GPU行業(yè)深度報(bào)告：AI與自動(dòng)駕駛打造GPU強(qiáng)力增長引擎

正文目錄TOC\o"1-2"\h\z\u一、 數(shù)字經(jīng)濟(jì)、AI、智能駕駛視角下看算力需求 5演變趨勢：從通用計(jì)算到智能計(jì)算，從分散獨(dú)立到云網(wǎng)邊協(xié)同 5戰(zhàn)略地位：算力屬于基礎(chǔ)設(shè)施建設(shè)，是智能時(shí)代發(fā)展的物理承載 6應(yīng)用驅(qū)動(dòng)：數(shù)字經(jīng)濟(jì)搭建整體框架，AI大模型、智能駕駛持續(xù)拉升 7優(yōu)化路徑：提升芯片性能及創(chuàng)新存算架構(gòu)是研究主流 10二、 算力需求視角下看GPU發(fā)展的必然趨勢 12性能：GPU技術(shù)發(fā)展迅速，高并發(fā)計(jì)算能力契合算力需求 12靈活性：GPU可編程優(yōu)勢明顯，通用靈活性適配AI應(yīng)用端拓展 15三、 GPU市場：供給推動(dòng)市場，技術(shù)及產(chǎn)能是核心驅(qū)動(dòng)力 18需求端：移動(dòng)端兜底，自動(dòng)駕駛及數(shù)據(jù)中心建設(shè)貢獻(xiàn)增量 18供給端：英偉達(dá)獨(dú)占鰲頭，國內(nèi)技術(shù)追趕空間廣闊 24GPU產(chǎn)業(yè)鏈概況及國內(nèi)重點(diǎn)公司介紹 31風(fēng)險(xiǎn)提示 35圖表目錄圖1：算力建設(shè)已成為經(jīng)濟(jì)發(fā)展的重要競爭策略 5圖2：各類高性能計(jì)算、智能計(jì)算可以通過云邊端架構(gòu)形成算力網(wǎng)絡(luò) 6圖3：人工智能三要素為算法、算力、數(shù)據(jù) 6圖4：算力發(fā)展的核心要素、產(chǎn)品及應(yīng)用 6圖5：全球數(shù)據(jù)產(chǎn)生量高速增長 7圖6：全球算力規(guī)模將高速增長 7圖7：2017-2023年中國數(shù)字經(jīng)濟(jì)規(guī)模變化 8圖8：我國在用數(shù)據(jù)中心機(jī)架規(guī)模保持增長 8圖9：AI大模型尺寸快速增長 9圖10：大模型時(shí)代的GPU算力快速增長 9圖11：智能駕駛車輛的滲透率 10圖12：L5智能駕駛算力需求超1000TOPS 10圖13：我國智能駕駛市場算力需求測算 10圖14：算力性能主要受處理器性能及數(shù)據(jù)傳輸制約 11圖15：2016-2018年，CPU性能每年提升僅3.5 12圖16：CPU架構(gòu) 13圖17：GPU架構(gòu)擁有更多的邏輯核心 13圖18：第一款以GPU命名的芯片GEFORCE256 14圖19：GPU經(jīng)典工作流程 14圖20：V100混合精度運(yùn)算速度提高了9倍 15圖21：英偉達(dá)第四代FP8TENSORCORE 15圖22：常用的主流計(jì)算平臺(tái)靈活性及性能的比較 16圖23：芯片研發(fā)成本 17圖24：不同部署位置的AI芯片要求 17圖25：英偉達(dá)CUDA-XAI生態(tài)支持多種框架、云計(jì)算服務(wù)、部署 18圖26：GPU市場下游需求 19圖27：PC市場處于下行周期（含平板） 19圖28：PC端桌面顯卡出銷量及同比 19圖29：全球移動(dòng)游戲市場占比增加（十億美元） 20圖30：基于終端感知的混合AI 21圖31：部分AI模型可從云端分流到終端 21圖32：車載芯片的演變 21圖33：中央計(jì)算平臺(tái)須采用高算力芯片以進(jìn)行整車功能、算力/存儲(chǔ)等資源部署 22圖34：2025年芯片平均算力將超2000TOPS 23圖35：2025年全球高性能計(jì)算市場規(guī)模達(dá)199億美元 23圖36：TOP500超算中心56算力由GPU提供 23圖37：AI服務(wù)器對(duì)于GPU需求更高 24圖38：2025年全球AI服務(wù)器市場規(guī)模激增至1350億美元 24圖39：全球GPU市場格局變化 25圖40：國內(nèi)部分GPU廠商市場布局 25圖41：英偉達(dá)游戲產(chǎn)品矩陣 25圖42：英偉達(dá)游戲業(yè)務(wù)營收增長 26圖43：2023Q2全球PC顯卡市場份額 26圖44：英偉達(dá)數(shù)據(jù)中心產(chǎn)品矩陣 27圖45：英偉達(dá)第四代NVLINK能為H100提升1.5倍帶寬 28圖46：英偉達(dá)數(shù)據(jù)中心業(yè)務(wù)營收增長 29圖47：高性能計(jì)算芯片下游需求 29圖48：英偉達(dá)自動(dòng)駕駛產(chǎn)品矩陣 30圖49：英偉達(dá)THOR芯片計(jì)算性能提升 30圖50：英偉達(dá)智能駕駛業(yè)務(wù)營收增長 31圖51：2023年度H1中國市場乘用車自動(dòng)駕駛計(jì)算方案市場份額 31圖52：GPU產(chǎn)業(yè)中下游分別為芯片設(shè)計(jì)、制造、封裝與測試 32圖53：公司營收及同比增速 33圖54：公司歸母凈利潤及同比增速 33圖55：公司營收及同比增速 34圖56：公司歸母凈利潤及同比增速 34表格1：我國出臺(tái)多項(xiàng)算力建設(shè)政策支持?jǐn)?shù)字經(jīng)濟(jì)發(fā)展 8表格2：不同語言模型的算力需求及參數(shù)數(shù)量 9表格3：英偉達(dá)GPU架構(gòu)調(diào)整演進(jìn)方向 14表格4：GPU、DSA、ASIC比較（以CPU為基準(zhǔn)） 17表格5：SOC推動(dòng)高性能GPU移動(dòng)端應(yīng)用 20表格6：目前主流的車規(guī)級(jí)芯片架構(gòu) 23表格7：游戲產(chǎn)品增強(qiáng)技術(shù) 25表格8：國內(nèi)廠商桌面級(jí)顯卡產(chǎn)品參數(shù)對(duì)比 26表格9：英偉達(dá)H100產(chǎn)品技術(shù) 27表格10：國內(nèi)廠商高性能計(jì)算GPU產(chǎn)品參數(shù)對(duì)比 28表格11：國內(nèi)部分車型搭載芯片型號(hào) 30表格12：國內(nèi)重點(diǎn)GPU公司及技術(shù) 32表格13：景嘉微定向增發(fā)擬建設(shè)項(xiàng)目 33表格14：相關(guān)公司可比估值 34一、數(shù)字經(jīng)濟(jì)、AI、智能駕駛視角下看算力需求演變趨勢：從通用計(jì)算到智能計(jì)算，從分散獨(dú)立到云網(wǎng)邊協(xié)同1964年戈登CPU的競爭焦點(diǎn)。圖1：算力建設(shè)已成為經(jīng)濟(jì)發(fā)展的重要競爭策略資料來源：數(shù)字電子技術(shù)，資源服務(wù)可以分為云計(jì)算、混合計(jì)算及算力網(wǎng)絡(luò)?？茖W(xué)、工程計(jì)算。這類計(jì)算主要利用超級(jí)計(jì)算機(jī)實(shí)現(xiàn)并行計(jì)算，是一種算法優(yōu)化和支持人工智能、智慧城市等新興領(lǐng)域。AI領(lǐng)域模型訓(xùn)練WorldWide萬維網(wǎng)任務(wù)的分解及高效調(diào)度。圖2：各類高性能計(jì)算、智能計(jì)算可以通過云邊端架構(gòu)形成算力網(wǎng)絡(luò)資料來源：華為官網(wǎng),金融界，戰(zhàn)略地位：算力屬于基礎(chǔ)設(shè)施建設(shè)，是智能時(shí)代發(fā)展的物理承載整體架構(gòu)層面，算法、算力及數(shù)據(jù)是實(shí)現(xiàn)人工智能的三要素，其中算力是構(gòu)筑智能時(shí)代的物理基礎(chǔ)。人工智能離不開算力、算法及數(shù)據(jù)，其發(fā)展需要在建立在龐大的數(shù)據(jù)集、優(yōu)秀的深度學(xué)習(xí)算法及強(qiáng)大的計(jì)算能力基礎(chǔ)之上，而算力作為底層基礎(chǔ)設(shè)施，是開啟智能時(shí)代的關(guān)鍵因素，其核心于智能芯片的技術(shù)進(jìn)步。圖3：人工智能三要素為算法、算力、數(shù)據(jù)圖4：算力發(fā)展的核心要素、產(chǎn)品及應(yīng)用資料來源：中國科普網(wǎng)， 資料來源：中國電子商會(huì)，算力荒”IDC顯示，2018201933ZB、41ZB2020年全球數(shù)據(jù)60ZB46%求宏觀算力快速發(fā)展，NTCysd2021-202840%的速度增長，20287510EFlops。圖5：全球數(shù)據(jù)產(chǎn)生量高速增長 圖6：全球算力規(guī)模將高速增長0

