来源：《中国电子商情》

本文采访了深度科技研究院院长张孝荣、国际知名科技作家陈根、中国民营科技实业家协会元宇宙工作委员会秘书长吴高斌、中国数实融合50人论坛智库专家洪勇。

人工智能正在改变我们的生产生活方式，甚至影响着人类对自身、社会和世界的认知。这句话现在说来，几乎已经成为行业共识。

当前AI的研究焦点主要集中在自然语言处理、机器人、语音识别等领域。围绕这些领域的竞争早已白热化，产业生态体系也日趋成熟。中国的AI产业，正站在一个前所未有的机遇窗口前。IDC的报告数据很能说明问题：2022年，中国加速服务器市场规模达到67亿美元，同比增长24%。其中，GPU服务器依然是绝对主导，占据了89%的市场份额，达到60亿美元。同时，NPU、ASIC和FPGA等非GPU加速服务器，以12%的同比增速拿下了11%的市场份额，达到7亿美元。IDC预测，到2027年，中国加速服务器市场规模将飙升至164亿美元，其中非GPU服务器的份额将超过13%。

GPU最初是为游戏和多媒体这类复杂图像、视频处理任务而设计的，但它的能力远不止于此。它同样完美适配于数据密集型的深度学习任务——能以极快的速度处理海量数据，并输出有价值的结果。对于需要同时执行数百万次数学计算的大规模机器学习和深度学习模型来说，GPU的运算能力是基石般的存在。从实时决策、自动驾驶汽车，到个性化医疗和自然语言处理，这些前沿应用的背后，都离不开GPU的身影。

01 解锁AI应用的关键：为什么是GPU？

GPU在AI深度学习和神经网络中的应用已经不是什么新鲜事了。拿GPT-3这个大语言模型来说，无论是训练还是测试，都需要海量的计算资源，通常要动用成千上万个GPU。问题来了：相比CPU、FPGA、ASIC等其他类型的芯片，为什么GPU就特别适合人工智能？而和大家印象中专为AI设计的DPU、NPU相比，GPU又凭什么更具优势？这就要从它的几个核心特点说起了。

首先是并行计算能力。GPU拥有数千个核心，这些核心就像一群训练有素的工人，可以同时处理不同的任务。这种架构使得GPU能扛住巨大的计算工作负载，在极短时间内完成运算，极大地提高了深度学习和神经网络的训练效率。和CPU、FPGA、ASIC比起来，GPU不仅能同时处理多个任务，处理大量数据的速度也快得多。具体来说，在执行某些任务时，GPU的速度大约是CPU的20到100倍——这可不是个小数目。

其次是高带宽和大存储空间。GPU为深度学习和神经网络提供了高带宽的内存访问，这让它能够从容处理海量数据，并支撑起整个模型的训练。同时，GPU还提供了大存储空间，确保在训练期间，那些规模庞大的数据集能有地方安家。

最后是灵活性。这一点至关重要。和专门为AI定制的DPU和NPU不同，GPU可以运行各种类型的模型训练，比如深度神经网络、卷积神经网络等等。这种通用性让GPU能适应更广泛的应用场景。虽然DPU和NPU在某些特定任务上精度更高，但它们往往只能运行特定类型的神经网络。相比之下，GPU的灵活性就体现出来了。

GPU之间的差异化竞争，核心在于架构和整体能力。拿行业龙头NVIDIA来说，它的领先之处就在于独特的GPU架构设计方式。在显存调度上，NVIDIA拥有更强大、更智能的调度器，能更好地利用显存的带宽和空间，在处理复杂计算任务时效率更高。此外，NVIDIA还自主研发了CUDA核心、Tensor Cores等一系列核心技术，并采用了异构计算模式，整合GPU、CPU等架构，进一步放大了GPU的计算优势。

在芯片设计和制造环节，NVIDIA也采用了更先进、更精细的工艺。比如，使用台积电7nm工艺制造的Ampere系列GPU，就实现了更高的集成密度和能效。同时，NVIDIA在硬件、软件和智能化方面的持续研发与优化，使其产品在处理人工智能、图形渲染等大型计算任务时，性能优势更加凸显。

02 需求涌现，GPU价格水涨船高

深度学习、图像识别、语音识别……这些领域对GPU的需求像开了闸一样涌来。但GPU的供应却没能同步跟上，原因在于，GPU的制造过程比CPU复杂得多，需要更多的投资和技术支持。GPU厂商无法像变魔术一样快速增加产能，这就导致市场供不应求。

