GPU分类和应用现状分析

GPU最初用在PC和移动端上运行绘图运算工作的微处理器，与CPU集成以集成显卡（核显）的形态发挥功能。NVIDIA于2007年率先推出独立GPU（独显），使其作为“协处理器”在PC和服务器端负责加速计算，承接CPU计算密集部分的工作负载，同时由CPU继续运行其余程序代码。作为独显的GPU由GPU核心芯片、显存和接口电路构成。

独GPU与CPU之间通过PCIe总线连接，因而PCIe总线标准直接影响到通信带宽；而针对GPU之间的互连，Nvidia推出NVLink技术替代传统PCIe总线的方式，根据Nvidia官网数据，GPU性能提升5倍。

目前由于AI性能挖掘仍有空间，已经部署的服务器中GPU算力尚有冗余，预计PCIe由3.0升级至4.0和5.0短期内对GPU影响不大。但主流参与者仍在工艺路径持续推进产品升级。根据AIBResearch数据，Nvidia占据独显市场近80%的份额，目前NVIDIA Ampere A100产品7nm已经投入生产。

NVIDIA、AMD和Intel在GPU市场三分天下。根据Jon Peddie Research数据，Intel、AMD和Nvidia分别占据63%、19%和18%的市场份额。Intel和ADM在PC端GPU市场占据强势地位，主要原因是PC端集成GPU（核显），而Intel和AMD在PC端x86 CPU市场分别占据84%和16%的份额。

在独立GPU（独显）市场，Nvida是行业的奠基者和龙头，占据近70%份额。AIB 数据显示，2019年Q4，Nvidia和AMD在独立GPU市场份额分别为81%和19%。针对HPC和AI场景，Nvidia推出的产品主要是Tesla系列，包括V100、P100、K40/K80、M40/M60等多个型号，K系列更适合高精度计算，M系列更适合深度学习。

2019年3月，Nvidia宣布以49亿美元收购Mellanox，预计2020年4月底该项交易最终完成，成为Nvidia历史上最大的一笔收购。Mellanox是服务器和存储端到端连接解决方案的供应商，产品涉及HPC、云计算、数据中心、企业计算及存储市场，包括Smart NIC，网络交换机芯片和高速数据互联等。

AI芯片在智能摄像头、无人驾驶等领域应用广泛。数据、算力和算法是AI三大要素，CPU配合加速芯片模式成为典型的AI部署方案，CPU提供算力，加速芯片提升算力并助推算法的产生。常见的AI加速芯片包括GPU、FPGA（Field Programmable Gate Array）和ASIC（Application Specific Integrated Circuit）三种类型。

CPU适合逻辑控制和串行计算等通用计算，计算能力没有GPU强，主要由专为顺序串行处理而优化的几个核心组成；

GPU用于大量重复计算，由数以千计的更小、更高效的核心组成大规模并行计算架构，配备GPU的服务器可取代数百台通用CPU服务器来处理HPC和AI业务（根据Nvida）。

FPGA是一种半定制芯片，灵活性强集成度高，但运算量小，量产成本高，适用于算法更新频繁或市场规模小的专用领域；

ASIC专用性强，市场需求量大的专用领域，但开发周期较长且难度极高。谷歌自主设计了一款基于ASIC的TPU（Tensor Processing Unit）专门用于机器学习工作负载。

训练和推断是云端AI两大运行过程，训练产生算法，推断实现算法应用。训练阶段需要大量数据运算，GPU预计占64%左右市场份额，FPGA和ASIC分别为22%和14%。

推理阶段无需大量数据运算，GPU将占据42%左右市场，FPGA和ASIC分别为34%和24%。AI芯片运营场景包括云端（服务器）、边缘端和终端三类，不同应用场景对AI芯片的需求不同。就云端芯片而言，2023年市场需求将达200亿美元（根据Nvidia）。