作为应用最广泛的AI芯片产品，GPU在这场人工智能风暴中备受瞩目。
首先给大家讲解一下什么是GPU？GPU是计算机显卡的核心，在PC、服务器、移动设备和AI解决方案等许多应用程序和设备中被广泛应用。而且如今火热的人工智能场景的服务器通常搭载的就是GPU、FPGA、ASIC等加速芯片来支撑高吞吐量的运算需求，为图形视觉处理、语音交互等场景提供算力支持。
中国工程院院士、清华大学计算机系教授郑纬民之前透漏，ChatGPT需要三万多片英伟达A100GPU，初始投入成本约8亿美元，并且自2012 年以来，AI训练任务中的算力增长，所需算力每3.5月翻一倍，已经超越芯片产业长期存在的摩尔定律–晶体管数量每18月翻一倍。多种事例均证明，如今GPU需求的高速增长正呈翻倍式增长。
那AI时代逼近，又在美国禁售高速GPU的背景下，GPU的国产化进程如何？国产厂商又将面临哪些机遇和挑战？
首先我们要知道GPU的核心竞争力是在于架构等因素决定的性能先进性和计算生态壁垒。一方面，性能先进性体现在高精度浮点计算能力。训练需要密集的计算得到模型，没有训练，就不可能会有推理。而训练需要更高的精度，一般来说需要float型，如FP32，32位的浮点型来处理数据。
另一方面，生态也是GPU发展需要解决的问题。其中英伟达早在CUDA问世之初就开始生态建设，AMD和Intel也推出了自研生态ROCm和one API，但CUDA凭借先发优势早已站稳脚跟。为解决应用问题，AMD和Intel通过工具将CUDA代码转换成自己的编程模型，从而实现针对 CUDA 环境的代码编译。
凭借核心竞争力优势，目前英伟达和AMD（美国超威半导体）已经是国际上非常成熟的GPU巨头了。英伟达公司的GPU被广泛应用于计算机图形学、科学计算、深度学习等领域，而AMD公司则是全球第二大独立半导体设计师，涉及CPU、GPU、服务器等多个领域。
但由于CUDA的闭源特性，以及快速的更新，后来者很难通过指令翻译等方式完美兼容，即使部分兼容也会有较大的性能损失，导致在性价比上持续落后英伟达，之前国内厂商面临的困境也是来源于此。所以国内GPU厂商纷纷大力投入研发迭代架构，谋求构建自主软硬件生态。
但近年来，国产GPU也逐渐进入了主流市场。并且自2020年开始，国内GPU行业融资环境有较大改善，初创公司遍地开花，2021年，中国加速服务器市场规模达到53.9亿美元（约合人民币350.3亿元），同比增长68.6%。其中GPU服务器以91.9%的份额占国内加速服务器市场的主导地位；神经网络处理器（NPU）、ASIC和FPGA等非GPU加速服务器占比8.1%。预计2024年中国GPU服务器市场规模将达到64亿美元。
在技术研发、市场推广、科技创新等方面也均有积极的发展态势。在国产GPU进化方面，华为早在2013年就开始了其异构计算芯片的研发工作，例如华为的麒麟系列芯片，包括麒麟970和麒麟970 AI，都集成了自家研发的AI芯片NPU，这使得华为手机等移动设备也具备了很高的AI算力。
可仍需要承认的是，国产GPU产品离高端市场还有距离，存在与国外领先水平的差距，尤其在科学计算、人工智能和新型图形渲染方面。同时美国政府还限制高端的GPGPU售卖给中国客户，要求英伟达的A100、H100系列和AMD的MI 250系列及未来的高端GPU产品售卖前需要先获得美国政府的许可。而这几款芯片均为用于通用计算的高端GPGPU，通常应用在人工智能计算的云端训练和推理场景以及超级计算机中。
并且除了技术差距，国内GPU企业的发展还面临着资金压力。新创企业不仅面临原材料和制造能力的供应紧张问题，还必须承受来自国内外同业的竞争压力，而对于GPU创企而言，巨大的研发费用和资本开支是必需，但长期、持续的利润支撑才是GPU跨代发展的强劲驱动力。
总之，随着中国GPU市场的转型和升级、国内GPU企业的迅猛发展，国产GPU在迎来黄金发展期的同时还面临着更多的挑战和机遇。但相信这些企业在技术上的不断突破相信会进一步刺激市场需求，推动市场进一步扩大。未来，国产GPU有望在人工智能应用领域迎来更加广阔的发展空间。返回搜狐，查看更多