全球數(shù)據(jù)量變化趨勢（ZB，左軸同比增長（，右軸）2015201620172018201920202025E

100%80%60%40%20%0%

0

全球算力規(guī)模（Eflops，左軸同比增速（，右軸）2023E2024E2025E2026E2027E2028E

60%50%40%30%20%10%0%資料來源：IDC， 資料來源：NTCysd，應(yīng)用驅(qū)動(dòng)：數(shù)字經(jīng)濟(jì)搭建整體框架，AIAI率先落地，成為拉動(dòng)算力需求的核心驅(qū)動(dòng)力。全球正加快數(shù)字經(jīng)濟(jì)建設(shè)，算力發(fā)展成為主要戰(zhàn)略競爭點(diǎn)之一。目前，全球正處于經(jīng)濟(jì)數(shù)字化轉(zhuǎn)型階段GDP的核心戰(zhàn)略，具體數(shù)據(jù)來看，202047個(gè)國家數(shù)字經(jīng)濟(jì)增32.6GDP43.7%3%2022國數(shù)字經(jīng)濟(jì)規(guī)模已達(dá)50.2億元，數(shù)字基礎(chǔ)設(shè)施規(guī)模能級(jí)大幅提升，在用數(shù)據(jù)中心算例總規(guī)模超180EFlops，位居世界第二。圖7：2017-2023年中國數(shù)字經(jīng)濟(jì)規(guī)模變化 圖8：我國在用數(shù)據(jù)中心機(jī)架規(guī)模保持增長市場規(guī)模（萬億元，左軸同比增長（，右軸）60504030201002017201820192020202120222023E

20%16%12%8%4%0%

0

數(shù)量（萬架，左軸）同比增長（，右軸201720182019202020212022

50%40%30%20%10%0%資料來源：中國信通院，國家網(wǎng)信辦《數(shù)字中國發(fā)展報(bào)告(2022年)》，中商產(chǎn)業(yè)研究院，

