GPU行业研究报告：AI与自动驾驶打造GPU强力增长引擎
（报告出品：川财证券）
一、 数字经济、AI、智能驾驶视角下看算力需求
1.1 演变趋势：从通用计算到智能计算，从分散独立到云网边协同
宏观角度下，数字经济建设及人工智能发展掀起了新一代算力革命，算力基建成为国家 数字化转型和经济发展的重要竞争策略。从 1964 年戈登·摩尔提出著名的摩尔定律后， CPU 性能的发展便遵循这一规律，但目前数字经济与人工智能的高速发展，基于 CPU 的摩尔定律已经失效，如何突破“算力墙”，满足新时代各种算力需求，成为各国主要 的竞争焦点。
微观角度下，算力形式逐渐由通用计算过渡为高性能计算，从分散独立的端计算向云网 边协同计算演变。当前，常见的高性能计算可以分为科学、工程计算与智能计算；算力 资源服务可以分为云计算、混合计算及算力网络。1）科学、工程计算。这类计算主要利用超级计算机实现并行计算，是一种算法优化和 硬件集群结合的计算模式。高性能计算由于具有较高的性能、效率及计算精度，可以广 泛的用于大规模复杂科学计算，比如工程模拟仿真、航空航天、地震预测等，同时也能 支持人工智能、智慧城市等新兴领域。2）智能计算。智能计算以智能芯片为计算算力底座，可以较好的满足 AI 领域模型训练 所需的智能运算需求，因此用于支持专一的人工智能应用场景。基于智能计算搭建的人 工智能计算中心，通过将各种交叉技术集成，广泛的应用于智能语音处理、机器视觉、 自然语言（文本）处理等不用的领域。3）云计算、混合计算、算力网络属于新型算力资源服务模式。云计算通过 World Wide Web（万维网）向用户提供包括服务器、存储、数据库等在内的各项计算服务，因为万维网以网页为核心，因此云计算主要面向消费互联网；而算力网络主要以算法及算力协 同为核心，通过协同联动云计算、边缘计算、端计算及通信网络，能够实现对复杂计算 任务的分解及高效调度。
1.2 战略地位：算力属于基础设施建设，是智能时代发展的物理承载
整体架构层面，算法、算力及数据是实现人工智能的三要素，其中算力是构筑智能时 代的物理基础。人工智能离不开算力、算法及数据，其发展需要在建立在庞大的数据 集、优秀的深度学习算法及强大的计算能力基础之上，而算力作为底层基础设施，是 开启智能时代的关键因素，其核心于智能芯片的技术进步。
实际发展层面，全球数据量正以指数级速度增长，“算力荒”问题日益凸显。据 IDC 数据 显示，2018 年至 2019 年全球大数据存储量分别为 33Z B、41 ZB，而 2020 年全球数据 量达到了 60 ZB，同比增长 46%；庞大的数据集必然依赖强大的数据处理能力，进而要 求宏观算力快速发展，NTCysd 预计 2021-2028 年全球算力规模将以超过 40%的速度增 长，2028 年将达到 7510 EFlops。
1.3 应用驱动：数字经济搭建整体框架，AI 大模型、智能驾驶持续拉升
市场方面，数字经济建设、AI 大模型、智能驾驶成为开启智能时代的确定性研究方向。其中，数字经济建设搭建数字化布局整体框架，并提供政策支持；AI 大模型及智能驾驶 率先落地，成为拉动算力需求的核心驱动力。
1）全球正加快数字经济建设，算力发展成为主要战略竞争点之一。目前，全球正处于 经济数字化转型阶段，据中国信通院发布的《全球数字经济白皮书》显示，数字经济已 经成为各国发展 GDP 的核心战略，具体数据来看，2020 年全球 47 个国家数字经济增 加值达到 32.6 万亿美元，占 GDP 比重为 43.7%，同比名义增长 3%。此外，数字经济 已经成为我国稳增长促转型的重要引擎，出台多项政策支持算力发展，截至 2022 年我 国数字经济规模已达 50.2 亿元，数字基础设施规模能级大幅提升，在用数据中心算例 总规模超 180 EFlops，位居世界第二。
