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。但主流参与者仍在按照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）。