資料來源：工信部，表格1：我國出臺(tái)多項(xiàng)算力建設(shè)政策支持?jǐn)?shù)字經(jīng)濟(jì)發(fā)展時(shí)間 文件 算力建設(shè)內(nèi)容時(shí)間 文件 算力建設(shè)內(nèi)容2021.05

新體系算力樞紐實(shí)施方案》

量供給、數(shù)據(jù)高效率流通的大數(shù)據(jù)發(fā)展高地。2021.072021.112021.122021.12

劃（2021-2023）》規(guī)劃》劃》劃》

3碳、算力規(guī)模與數(shù)字經(jīng)濟(jì)增長相適應(yīng)的新型數(shù)據(jù)中心發(fā)展格局。2025（每秒百億億次浮點(diǎn)運(yùn)算）300，27。推進(jìn)云網(wǎng)協(xié)同和算網(wǎng)融合發(fā)展。加快構(gòu)建算力、算法、數(shù)據(jù)、應(yīng)用資源協(xié)同的全國一體化大數(shù)據(jù)中心體系。3。系統(tǒng)優(yōu)化算力基礎(chǔ)設(shè)施布局，促進(jìn)東西部算力高效2023.02 《數(shù)字中國建設(shè)整體布局規(guī)劃》資料來源：國務(wù)院，工信部，

能計(jì)算中心、邊緣數(shù)據(jù)中心等合理梯次布局。AI大模型的快速擴(kuò)張是算力需求的關(guān)鍵驅(qū)動(dòng)力。AIAI膨脹，GPUOpenAI175B相比Small(Flops)1400倍；而據(jù)Semianalysis最1201.8萬億參175B10倍。圖9：AI大模型尺寸快速增長 圖10：大模型時(shí)代的GPU算力快速增長 資料來源：《ASurveyofLarge-ScaleDeepLearningServingSystemOptimization:ChallengesandOpportunities》，

資料來源：《ASurveyofLarge-ScaleDeepLearningServingSystemOptimization:ChallengesandOpportunities》，表格2：不同語言模型的算力需求及參數(shù)數(shù)量模型 總計(jì)算力（模型 總計(jì)算力（PFlops- 總計(jì)算力（Flops） 參數(shù)量（百萬）day）Small2.08E+001.80E+2060Base7.64E+006.60E+20220T5 Large2.67E+012.31E+217703B1.04E+029.00E+21300011B3.82E+023.30E+2211000Base1.89E+001.64E+20109Large6.16E+005.33E+20355Base1.74E+011.50E+21125Large4.93E+014.26E+21355Small2.60E+002.25E+20125Medium7.42E+006.41E+20356GPT-3 Large1.58E+011.37E+21760XL2.75E+012.28E+211320175B3.64E+033.14E+23174600資料來源：OpenAI《LanguageModelsareFew-ShotLearners》，汽車智能化功能升級(jí)，智能駕駛將貢獻(xiàn)算力需求的全新增量。L3L5級(jí)14%、1%203040%、12%。而L330-60TOPS、100TOPS，未來隨著智能駕駛汽車滲透率的提升，將會(huì)持續(xù)帶動(dòng)智能駕駛市場整體算202520301.9萬、19TOPS，2021-2025CAGR。圖11：智能駕駛車輛的滲透率 圖12：L5智能駕駛算力需求超1000TOPS

L3L4/L5L3L4/L5

0

400040003201000100L1 L2 L3 L4 L5資料來源：華經(jīng)產(chǎn)業(yè)研究院， 資料來源：億歐智庫，地平線官網(wǎng)，圖13：我國智能駕駛市場算力需求測算0

