幾十年前，CPU 作為通用處理器幾乎處理所有計算任務，那個時代的顯卡有助于加快應用程序中圖形的繪制速度。但在今天ChatGPT引爆的人工智能iPhone時刻，GPU成為了整個行業最具主導地位的芯片之一。大家都在搶購GPU，龍頭企業英偉達也因此賺的盆滿缽滿。

在此前的文章中我們介紹了AI算力的主要載體數據中心IDC的商業模式和組成部分，并進一步走進服務器這個數據中心中主要負責計算的硬件。服務器中有處理器、內存、硬盤等零部件，其中最核心的負責計算的當屬處理器，也就是芯片。因此，今天我們繼續梳理AI算力芯片，看看為什么在當今AI時代GPU占據了主導地位以及我國目前的發展情況與相關企業。

產業鏈

從產業鏈說起，首先來看芯片在產業鏈中扮演的角色。這里從兩方面說，站在算力產業鏈角度，芯片屬于上游產品，正如我們在《AI服務器革命：硬件進化驅動人工智能新紀元》一文中提到，芯片與其它硬件組成服務器，也就是產業鏈中游，服務器又與其它設備共同組成下游的數據中心。

如果站在半導體產業鏈的角度看，那么芯片屬于中游。它的上游包括支撐集成電路設計和制造的 EDA 輔助設計工具和 IP 服務，半導體制造設備、芯片生產測試流程。產業鏈下游包括各類整機廠商、終端設備、網絡設備和應用系統等，其中最重要的是服務器、桌面和嵌入式系統等硬件設備廠商。

由于全球化的不斷深入，半導體產業發生了多次區域轉移，分工不斷細化。可以將半導體的生產分為四個主要步驟：設計、制造、封裝、測試。在傳統的垂直整合制造商模式（IDM，即自己完成設計、制造、封裝測試等所有環節）基礎上誕生了著名的Fabless+Foundry模式，Fabless廠商是以美國為主的負責設計，而Foundry則是以中國臺灣為主的負責制造的廠商。兩種模式各有利弊，不過這屬于半導體產業鏈范疇的討論，我們在此不做贅述。

CPU、GPU、ASIC、FPGA

半導體產品可以分為集成電路（芯片）、分立器件、光電器件和傳感器，其中芯片進一步分為數字芯片和模擬芯片，數字芯片下還有邏輯芯片、微處理器和存儲芯片三類。我們所說到的算力芯片或AI芯片實際上指的都是邏輯芯片，廣義上可以是所有采用邏輯門的大規模集成電路，包括以 CPU、GPU 為代表的通用計算芯片、專用芯片(ASIC)和 FPGA，狹義上，AI芯片指針對大量數據進行訓練和推理設計的芯片。

CPU

CPU是中央處理器(Central Processing Unit)，是計算機的運算核心和控制核心。CPU包括運算器(算術邏輯單元ALU、累加寄存器、 數據緩沖寄存器、狀態條件寄存器)、控制器(指令寄存器IR、程序計數器PC、地址寄存器、 指令譯碼器ID、時序、總線、中斷邏輯控制)、高速緩沖存儲器（Cache）、內部數據總線 、控制總線、狀態總線及輸入/輸出接口等模塊。

CPU 的主要功能是解釋計算機指令以及處理計算機軟件中的數據，其運行程序時主要包括一下5個步驟：1）指令寄存器(IR)從存儲器或高速緩沖存儲器中獲取指令；2）指令譯碼器(ID)對指令進行譯碼，并將指令分解成一系列簡單的微操作；3）譯碼后的微操作通過控制單元發送給CPU內的運算器執行數學運算和邏輯決策，；4）執行某些指令時需要讀取或寫入數據到主存儲器，地址寄存器用于確定存儲器中數據的位置，而數據經過內部總線傳輸；5）指令執行完成后，結果會被寫回到CPU的寄存器或存儲器中，供后續指令使用。

我們可以將這個流程類比自己做數學題時的場景，從最開始的讀題（獲取指令）、審題（指令譯碼）到一步一步計算答案（執行運算），再將答案寫在草稿紙上（存儲結果）用于下一小問。對于CPU來說這整個過程是一個連續循環，稱為指令周期，包括獲取指令、譯碼、執行、訪問存儲器和寫回結果的步驟。人們用主頻來衡量以上一個指令周期被執行的速度（CPU性能），主頻是指CPU內部時鐘的頻率，通常以赫茲（Hz）為單位，1赫茲等于每秒鐘一個周期。此外，FLOPS（每秒執行多少浮點運算）也被用于衡量CPU性能。