2）AI 大模型的快速扩张是算力需求的关键驱动力。由于 AI 大模型通常需要在大规模 无标注的数据集上进行重复的训练，因此相比于传统的小模型在应用场景上更具有普 适性。但与此同时，数据集的快速增长以及模型不断迭代优化使得 AI 大模型尺寸快速 膨胀，GPU 算力也遵循着同样的增长规律。据 OpenAI 数据显示，GPT-3 175B 相比 于 GPT-3 Small，总计算力(Flops)及参数量增长了约 1400 倍；而据 Semianalysis 最新分析指出，GPT-4 模型尺寸进一步扩张，在其 120 层模型中总共包含了 1.8 万亿参 数，约 GPT-3 175B 参数量的 10 倍。
3）汽车智能化功能升级，智能驾驶将贡献算力需求的全新增量。汽车正逐渐步入智能 化时代，传感器数量的增加及交互能力的提升，将带来数据的几何式增长，这必然要求 车端拥有强大的数据分析和处理能力。据华经产业研究院预测，2025 年我国 L3、L5 级别智能驾驶渗透率将分别达到 14%、1%，到 2030 年两者将分别达到 40%、12%。而 L3 级别及以上智能驾驶汽车，不仅需要处理人机交互等指令，还需要与外界环境、云数 据中心进行交互。据分析，L3、L5 级别智能驾驶算力需求将分别达到 30-60 TOPS、 100T OPS，未来随着智能驾驶汽车渗透率的提升，将会持续带动智能驾驶市场整体算 力需求的增加，预计 2025、2030 年智能驾驶市场算力需求达到 1.9 万、19 万 TOPS， 2021-2025 CAGR 达 112%。
1.4 优化路径：提升芯片性能及创新存算架构是研究主流
系统算力主要受处理器性能与数据传输能力影响，当数据处理能力与传输能力不匹配时，计算能力由两者中较低者决定。处理性能主要与指令复杂程度、频率、并行度有 关，一般来说，指令越复杂、计算频率越高、并行程度越大，处理器性能就越好；而 数据传输的能力与处理器内部存算架构有关，在计算机体系里，根据访问延迟及容量 大小将存储结构分为寄存器、缓存、内存、外存与远程存储，而这种存算分离的架构 形式，通常使得数据传输成为限制系统算力的因素。
1）指令的复杂程度。指令系统是连接计算机软件和硬件的桥梁，一般来说，指令的复 杂程度于处理器运算性能有关，指令越复杂，其性能就越好。典型的处理器平台大致可 以分为 CPU、协处理器、GPU、FPGA、DSA、ASIC，其中 CPU 为通用软件平台，支 持包括整形计算类、浮点类、数据传输类、控制类等在内的通用指令，而其余处理器为 硬件加速平台，用于执行各类复杂指令。
2）计算频率。一般来说，处理器计算的速度于频率呈现正相关关系，计算频率越高，速 度越快。以 CPU 为例，执行一条指令需要依次经过取址、译码、地址生成、取操作数、 执行、写回阶段，每个阶段需要消耗一个时钟周期，上个阶段执行完毕后才会进入到下 个阶段。在此基础上，时钟周期的设定便取决于各阶段用时最大者，而提高时钟频率大 致有两种方法：一是通过超流水线架构提高处理器主频，通过增加多级流水从而细化每 个阶段；一是通过优化工艺技术降低各阶段逻辑门处理延迟。
3）并行度。并行度是指在计算机体系中，指令并行执行的最大数目，并行度越大，意味 着系统能够同时处理更多指令，其运算速度越快。常用的并行设计包括指令并行、处理 器核并行、芯片级并行及服务器并行。