算力需求（萬TOPS） 同比增長（）2020 2021 2022E 2023E 2024E 2025E

350%300%250%200%150%100%50%0%資料來源：中汽協(xié)，華經(jīng)產(chǎn)業(yè)研究院，億歐智庫,優(yōu)化路徑：提升芯片性能及創(chuàng)新存算架構(gòu)是研究主流系統(tǒng)算力主要受處理器性能與數(shù)據(jù)傳輸能力影響，當(dāng)數(shù)據(jù)處理能力與傳輸能力不匹配時(shí)，計(jì)算能力由兩者中較低者決定。處理性能主要與指令復(fù)雜程度、頻率、并行度有關(guān)，一般來說，指令越復(fù)雜、計(jì)算頻率越高、并行程度越大，處理器性能就越好；而數(shù)據(jù)傳輸?shù)哪芰εc處理器內(nèi)部存算架構(gòu)有關(guān)，在計(jì)算機(jī)體系里，根據(jù)訪問延遲及容量大小將存儲(chǔ)結(jié)構(gòu)分為寄存器、緩存、內(nèi)存、外存與遠(yuǎn)程存儲(chǔ)，而這種存算分離的架構(gòu)形式，通常使得數(shù)據(jù)傳輸成為限制系統(tǒng)算力的因素。圖14：算力性能主要受處理器性能及數(shù)據(jù)傳輸制約資料來源：SDNLAB,指令的復(fù)雜程度。指令系統(tǒng)是連接計(jì)算機(jī)軟件和硬件的橋梁，一般來說，指令的復(fù)CPUGPUFPGADSACPU硬件加速平臺(tái)，用于執(zhí)行各類復(fù)雜指令。CPU數(shù)據(jù)傳輸能力。數(shù)據(jù)傳輸能力并不直接影響處理器性能，但復(fù)雜的存儲(chǔ)分層結(jié)構(gòu)會(huì)據(jù)傳輸能力的優(yōu)化方向主要包括近存計(jì)算及存算一體化架構(gòu)。二、算力需求視角下看GPU發(fā)展的必然趨勢性能：GPU橫向比較，GPUCPU而言，更符合深度學(xué)習(xí)算法的高度并行計(jì)算需求。一方面，CPU性能提升已達(dá)到瓶頸，與高速增長的算力需求脫節(jié)。CPU作為第一代高效計(jì)算平臺(tái)，目前無論從不管是從架構(gòu)/微架構(gòu)設(shè)計(jì)、工藝、多核并行等各種角度出發(fā)，其性能都難以提升，2016年之后，CPU性能每年提升僅3.5%。隨著數(shù)字經(jīng)濟(jì)、AI大模型、智能駕駛等算力需求的推動(dòng)，CPU性能已無法滿足上層軟件算力需求。15：2016-2018CPU3.5資料來源：computerarchitecture：Aquantitativeapproach,CPUSIMD架CPUMIMD可以用來處理復(fù)雜的控制邏輯、預(yù)測分支、亂序執(zhí)行、多級(jí)流水等，而GPU為數(shù)據(jù)級(jí)并行的SIMD架構(gòu)，其核心多但性能弱，用于優(yōu)化具有簡單控制邏輯的數(shù)據(jù)并行任務(wù)。GPUGPU，不僅能夠更快的完成數(shù)據(jù)的讀取與寫入，還能實(shí)行多條指令并行計(jì)算。圖16：CPU架構(gòu) 圖17：GPU架構(gòu)擁有更多的邏輯核心資料來源：Imagination官網(wǎng)， 資料來源：Imagination官網(wǎng)，縱向比較，GPU架構(gòu)技術(shù)仍在演進(jìn)，其高性能計(jì)算與智能計(jì)算能力不斷優(yōu)化GPUProcessingUnit），1999GeForce256圖形處理芯片時(shí)首GPU的概念，GeForce256T&LCPU的依賴。GPU組成中通常包含一VRAM、一個(gè)顯存速率以及一個(gè)顯存位寬。圖第一款以GPU命名的芯片GeForce256 圖19：GPU經(jīng)典工作流程資料來源：電動(dòng)星球News， 資料來源：電子發(fā)燒友，GPUGPUGPUGPGPU。2008-202282010GPUFermi2017HopperGPUAI大模型訓(xùn)練與推理環(huán)節(jié)。表格3：英偉達(dá)GPU架構(gòu)調(diào)整演進(jìn)方向構(gòu)架代號(hào) 時(shí)間 納米制程 核心參數(shù) 特點(diǎn) 代表型號(hào)構(gòu)架代號(hào) 時(shí)間 納米制程 核心參數(shù) 特點(diǎn) 代表型號(hào)Fermi2010 完整GPU架構(gòu) Quadro700030億晶體管 個(gè)Cuda內(nèi)核Kepler28nm 15個(gè)SMFermi2010 完整GPU架構(gòu) Quadro700030億晶體管 個(gè)Cuda內(nèi)核Kepler28nm 15個(gè)SM，每個(gè)SM包括 支持GPUDirect技 K80201271億晶體管 192個(gè)FP32和64個(gè)FP64 術(shù) K40MMaxwell28nm 24個(gè)SM，每個(gè)SM包括 M50002014 -80億晶體管 128個(gè)FP32與4個(gè)FP64 M4000PascalP10016nm 56個(gè)MM包括642016 NVlink一代 GTX1080152億晶體管 個(gè)FP32與32個(gè)FP64P6000Volta80個(gè)M每個(gè)M包括32 推出Tenor內(nèi)核，12nm V1002017 個(gè)FP64、64個(gè)INT32、64 滿足深度學(xué)習(xí)與AI211億晶體管個(gè)FP32、8個(gè)Tensor內(nèi)核運(yùn)算TiTanVTU10272SM，每個(gè)Turing 2018 SM64INT32、64個(gè)FP32、8個(gè)Tensor內(nèi)核二代Tensor內(nèi)核T42080TIRTX500012nm186億晶體管Ampere 2020Hopper

7nm283億晶體管4nm800億晶體管

A100108SMSM32FP6464INT32、64FP32、4Tensor內(nèi)核H100132SMSM64FP6464INT32、128FP32、4Tensor內(nèi)核

Tensor結(jié)構(gòu)稀疏性MIG1.04nm工藝Tensor內(nèi)核結(jié)構(gòu)稀疏性矩陣MIG2.0

A100A303090H100資料來源：英偉達(dá)官網(wǎng)歷代架構(gòu)白皮書，AI模型推理的關(guān)鍵張量核心。英偉達(dá)架構(gòu)上推出，在后續(xù)推出的TuringAmpereHopperV100P1009核心其FP8性能較AmpereFP616倍，AIAmpere30倍。圖20：V100混合精度運(yùn)算速度提高了9倍圖21：英偉達(dá)第四代FP8Tensorcore 資料來源：微型計(jì)算機(jī)雜志， 資料來源：英偉達(dá)官網(wǎng)，靈活性：GPUAIGPU擁有相對(duì)較優(yōu)的性能及靈活性。CPU、FPGA、GPU、DSACPU為軟件加速CPU平臺(tái)的硬件實(shí)現(xiàn)與軟件編程完全解耦，靈活性最高；ASIC圖22：常用的主流計(jì)算平臺(tái)靈活性及性能的比較資料來源：SDNLAB,ASICDSADSAASICASICASICASICDSAASICDSA的應(yīng)用領(lǐng)域，與芯片高企的研發(fā)成本相矛盾。5ASICDSAAI應(yīng)用領(lǐng)域，ASICDSAAI應(yīng)用及算法迭代優(yōu)化的速度。特點(diǎn)算力通用性（）芯片圖23：芯片研發(fā)成本 表格4：GPU、DSA、ASIC特點(diǎn)算力通用性（）芯片600500