在CPU的發展歷史中，為了進一步提升它的運算能力人們提出了多線程（Multithreading）和多核（Multi-core）的設計方法。多線程指的是程序可以同時執行多個任務，也就是電腦可以同時做不同的事。例如，一個線程可以處理用戶輸入，同時另一個線程可以執行后臺計算，還有一個線程可以處理網絡通信。即使一個線程被阻塞，其他線程仍然可以繼續工作，從而提高了整體的效率和程序的響應性。多核則是增加CPU內的處理單元，使CPU可以并行處理多個指令流。

可以按指令集和應用領域對CPU進行分門別類，指令集是 CPU 所執行指令的二進制編碼方法，是軟件和硬件的接口規范。按照指令集可分為 CISC復雜指令集和 RISC精簡指令集兩大類，在上一篇文章中做過詳細介紹，這里不再贅述。CPU 按照下游應用領域還可分為通用微處理器(MPU, Micro Processor Unit)和微控制器(MCU, Micro Controller Unit)，MPU便是我們熟悉的應用于服務器、桌面(臺式機/筆記本)、超級計算機等中的CPU。MCU是用于控制類應用的低性能、低功耗CPU。MCU的主頻一般低于 100MHz，一般是用在智能制造、工業控制、智能家居、遙控器、汽車電子、機器手臂的控制等。

從競爭格局上看，英特爾和AMD占據了大部分市場份額，其中英特爾作為CPU的締造者擁有絕對主導地位。從服務器CPU角度看，2022年英特爾與AMD合計占到全球90%的市場份額，不過近兩年AMD不斷搶占英特爾份額。從MPU整體上看，英特爾占據半壁江山，移動設備端蘋果和高通分別擁有13%和9%的份額。從MCU上看則是日韓系廠商份額較多。

GPU

作為通用處理器，以前幾乎所有的計算任務都由CPU處理，不過到了八十年代末九十年代初，越來越多的圖形渲染處理需求催生了GPU的誕生，黃仁勛正是在這一時期創立的英偉達，專注于GPU的研發與制造。

GPU是圖形處理器（Graphic Processing Unit），又稱為顯示芯片（顯卡），最初是作為專用處理器來輔助CPU進行圖像和圖形相關運算工作的。從結構上來說，CPU的設計是低延遲的串行計算模式，擁有少數強大的ALU算數邏輯單元高效的挨個完成每個任務。而GPU側重于并行計算（Parallel Processing），擁有大量的ALU可以同時處理大規模的簡單計算。簡單來說，CPU的工作模式好比一位博士單獨去解一道復雜的高數題，而GPU則如同一百名高中生一起計算加減、乘除法。

CPU已經如此強大了，為什么還需要GPU呢，或者說為什么在圖形處理和如今的人工智能浪潮下為什么GPU這個以前CPU的小弟成為了王者呢？首先在圖像處理領域，圖片是由一個個像素點組成的，比如一張1080p的圖片實際上是由1920x1080= 207萬像素點組成，但是每個像素點的計算并不復雜。由CPU加載圖片時是一個一個的單獨運算每個像素點，而使用GPU的話則是并行計算，由多個ALU同時處理每個像素點，從而實現快速處理全部像素點。

在人工智能大模型中同理，大模型可以有各種不同結構，但其背后的本質都是基于神經網絡的深度學習，它的核心運算需求并不高，主要就是累加和累乘的運算，但是由于模型參數巨大、網絡層數復雜，因此需要運用大規模并行計算，這也就是為什么GPU如今獨領風騷。

由黃仁勛于1993年創立的英偉達可謂是GPU的奠定者和締造者，1999年英偉達推出了被譽為世界上第一款真正的GPU的GeForce 256，并憑借此產品獲得巨大成功。然而，作為專用處理器，傳統 GPU 應用局限于圖形渲染計算，在面對非圖像并涉及大量并行運算的領域，比如 AI、加密解密、科學計算等則更需要通用計算能力。為了提高GPU的通用性，英偉達于2006年推出的CUDA開發環境構造了其強大的生態護城河，自此GPGPU（General Purpose GPU）時代開啟。

