英伟达最近宣布，其GH200 Grace Hopper超级芯片正式投产，配套的生成式AI引擎NVIDIA DGX GH200也随之进入量产阶段。

GH200的核心思路，是通过Nvidia的NVLink-C2C互连技术，把基于ARM架构的Grace CPU和Hopper GPU融合到一颗芯片里。而DGX GH200系统则更进一步，将256个这样的超级芯片互联成单个GPU，为万亿参数级别的AI大模型训练提供支撑。这套架构在处理大规模推荐系统、生成式AI和图形分析方面表现突出，最关键的是，为大模型提供了线性可扩展能力——这意味着算力可以随着芯片数量增加而几乎无损耗地增长。

速度与功耗是GH200的亮点。其总带宽达到900GB/s，比当前标准PCIe Gen5通道高出7倍，功耗反而降低了5倍——这组数据在业内引起了不小的关注。

另一边，AMD也没闲着，推出了数据中心APU Instinct MI300系列，直指AI数据流处理市场。其中的MI300X GPU，专门针对ChatGPT这类应用背后的生成式AI技术做了优化，目标很明确：挑战英伟达在该领域的垄断地位。

这两大巨头的动作，实际上指向了一个更深层的趋势——先进算力的国产替代，正在行业变革中酝酿机会。半导体国产化的推进势不可挡，而算力芯片又是其中的重中之重。AI算力需求的爆发、功耗敏感度的提升，给服务器算力芯片提出了全新要求。英伟达GH200的推出，可能加速全球AI服务器算力芯片市场的格局变动，对中国芯片企业来说，挑战与机遇并存。

不同算力芯片的特点与区别

计算芯片的家族成员不少：CPU、GPU、FPGA、ASIC，各有各的擅长。但有一点是共通的——它们都承担计算任务。如果把CPU看作是综合性能最全面的选手，那么AI算法的执行，则往往需要GPU、FPGA、ASIC等芯片来助阵。

CPU是综合计算芯片，擅长逻辑控制和串行运算。计算机的运算器和控制器组成了CPU，它是整台计算机的“大脑”，一个调度能力极强、擅长多任务管理的领导者。它的长处在于统筹、管理，计算能力反而是次位的。CPU内部有大量的缓存和复杂的逻辑控制单元，这使其在处理逻辑控制和串行运算时游刃有余。但代价也很明显——计算单元只占芯片面积的30%左右，面对复杂算法和大量并行操作时，效率就捉襟见肘了。

GPU则走了另一条路：大幅扩充计算单元，专攻大规模并行计算。如果用团队来比喻，GPU像是被CPU调度的一支拥有“海量计算力”的执行部队。它的计算单元远多于CPU，最初是为了图形计算而设计，并行计算能力堪称一绝。这种架构天然适配深度学习算法，经过针对性优化后，能很好地满足大量计算需求。不过，高功耗是其绕不开的软肋。

GPU按接入类型分为独立GPU和集成GPU。独立GPU（独立显卡）插在主板上，有自己的独立显存，不占用系统内存，性能和显示效果自然更好。全球独立GPU市场的主要玩家是AMD和NVIDIA。集成GPU（集成显卡）则相反，核心以单独芯片集成在主板，动态共享部分系统内存作显存，能满足基本的图形处理和流畅编码需求。这一领域，英特尔和AMD是主流的供应商。

按应用场景，GPU还可细分为PC GPU、服务器GPU和移动GPU。

1）集成GPU常出现在PC中，适用于轻办公和文字处理；独立GPU则用于高清图片、视频编辑和游戏渲染等场景。

2）服务器GPU以独立GPU为主，部署在服务器中，负责专业可视化、计算加速和深度学习等任务。

3）移动GPU目前以集成GPU为主导。随着移动设备向轻薄化发展，内部净空间被越来越多的功能模组挤占，集成GPU的性能对于当前的移动端视频和图片处理需求而言，已经基本够用。

FPGA，也就是半定制化芯片。它的特点在于：计算能力够强、试错成本低、灵活性出色。为什么FPGA计算速度快？本质上是它的体系结构——无指令、无需共享内存。所谓“无指令”，是指使用硬件描述语言编程，直接编译为晶体管电路的组合，算法被直接映射成物理电路，没有指令系统的翻译过程。“无需共享内存”意味着，寄存器、片上内存（BRAM）各自归属于控制逻辑，无需额外的仲裁和缓存操作机制。

正因如此，FPGA的运算速度优于GPU。同时，和ASIC这种量产成本高昂的方案相比，FPGA作为一种半定制硬件，可以通过编程定义内部单元配置和链接架构，灵活性和试错成本都更有优势。

ASIC则是完全定制化芯片。性能极致，但前期开发周期长、成本高。它根据特定需求定制，能在特定功能上做到最强，处理速度更快、能耗更低。短板也很明显：开发成本高，定制化的设计复制性差，只有用量足够大，才能摊薄前期投入，让整体成本降下来。