研發(fā)成本（百萬美元）

CPU（基100 1 極度靈活的可編程能力準(zhǔn)）0

65nm40nm28nm22nm16nm10nm7nm5nm

GPU 10DSA5（TPU）ASIC 1

>10倍>100倍>100倍

用廣泛能力性能極致但無靈活性，應(yīng)用拓展力不強(qiáng)資料來源：軟硬件融合， 資料來源：騰訊云，ASICDSA芯片與算力融合的宏架構(gòu)趨勢相矛盾。數(shù)字經(jīng)濟(jì)的建DSAASIC芯片難以成為數(shù)字經(jīng)濟(jì)時(shí)代的整體解決方案。圖24：不同部署位置的AI芯片要求資料來源：集微咨詢，CUDA、OpenCLGPU賦能，GPU性能提升潛力大、應(yīng)用拓展力強(qiáng)。GPUMXNet在內(nèi)的所有深度學(xué)習(xí)框架；另一方面，隨著深度學(xué)習(xí)算法和模型的收斂，GPU可以通過對(duì)算法進(jìn)行手工優(yōu)化實(shí)現(xiàn)CUDA10-20%的性能提升。圖25：英偉達(dá)CUDA-XAI生態(tài)支持多種框架、云計(jì)算服務(wù)、部署資料來源：英偉達(dá)官網(wǎng)，三、GPU市場：供給推動(dòng)市場，技術(shù)及產(chǎn)能是核心驅(qū)動(dòng)力3.1需求端：移動(dòng)端兜底，自動(dòng)駕駛及數(shù)據(jù)中心建設(shè)貢獻(xiàn)增量GPU下游目前主要應(yīng)用于移動(dòng)端、數(shù)據(jù)中心服務(wù)器以及車規(guī)級(jí)芯片。其中，移動(dòng)端應(yīng)PCGPUGPU，主要用于加速圖形處理，以提高計(jì)算機(jī)游戲的圖GPU度學(xué)習(xí)、計(jì)算機(jī)視覺和自然語言處理等人工智能應(yīng)用；數(shù)據(jù)中心服務(wù)器又可以分為高GPU用于數(shù)據(jù)中心建設(shè)；在汽車領(lǐng)域，GPU主要應(yīng)用于車端及其配套設(shè)施智能芯片，負(fù)責(zé)處理來自攝像頭、普通雷達(dá)、激光雷達(dá)等傳感器數(shù)據(jù)，實(shí)現(xiàn)智能駕駛。圖26：GPU市場下游需求資料來源：英偉達(dá)官網(wǎng)，高通官網(wǎng)，中商產(chǎn)業(yè)研究院，觀研報(bào)告，1）GPU移動(dòng)端主要市場，智能手機(jī)及可穿戴設(shè)備有望滲透。GPU作為圖尤其是個(gè)人電腦市場下滑的影響，PC端顯卡需求處于下行區(qū)間，據(jù)JonPeddieResearch數(shù)據(jù)統(tǒng)計(jì)，2023PC630萬塊，同比下降52.9%。圖27：PC市場處于下行周期（含平板） 圖28：PC端桌面顯卡出銷量及同比0

出貨量（百萬臺(tái)，左軸同比增速（，右軸）2017 2019 2021 2023E

20%15%10%5%0%-5%-10%-15%

銷量（百萬塊，左軸同比增速（，右軸）60504030201002014 2016 2018 2020 2022

0-0.1-0.2-0.3-0.4-0.5-0.6資料來源：Canalys， 資料來源：JonPeddieResearch，AIGPUEZOO202103553%GPUGPU性能要求將逐漸增加，目前高通、AMDARM擴(kuò)量。圖29：全球移動(dòng)游戲市場占比增加（十主要內(nèi)容聯(lián)合GPU品牌SoC廠商億美元） 表格5：SoC推動(dòng)高性能GPU主要內(nèi)容聯(lián)合GPU品牌SoC廠商250200150100

主機(jī)游戲 移動(dòng)游數(shù)字版/盒裝PC游戲 網(wǎng)頁游

三星電子 Exynos AMD高通 驍龍 自研

級(jí)圖形技術(shù)和解決方案。高通人工智能引擎，AdrenoGPU25，能效提升451047710477919302020 2021 2022 2023E

雙方合作將NVIDIA圖形聯(lián)發(fā)科 天璣 英偉達(dá)解決方案引入安卓海思 麒麟 - -資料來源：NEWZOO， 資料來源：福布斯中國，中國日?qǐng)?bào)網(wǎng)，AIAIAI技術(shù)的快速發(fā)展，以及計(jì)算需求的提升，AIAI架構(gòu)可以根據(jù)模AIXR等便攜設(shè)AIGPU需求的提升。圖30：基于終端感知的混合AI 圖31：部分AI模型可從云端分流到終端資料來源：高通《混合AI是AI的未來》， 資料來源：高通《混合AI是AI的未來》，GPU車載芯片的架構(gòu)模式經(jīng)歷分布式架構(gòu)向混CPUGPU來輔助計(jì)算；而中央計(jì)算架構(gòu)圖32：車載芯片的演變資料來源：博世官網(wǎng)，有駕官網(wǎng)，ECUECU構(gòu)復(fù)雜，不利于汽車架構(gòu)及功能擴(kuò)展。ECU數(shù)量，根據(jù)汽車各部分功能進(jìn)行劃分，如博世將汽車控制（每個(gè)功能域設(shè)置域CANFD域由于要滿足人機(jī)交互、機(jī)器視覺等需求，其算力要求較高，通常通過DPU（CPU+GPU+FPGA）架構(gòu)來滿足算力需求。ECU圖33：中央計(jì)算平臺(tái)須采用高算力芯片以進(jìn)行整車功能、算力/存儲(chǔ)等資源部署資料來源：汽車測試網(wǎng)，GPUGPU需V2XAIGPUORINCPU+GPU+ACCELGPUDLA提供。根據(jù)測算，預(yù)2023GPU24億美元。圖34：2025年芯片平均算力將超2000算力（TOPS）架構(gòu)產(chǎn)品廠商算力（TOPS）架構(gòu)產(chǎn)品廠商250020001500