CUDA(Compute Unified Device Architecture，統一計算設備架構) 可以讓開發者能夠用類似 C 語言的方式編寫程序，讓 GPU 來處理計算密集型任務。簡單來說，CUDA平臺是英偉達提供給開發者的編程工具，包含了一系列工具函數，有各種功能，同時CUDA可以讓開發者調用成千上萬的 GPU 核心同時工作，進一步提高計算速度。隨著時間推移，CUDA被應用在包括物理化學、生物醫藥、人工智能等眾多行業領域，其開發者生態也不斷豐富，同時由于CUDA只適用于英偉達的GPU，它成為了英偉達主導GPU的殺手锏。類似于CUDA的還有針對AMD的GPU使用的ATIStream，以及兩款開源平臺ROCm和OpenCL，這兩者可實現不同生態GPU的相互遷移。

在GPU發展歷史上，除了CUDA平臺外，微架構迭代與芯片制程升級是單卡GPU性能提升的關鍵途徑。GPU 的微架構是用以實現指令執行的硬件電路結構設計，不同的微架構設計會對 GPU 的性能產生決定性的影響。以英偉達為例，從最初 Fermi 架構到現在的Hopper架構和最新的Blackwell架構，英偉達平均買兩年更新一次架構，每一階段都在性能和能效比方面得到提升，同時引入了新技術，如 CUDA、GPU Boost、RT 核心和 Tensor 核心等，作為行業第二的AMD也緊跟英偉達更新其微架構。

對比當前主流的頂級GPU英偉達H100和AMD的MI250X可以看出，二者在硬件層面上的差距并不大，真正能夠使英偉達維持80%市占率達的其實是軟件層面的CUDA平臺，由于多年以來眾多主要開發者都使用基于CUDA的英偉達GPU，其形成的廣泛生態和粘性極大的增加了進行更換廠商的總成本，同時這也給遠在大洋彼岸的國內廠商追趕英偉達造成更大的挑戰。因此英偉達不僅僅是我們印象中的賣芯片的硬件公司，它也是一家強大的軟件公司。

ASIC

在GPGPU時代GPU已經具備了類似CPU的通用性，專用處理器中還剩下ASIC和FPGA兩款。ASIC (Application Specific Integrated Circuit，專用集成電路)是為了某種特定需求而專門定制的芯片。ASIC 的計算能力和計算效率都可以根據算法需要進行定制，因此與通用芯片相比具有體積小、功耗低、計算性能高等優勢。但是缺點也很明顯，ASIC只能針對特定的幾個應用場景，算法和流程變更可能導致 ASIC 無法滿足業務需求。

由于目前對于芯片的需求爆發主要還是來自AI領域，針對AI計算場景設計的ASIC從性能、能效、成本均極大的超越了通用芯片，是GPU的潛在競爭對手。目前全球 ASIC 市場并未形成明顯的頭部廠商，由于 ASIC 需要定制且開發周期長，大多為云計算/互聯網等大廠有資金與實力進行研發，且僅當其定制化應用場景市場空間足夠大時量產ASIC才能實現豐厚利潤。目前市場上主流 ASIC 有 TPU 芯片、NPU 芯片、VPU 芯片以及 BPU 芯片，它們分別是由谷歌、寒武紀、英特爾以及地平線公司設計生產，預計未來將有更多諸如微軟、亞馬遜、百度、阿里等云計算巨頭加入定制自家的ASIC。

FPGA

除了ASIC外，FPGA (Field-Programmable Gate Array，現場可編程門陣列)也是一種專用芯片，其最大特點是現場可編程性。CPU、GPU以及各類 ASIC 芯片在制造完成后，其芯片的功能就已被固定，而 FPGA 芯片在制造完成后，用戶可以根據自己的實際需要，將自己設計的電路通過 FPGA 芯片公司提供的專用 EDA 軟件對 FPGA 芯片進行功能配置，從而將空白的 FPGA 芯片轉化為具有特定功能的集成電路芯片。FPGA 芯片由可編程的邏輯單元(Logic Cell，LC)、輸入輸出單元(Input Output Block，IO)和開關連線陣列(Switch Box，SB)三個部分構成。

2023 年全球 FPGA 市場規模有望達 94 億美元，且保持15%左右的增速。從競爭格局上看，被AMD收購的賽靈思Xilinx 約占全球 FPGA 市場份額 52%，Intel 旗下 Altera 約占 35%。

中美情況對比

前面詳細介紹了主要四種處理器芯片的功能、市場空間和競爭格局，接下來進一步說說中國和美國在AI芯片上的差距。首先，無論是站在國家安全、自主可控的角度還是受美國卡脖子技術禁令影響的角度，國產自研替代雖然艱難但一定是未來最可靠甚至是唯一的出路。