深度科技研究院院长张孝荣介绍说：“国产GPU发展起步较晚，市面上的产品大多还属于低端产品，主要用于商用机或服务器领域，个人消费级产品非常少。技术水平距离国外巨头当前的水平，大约还有五年的差距。”不过，国产化叠加AI计算需求的持续扩大，给国产GPU带来了巨大的发展空间。AI大模型的热潮直接刺激了GPU市场的活跃度，国外先进GPU价格昂贵且一卡难求，这让国产GPU获得了不少国内厂商的订单，市场份额也在逐步扩大。

国际知名科技作家陈根提到：“ChatGPT背后的大模型需要大量GPU的支撑，直接推高了GPU的价格。未来，随着需求的不断增加，GPU的供需关系还会产生新的变化。预计价格会继续上涨，但同时也会有更多玩家进入这个市场，增加供给。总的来说，国内GPU厂商目前虽然还处于相对落后的位置，但在人工智能领域，发展前景依然广阔。未来，GPU的价格和供需关系会动态变化，市场竞争会更加激烈，消费者也会有更多的选择余地。”

03 国产化：研发符合本土需求的GPU

在GPU芯片市场，国内企业短期内仍然以消费类应用为主。但面向未来，发展人工智能和GPU产业具有极其重要的战略意义。只有集中研发力量，不断提升产品性能，不断推出新产品，才能在全球激烈的市场竞争中占得先机。

中国民营科技实业家协会元宇宙工作委员会秘书长吴高斌直言：“目前国产GPU中，最好的性能大概能达到NVIDIA A100的70%左右。如果再考虑到实际使用过程中的性能衰减，差距会更大一些。短时间内想赶超NVIDIA和AMD，还不现实。对于国产GPU厂商来说，最直接的机会就是产品需要快速上量、放大规模。”他认为，GPU国产化不是一个可选项，而是一个必选项。基于这一点，本土GPU厂商正面对绝佳的发展机遇。国内市场提供了大量应用场景和性能优化的实战条件，这对于研发和优化帮助巨大。短时间国产GPU需求的集中放大，会造成供需波动，自然会引发价格上涨。但对本土厂商而言，目前最需要警惕的是不要盲目扩大产能，而是要集中研发力量去优化产品性能。

同时也要看到，海外GPU厂商目前仍能为中国市场提供减配版GPU。一旦这种产品尝试成功，一些大厂可能还是会优先选择减配版，至少性能更稳定。在实际应用中，本土GPU厂商可以针对国内市场的需求，加大在追踪本土用户需求方面的投入，让本土GPU产品拥有更好的适应性和用户体验，从而形成真正的市场竞争力。在成本方面，国际大厂通常面临采购、远程运输等成本压力，而作为本土生产商，成本控制可以做得更好，成本也更低。

通常来说，选择GPU需要考察几个关键指标：

工作负载。根据你需要完成的任务类型和规模来选型。如果你需要处理大规模数据，那么一款拥有更高内存容量和处理速度的GPU就是刚需。

芯片性能。比较GPU性能时，要看芯片的实际表现，而不是只看型号或内存容量。比如，同样是8GB内存的GPU，但实际性能更好的那一款，可能比另一款内存更大的显卡更适合你的工作负载。

成本。高性能GPU处理大规模数据效率很高，但价格也高得吓人。如果预算有限，就需要寻找一款性能和成本平衡的产品。

兼容性。使用GPU时，硬件和软件的兼容性必须考虑。要确保所选GPU与你的系统和软件能良好配合。

中国数实融合50人论坛智库专家洪勇指出：“国内GPU厂商完全有机会在人工智能领域进行技术创新。他们可以利用本土市场的需求和行业特点，推动硬件和软件的创新，提供更加适用于人工智能任务的高性能产品。我国拥有庞大的人工智能市场和应用需求，包括机器学习、深度学习、自然语言处理等领域。国内GPU厂商可以通过提供适应本土需求的产品和解决方案，满足这些应用的需求。”此外，他还提到，政府对人工智能领域的支持力度很大，包括政策扶持和资金投入，这有助于加快技术研发和市场推广。政策在本土GPU获取市场份额的过程中可以发挥多重作用：支持和鼓励本土企业进行技术创新和研发；通过资金支持和优惠政策帮助本土厂商开展生产、研发和推广工作；建立市场监管和质量监控体系，保障本土GPU产品的质量与稳定性；从官方层面积极推广本土GPU产品，为本地厂商开辟更多国内市场，提高本土GPU产品的知名度和市场份额。

04 小结

总而言之，GPU在人工智能领域的应用正变得越来越广泛，在加速深度学习、图像识别、语音处理等任务中扮演着不可或缺的角色。深度学习的计算量巨大，这让GPU成为其最核心的硬件支撑。并且，随着深度学习技术本身的持续演进，GPU的性能也在水涨船高，不断突破。