市場加權(quán)平均算力（TOPS）

英偉達(dá) ORIN CPU+GPU+ACCEL 254INT8地平線 征程5 CPU+BPU+DSP+ISP 1281000

芯擎科技 龍鷹一號(hào) CPU+GPU+NPU -5000

2023E 2024E 2025E

Mobileye

EyeQULTRACPU+GPU+VPU+ISP 176（未量產(chǎn)）研究所

特斯拉 FSD CPU+GPU+NPU 144資料來源：有駕，自動(dòng)駕駛與AI，地平線官網(wǎng)，GPUGPUHyperion研究顯示，2025199億美元，2022-2025CAGR5.5%top50050056%GPU2023年全球高性能計(jì)算中GUP21億美元。圖352025年全球高性能計(jì)算市場規(guī)模達(dá)199億美元

圖36：TOP500超算中心56算力由GPU提供0

HPC市場規(guī)模（億美元，左軸同比增速（，右軸）2020 2021 20222023E2024E2025E

20%16%12%8%4%0%-4%資料來源：Hyperion， 資料來源：官網(wǎng)，不同于高性能計(jì)算中心，智算中心是利是用先進(jìn)的人工智能算法和芯片進(jìn)行智能算法模型訓(xùn)練和推理。總量方面，根據(jù)IDC及數(shù)據(jù)預(yù)測，2023年全球AI服務(wù)器市場規(guī)模將達(dá)到211億美元，同比增長15%，而據(jù)AletheiaCapital最新報(bào)告分析，2025年AI服務(wù)器市場規(guī)模將激增至1350億美元，2023-2025CAGR高達(dá)152%；價(jià)值方面，由于智能算法具有計(jì)算難度小、計(jì)算量大等特點(diǎn)，對(duì)于計(jì)算任務(wù)的高并發(fā)能力及吞吐量要求較高，因此對(duì)于GPU的需求更大，據(jù)統(tǒng)計(jì)，機(jī)器學(xué)習(xí)型AI服務(wù)器中，GPU成本占比約為72.8%。未來，隨著智算中心建設(shè)有序推進(jìn)，GPU有望迎來量價(jià)齊升，預(yù)計(jì)2023年AI服務(wù)器領(lǐng)域GUP市場空間約為187.8億美元。37：AIGPU

圖38：2025年全球AI服務(wù)器市場規(guī)模激增至1350億美元

其他 網(wǎng)絡(luò) 存儲(chǔ)器 內(nèi)存 GPU CPU73%25%73%25%27%基礎(chǔ)型 推理型 高性能型 機(jī)器學(xué)型資料來源：IDC，ARK，華經(jīng)情報(bào)網(wǎng)，樂晴智庫，注：高性能及機(jī)器學(xué)習(xí)型服務(wù)器中存儲(chǔ)器、網(wǎng)絡(luò)合并為其他項(xiàng)

資料來源：AletheiaCapital3.2供給端：英偉達(dá)獨(dú)占鰲頭，國內(nèi)技術(shù)追趕空間廣闊英偉達(dá)市場份額獨(dú)占鰲頭，國際呈現(xiàn)三強(qiáng)格局，國內(nèi)廠商加速布局。英偉達(dá)憑借技術(shù)及產(chǎn)能優(yōu)勢，在移動(dòng)端、AI服務(wù)器、自動(dòng)駕駛領(lǐng)域具有較大話語權(quán)。國際市場方面，根據(jù)JonPeddieResearch調(diào)查數(shù)據(jù)顯示，2023年第一季度，全球桌面級(jí)顯卡銷量約為630萬塊，其中英偉達(dá)顯卡銷量約為529萬張，以84%的市場份額占據(jù)領(lǐng)先地位，此外銷量位居前三的GUP供應(yīng)商還包括AMD及Intel，其銷量分別為76萬張、25萬張；國內(nèi)市場方面，我國廠商GPU市場份額較小，正處于技術(shù)追趕及自主研發(fā)環(huán)節(jié)，目前國產(chǎn)GPU在數(shù)據(jù)中心、人工智能以及通用計(jì)算型GPU領(lǐng)域均實(shí)現(xiàn)產(chǎn)品布局，未來隨著國內(nèi)數(shù)據(jù)中心、智能駕駛及終端側(cè)GPU市場需求的提升，國產(chǎn)GPU市場份額有望實(shí)現(xiàn)滲透。圖39：全球GPU市場格局變化 圖40：國內(nèi)部分GPU廠商市場布局Intel AMD NVIDIA75%86%75%86%84%80%60%40%20%0%22Q1

22Q4

23Q1資料來源：JonPeddieResearch， 資料來源：公司官網(wǎng)，GeForceGeForce2RTX40SMCoreAI增強(qiáng)圖形渲染，多項(xiàng)技術(shù)業(yè)界領(lǐng)先。技術(shù) 功能圖41：英偉達(dá)游戲產(chǎn)品矩陣 表格7：游戲產(chǎn)品增強(qiáng)技術(shù)技術(shù) 功能BatteryBoost 提升游戲時(shí)電腦續(xù)航時(shí)間DLSS 幫助玩家增強(qiáng)圖形設(shè)置并提升分辨率GameWorks