從算力、算法和應用層出發，中國廠商和美國同行相比都有一定差距。在算力端存在芯片性能及生態差距，在芯片的生產端核心環節如芯片的設計、流片等也均由海外主導；在算法端，海外在基礎研究方面較為領先，如谷歌發布底層架構 Transformer ；應用端，海外頭部應用多已成為行業標準，擁有較為良好的用戶基礎，有助于 LLM+產品的快速落地，如辦公領域的微軟 Office 產品。

不過算法和應用端的差距不大，而算力層面的差距是最關鍵的。一方面算力端的核心環節均受海外主導，很難繞開，而且海外頭部算力廠商圍繞自身產品形成了包含應用、算法的生態壁壘，更加難以突破。另一方面，算力處于基礎支撐地位，直接影響模型的落地和應用的推廣進度。美國政府為了限制中國AI的發展更是出臺政策禁止了美國企業將高端芯片賣給國內企業，自2022年以來美國已多次出臺出口限制法案，限制力度逐步提升。去年10月的最新法案中以總處理性能 TPP(Total Processing Performance，即計算速度*字節長度)和性能密度 PD(Performance Density，即每平方毫米的 TPP)為要求，TPP>4800 的芯片、TPP>1600 且 PD>5.92 的芯片屬于高性能芯片，不再被允許出口。

在這個背景下，我們來對比下中美主要AI芯片發展進度。國內的算力產業整體上可分為三大體系：以鯤鵬+昇騰為核心芯片的Arm服務器華為系，以海光為核心芯片、中科曙光為整機廠的x86服務器中科院系，以飛騰為核心芯片、中國長城為整機廠的Arm服務器中電子系。

在CPU領域，國內企業經過多年發展與積累形成了海光信息、龍芯中科、華為、飛騰、兆芯和申威六大廠商齊頭并進的局面，其中華為和海光性能最好，可對標英特爾與AMD的頂級CPU產品，飛騰和申威的芯片則主要應用于國家超算中心如天河、神威。從三大運營商的采購情況也可以看出，2022年采購中國產CPU服務器占比達到37%，其中海光占比19.66%，華為鯤鵬占比17.41%。

GPU方面，由于GPU領域英偉達占據絕對領導地位，國內廠商目前在硬件和生態上都有較大差距。國內GPU最強的是華為，昇騰310為推理芯片，昇騰910為訓練芯片。昇騰 910 芯片采用7nm制程，FP16 算力達到 320TFLOPS、INT8 算力達到 640TOPS，與 NVIDIA A100 80GB 版本旗鼓相當，組網集群上限達到18000張（英偉達A100為16000，H100為50000）。不過與英偉達H100和今年剛剛發布的B100相比存在1-2代差距。

此外，海光信息基于GPGPU架構推出DCU深算產品，軟件生態完善兼容通用的“類 CUDA”環境，旗下產品DCUZ100 的關鍵性能指標實現FP6410.8TFlops，顯存32GB HBM2，也可對標英偉達A100和AMD的MI100單卡性能。

發展趨勢

最后來說說AI芯片的發展趨勢有哪些，由于未來應用于大模型推理的需求將遠超過訓練需求，AI芯片也朝著更高性能、更低功耗和更靠近邊緣和端側發展。在性能提升方面，單個處理器層面的提升主要來自過去幾十年都遵循的摩爾定律，也就是芯片制程的提升，以及設計層面的微架構迭代。然而當晶體管大小接近 1nm 左右時，與 0.1nm 的原子直徑尺寸量級接近，量子隧穿引起的晶體管漏電效應將愈發明顯，以至于影響芯片正常工作。微架構方面，英偉達于今年三月GTC大會上最新推出的Blackwell架構也展現出架構更新放緩的趨勢。

在這個背景下，單張GPU的性能已接近瓶頸，因此未來的發展必然聚焦于多張卡的聯合上。在芯片封裝層面，通過Chiplet和CoWos等先進封裝技術將多顆芯片與內存等模塊封裝在一起。在系統層面，通過卡間互聯、服務器間互聯以及數據中心集群間互聯等方式集合更多的GPU。

此外，隨著越來越多的推理需求出現，AI芯片也將越來越多的從云端轉移到邊緣和端側，也會出現更多低功耗的端側芯片，比如現在的自動駕駛、AI PC和AI手機等概念，都需要將算力直接部署到汽車、電腦或手機上。