CPU广泛应用于服务器、工作站、个人计算机

CPU的应用场景覆盖很广：服务器、工作站、个人计算机（台式机、笔记本）、移动终端、嵌入式设备……不同领域对CPU架构、功能、性能、可靠性、能效比的要求各不相同。

服务器处理器是设计工艺最复杂、数据处理能力和可靠性最高的CPU。服务器需要长时间稳定运行，具备极高的数据处理能力、强大的I/O吞吐能力和良好的扩展性。这对其CPU芯片在性能、可靠性、可扩展性、可维护性上提出了苛刻要求。实时分析、5G应用、人工智能、机器学习、金融、大数据、云计算等领域，都是服务器的用武之地。

工作站则为单用户提供远强于个人计算机的性能。它是一种高端微型计算机，在数据并行处理、图形处理等方面表现突出，典型的应用场景包括科学计算、工程计算、软件开发、计算机辅助设计等。

个人计算机以满足个人日常需求为主，核心数量不多。台式机和笔记本是最常见的形态，主要用来满足工作、学习、娱乐和个人办公需求。这类CPU核心数相对较少，I/O接口也少一些。

移动终端CPU讲究低功耗、轻量化，同时注重多媒体功能的增强。手机、笔记本、平板电脑、POS机等都属于这一范畴。随着集成电路进步和移动网络宽带化发展，移动终端正从一个简单的通话工具，转变为综合信息处理平台。这类处理器低功耗、轻量化，对多媒体功能有较高要求，I/O数量同样较少。

嵌入式设备对功耗、稳定性和可扩展能力要求最高。高稳定性、低功耗是最基本的门槛，处理器还要对环境（温度、湿度、电磁场、振动等）有很强的适应能力。体积小、集成度高是常态，适用于工业控制、移动便携设备、物联网终端。尤其物联网设备，往往还需要额外的CPU处理能力来支持可升级的功能。这意味着，针对特定应用的物联网CPU不仅要支持安全特性，还要具备可扩展的性能和更高的时钟频率。高集成度、高抗干扰能力、低功耗，是这类芯片的发展方向。

GPU等AI芯片广泛应用于高性能运算、深度学习等场景

AI芯片，顾名思义，面向人工智能应用的芯片。大致可以分为三类：

1）通用、半定制化芯片：经过软硬件优化，能高效支持AI应用的通用芯片，比如GPU、FPGA。

2）专为特定AI产品或服务设计的芯片：侧重于加速机器学习，尤其是神经网络和深度学习，ASIC是典型代表。

3）神经形态计算芯片：跳脱了经典的冯·诺依曼架构，基于神经形态架构设计，类似于人脑，集成度和能效比都非常高。IBM的Truenorth就是一个例子。

国产算力芯片的市场占有率还很低，这意味着广阔的可拓展空间。在全球舞台上，Intel凭借强大的X86生态体系，在通用CPU市场一直占据领先地位，市场份额常年在80%左右。AMD近年追赶迅速，而其他厂商的市场份额加起来不到1%。

2022年的数据中心领域，Intel市场占有率为71%，相比2021年下滑了10个百分点。AMD同期市场份额快速提升8个百分点，达到20%。亚马逊、Ampere等新兴玩家的份额也在快速提升——这给总份额不足5%的国产厂商提供了一个清晰的发展参照。独立显卡市场上，NVIDIA、AMD、Intel在2022年第四季度的全球份额分别是82%、9%和9%。

从多项参数来看，国产CPU已具备比肩能力。公开信息显示，在主频、核心数、内存类型等指标上，国内外厂商的差异并不大。但最关键的性能指标——IPC（每时钟周期指令数），只有Intel和AMD会公开声称“相比上一代提升了多少”。国产CPU在IPC性能上，大致落后Intel、AMD几年。

那么，国产厂商的机会在哪？

机会一：数据中心带来的增量需求。根据工信部信息通信发展司的数据，2017年全国数据中心总机架数量为166万架，2022年预计达到670万架，复合增速达32.2%。东数西算工程更是为这个市场注入了强心剂——2022年2月，京津冀、长三角、粤港澳大湾区等8地启动建设国家算力枢纽节点，规划了10个国家数据中心集群。每个集群都会集聚大量服务器。以韶关数据中心为例，预计到2025年将建成50万架标准机架、500万台服务器规模，投资超500亿元（不含服务器及软件）。

机会二：国产化浪潮。政府和国有企事业单位是国产CPU的主阵地。据测算，今年PC芯片市场规模在162至330亿元之间，而2022年服务器芯片市场规模已达130亿美元。企业级市场中，除了国有企业，能源、交通、金融、电信、教育等领域的重要企业，以及规模较大的民营企业，都存在设备国产化的需求。消费级市场则是对产业生态要求最高、对性价比最敏感、迭代周期最短的市场，是国产CPU需要长期攻坚的目标。

机会三：通过封测技术实现弯道超车。后摩尔时代已经到来。一方面，CPU制程升级速度放缓，国产CPU性能与国际主流水平的差距正在逐步缩小，赶超的可能性是存在的。另一方面，先进封装技术成为了新赛道的竞争焦点。在封装领域，我国封测厂商长电科技和通富微电位列全球前五，通富与AMD的合作尤为紧密。先进封装技术正在成为集成电路产业发展的新引擎，对有短板在先进制程能力上的国产CPU企业来说，这或许是一条可行的跃迁路径。事实上，通过先进封装技术，国产CPU已经实现了性能的提升和应用场景的拓展。