游戲開發(fā)者帶來視覺計(jì)算領(lǐng)域的頂尖技術(shù)G-SYNC 減少顯示器卡頓現(xiàn)象和輸入延遲GPUBoost GPUWhisperMode 智能調(diào)整游戲幀速率資料來源：英偉達(dá)官網(wǎng)， 資料來源：英偉達(dá)官網(wǎng)，12產(chǎn)品支持包括智能座艙、桌面辦公、筆記本、服務(wù)器等應(yīng)用在內(nèi)的各個(gè)領(lǐng)域以及Linux、ows、Android等系統(tǒng)；而摩爾線程首款桌面級(jí)游戲顯卡MTTS80，在1.8GHz的主頻下，能夠提供14.4TFLOPS的單精度浮點(diǎn)算力，根據(jù)PassMark的測試結(jié)果，MTTS80顯卡的性能已達(dá)到英偉達(dá)中端顯卡GeForceGTX750Ti的性能水平。表格8：國內(nèi)廠商桌面級(jí)顯卡產(chǎn)品參數(shù)對(duì)比摩爾線程資料來源：公司官網(wǎng)，站長之家，注：FP32（單精度浮點(diǎn)算力，單位：TFLOPS）、INT8（整型算力，單位：TOPS）202424.9億美元，同比增長22%PC財(cái)年英偉達(dá)22.438%，隨著疫情影響退出，游戲業(yè)務(wù)迎來回JonPeddieResearchGPU2023第二季度英偉達(dá)以68%PC圖42：英偉達(dá)游戲業(yè)務(wù)營收增長 圖43：2023Q2全球PC顯卡市場份額0

游戲業(yè)務(wù)（億美元，左軸）同比增長（，右軸）2021 2022 2023Q1

80%60%40%20%0%-20%-40%-60%

NVIDIA18%14%68%AMD18%14%68%Intel資料來源：英偉達(dá)官網(wǎng)， 資料來源：JonPeddieResearch，GUPGPUGPU2022H1004N工藝，集成最高184329216CUDA576核心，AIFP16TF32FP64A10032000TFLOPS、1000TFLOPS60TFLOPS。技術(shù) 功能圖44：英偉達(dá)數(shù)據(jù)中心產(chǎn)品矩陣 表格9：英偉達(dá)H100產(chǎn)品技術(shù)技術(shù) 功能Transformer引擎 加速AI模型訓(xùn)練NVLinkSwitch系統(tǒng)

縱向擴(kuò)展互聯(lián)技術(shù)，跨服務(wù)器拓展GPUNVIDIA機(jī)密計(jì)算 保護(hù)使用中的數(shù)據(jù)和應(yīng)用MIGDPX指令

GPU全獨(dú)立的實(shí)例，并擁有自己的內(nèi)存、緩存和計(jì)算核心速度資料來源：英偉達(dá)官網(wǎng)， 資料來源：英偉達(dá)官網(wǎng)，此外，英偉達(dá)還在軟件及技術(shù)產(chǎn)品方面提供支持，通過其豐富的產(chǎn)品矩陣搭建數(shù)據(jù)中心一站式解決方案。AI及高性能計(jì)算市場計(jì)算需求的不斷增長，GPU之NVLinkGPU系統(tǒng)配置高更的寬帶及增強(qiáng)的可擴(kuò)展能力，NVLinkSwitchNVLink的高級(jí)通信能力構(gòu)建，可為計(jì)算密集型工作負(fù)載提供更高帶寬和更低延遲，從而顯著增強(qiáng)服務(wù)器內(nèi)GPU通信能力。圖45：英偉達(dá)第四代NVLink能為H100提升1.5倍帶寬資料來源：英偉達(dá)官網(wǎng)，GPU布局者較多，產(chǎn)品性能逐漸向英偉達(dá)靠攏。以英偉達(dá)最新GPU為參考，H100SXM4N工藝，其單精度浮點(diǎn)算力已673958的AIHPC307倍；而目前國內(nèi)算力較高的產(chǎn)品為壁仞科技推出的B10P7nm240TFLPS，1920TOPS，BR100A1003倍以上，向H100產(chǎn)品靠攏。表格10：國內(nèi)廠商高性能計(jì)算GPU產(chǎn)品參數(shù)對(duì)比廠商 產(chǎn)品 算力 制程 顯存 架構(gòu)廠商 產(chǎn)品 算力 制程 顯存 架構(gòu)英偉達(dá)

H100SXMH100PCLe

FP32：67INT8：3958FP32：51INT8：3026

4nm 帶寬：3.35TB/s Hopper4nm 帶寬：2TB/s Hopper位寬：256位摩爾線程

MTTS3000 FP32：15.2 -FP32：10.6

帶寬：448GB/s

MUSA（自研）MTTS2000

INT8：42.4

- 位寬：256位 MUSA（自研）瀚博半導(dǎo)體 載天VA10 INT8：400+ - - VUCA（自研）FP32：24寒武紀(jì) MLU370-X8

INT8：256

7nm 帶寬：614.4GB/s -壁仞科技 壁礪?100P

FP32：240INT8：1920

7nm

位寬：4096位帶寬：1.64TB/s

BIRENSUPA（自研）壁礪?104P壁礪?104S

FP32：256INT8：1024FP32：170.5INT8：682

7nm7nm

位寬：2048位帶寬：819GB/s位寬：2048位帶寬：819GB/s

BIRENSUPA（自研）BIRENSUPA（自研）資料來源：英偉達(dá)、摩爾線程等公司官網(wǎng)，注：英偉達(dá)產(chǎn)品參數(shù)采用稀疏技術(shù)顯示，在不采用稀疏技術(shù)的情況下，規(guī)格降低一半注：FP32（單精度浮點(diǎn)算力，單位：TFLOPS）、INT8（整型算力，單位：TOPS）盈利能力及產(chǎn)能方面，數(shù)據(jù)中心業(yè)務(wù)營收已超游戲業(yè)務(wù)，成為英偉達(dá)最高收入來源，但其產(chǎn)能受限于臺(tái)積電工藝，短期供需缺口較大。據(jù)英偉達(dá)2024財(cái)年Q2報(bào)告，其數(shù)據(jù)中心營收已達(dá)到103.2億美元，同比增長171%，約占總營收比例為76%；產(chǎn)能方面，英偉達(dá)H100均由臺(tái)積電代工，其產(chǎn)能受到臺(tái)積電工藝限制，據(jù)英偉達(dá)預(yù)計(jì)，H100芯片2023年全年全球范圍出貨量約為55萬顆，但據(jù)GPUUtils數(shù)據(jù)統(tǒng)計(jì)，保守估計(jì)情況下，H100的供給缺口將達(dá)到43萬顆。壁仞科技BR100P系列芯片同樣由臺(tái)積電代工，預(yù)計(jì)于2023年量產(chǎn)，若量產(chǎn)計(jì)劃順利推進(jìn)，自主研發(fā)有望滲透。圖46：英偉達(dá)數(shù)據(jù)中心業(yè)務(wù)營收增長 圖47：高性能計(jì)算芯片下游需求0

數(shù)據(jù)中心（億美元，左軸同比增長（，右軸）2021 2022 2023Q1

180%160%140%120%100%80%60%40%20%0%資料來源：英偉達(dá)官網(wǎng)， 資料來源：GPUUtils官網(wǎng)，公司官網(wǎng)，3）智能駕駛。Thor英20229Thor，ThorCPUGPU2000Orin8加固自動(dòng)駕駛領(lǐng)域護(hù)城河。圖48：英偉達(dá)自動(dòng)駕駛產(chǎn)品矩陣 圖49：英偉達(dá)Thor芯片計(jì)算性能提升算力2000250200025013020001500100050002018PARKER

2020XAVIER

2022ORIN

2024THOR資料來源：英偉達(dá)官網(wǎng)， 資料來源：英偉達(dá)官網(wǎng)，目前，國內(nèi)大多數(shù)智能駕駛車型選用英偉達(dá)產(chǎn)品，地平線與華為自研市場份額正在逐步擴(kuò)大。ORIN產(chǎn)品，比5MaxORIN芯片，除此之外華為在自動(dòng)駕駛領(lǐng)域同樣具有布局，華為610、MDC810已經(jīng)量產(chǎn)，MDC610平200TOPSORIN產(chǎn)品差距較小。表格11：國內(nèi)部分車型搭載芯片型號(hào)車企 車型搭載芯片車企 車型搭載芯片芯片制造商 備注G9ORIN英偉達(dá) 兩組ORIN芯片G6ORIN英偉達(dá)P7Xavier新款P7升級(jí)為兩組英偉達(dá)ORIN芯英偉達(dá)片L7MaxORIN英偉達(dá)L7PRO征程5地平線L8MaxORIN英偉達(dá)理想L8PRO征程5地平線L9MaxORIN英偉達(dá)L9PRO征程5地平線---ES6 ORIN

搭載四顆OrinX芯片，總算力高達(dá)1016TOPS蔚來ET7ORIN英偉達(dá)AQUILA自動(dòng)駕駛系統(tǒng)ET5ORIN英偉達(dá)AQUILA自動(dòng)駕駛系統(tǒng)威馬M7ORIN英偉達(dá)-極狐 阿爾法S-華為HI MDC610 華

單組算力為200TOPS，綜合算力為400TOPS吉利 極氪001 EyeQ5H Mobileye 單顆EyeQ5H的算力為24Tops資料來源：蔚來官網(wǎng)，汽車之家，20242季度營收較一季度出現(xiàn)下15%2.53億美元。市場結(jié)構(gòu)上，2023H1中國市場乘用車自動(dòng)駕駛計(jì)算方案市場份額中，英偉達(dá)仍以52.57%的份額占據(jù)第一，地平線以30.71%的市場份額占據(jù)第二，華為海思則占據(jù)4.05%的市場份額。圖50：英偉達(dá)智能駕駛業(yè)務(wù)營收增長

H1計(jì)算方案市場份額智能駕駛（億美元，左軸同比增長（，右軸）1098765432102021 2022 2023Q1

120%100%80%60%40%20%0%

31%

52%

英偉達(dá)地平線德州儀器Mobileye華為海思資料來源：英偉達(dá)官網(wǎng)， 資料來源：高工智能汽車，GPUGPU4nm7nmCoWoS富微電及賽微電子等具有布局。202210.7%的6.5%圖52：GPU產(chǎn)業(yè)中下游分別為芯片設(shè)計(jì)、制造、封裝與測試資料來源：公司官網(wǎng)，超能網(wǎng)，集微網(wǎng)，公司主要GPU產(chǎn)品市值（億元）技術(shù)背景主要應(yīng)用領(lǐng)域景嘉微JM5/7/9/7200343.04完全自主知識(shí)產(chǎn)權(quán)航天軍工、通用計(jì)算海光信息公司主要GPU產(chǎn)品市值（億元）技術(shù)背景主要應(yīng)用領(lǐng)域景嘉微JM5/7/9/7200343.04完全自主知識(shí)產(chǎn)權(quán)航天軍工、通用計(jì)算海光信息海光81001349.98AMDx86授權(quán)服務(wù)器、通用計(jì)算壁仞科技BR100、BR104未上市 Imagination授權(quán)IP+ 服務(wù)器、信創(chuàng)自主研發(fā)凌久電子GP101、GP102未上市 完全自主知識(shí)產(chǎn)權(quán) 桌面、軍工芯原股份VivanteGPUIP收購自美國圖芯322.34 IP(Vivante)芯動(dòng)科技風(fēng)華1號(hào)/2號(hào)Imagination授權(quán)IP+未上市 服務(wù)器表格12：國內(nèi)重點(diǎn)GPU公司及技術(shù)自主研發(fā)摩爾線程

MTTS80/60/30/10MTTS3000

未