4）数据传输能力。数据传输能力并不直接影响处理器性能，但复杂的存储分层结构会 使得系统功耗、延迟及访问宽带增加，从而限制算力的提升。优秀的计算系统应使得处 理器性能与数据传输能力尽可能匹配，以减少“木桶效应”对于算力的限制。目前，数 据传输能力的优化方向主要包括近存计算及存算一体化架构。
二、 算力需求视角下看GPU发展的必然趋势
2.1 性能：GPU 技术发展迅速，高并发计算能力契合算力需求
1）横向比较，GPU 较 CPU 而言，更符合深度学习算法的高度并行计算需求。一方面，CPU 性能提升已达到瓶颈，与高速增长的算力需求脱节。CPU 作为第一代高 效计算平台，目前无论从不管是从架构/微架构设计、工艺、多核并行等各种角度出发， 其性能都难以提升，2016 年之后，CPU 性能每年提升仅 3.5%。随着数字经济、AI 大 模型、智能驾驶等算力需求的推动，CPU 性能已无法满足上层软件算力需求。
另一方面，GPU 较 CPU 具备更多的算术逻辑单元、控制单元与内存缓存，其 SIMD 架 构与深度学习算法需求更吻合。CPU 为线程级并行的 MIMD 架构，其核心少但性能强，可以用来处理复杂的控制逻辑、预测分支、乱序执行、多级流水等，而 GPU 为数据级 并行的 SIMD 架构，其核心多但性能弱，用于优化具有简单控制逻辑的数据并行任务。而神经网络算法数据要求量大，并行计算程度高，与 GPU 高并行计算能力、高内存带 宽相适配。神经网络的训练环节需要处理大量的数据，并且其结构非常统一，每一层成 千上万个相同的人工神经元都在执行相同的计算操作，具有高效并行计算能力与内存带 宽的 GPU，不仅能够更快的完成数据的读取与写入，还能实行多条指令并行计算。
2）纵向比较，GPU 架构技术仍在演进，其高性能计算与智能计算能力不断优化
GPU 最早作为显卡的核心零部件，专用于图形渲染及处理。GPU（Graphic Processing Unit），即图形处理单元，英伟达公司在 1999 年发布 GeForce 256 图形处理芯片时首 先提出 GPU 的概念，GeForce 256 作为专门负责计算机图形显示的计算机零部件，通 过 T&L 及其他多项技术引擎，减少了显卡对于 CPU 的依赖。GPU 组成中通常包含一 个显存、一个主频、一个 VRAM、一个显存速率以及一个显存位宽。
GPU 架构迭代频繁，已从从专用图形处理器发展为高效的通用计算平台，向外拓展人 工智能计算及高性能计算领域。当 GPU 引入可编程特性，将图形硬件的流水线作为流 处理器来解释，基于 GPU 的通用计算也开始出现，即 GPGPU。英伟达产品在 2008-2022 年内，架构迭代调整了 8 次，其在 2010 年推出具有完整 GPU 架构的 Fermi，在 2017 年 Volta 架构中首次推出 Tensor 内核以支持深度学习算法，而 目前 Hopper 架构的 GPU 已广泛的应用于 AI 大模型训练与推理环节。
英伟达 Tensor 核心持续升级，智能计算及高性能计算能力得到不断优化，已成为 AI 模 型推理的关键张量核心。英伟达 Tensor 核心最初在 Volta 架构上推出，在后续推出的 Turing、Ampere、Hopper 上不断优化，Tensor 核心能够加速矩阵运算，大幅增加浮点 计算吞吐量。具体来看，拥有 Tensor 核心的 V100 相比于 P100 其混合精度运算速度提 高了 9 倍，而英伟达推出的第四代 Tensor 核心其 FP8 性能较 Ampere FP6 提高 16 倍， 而在 AI 大型语言模型推理方面，性能比 Ampere 高出 30 倍。
2.2 灵活性：GPU 可编程优势明显，通用灵活性适配 AI 应用端拓展
GPU 拥有相对较优的性能及灵活性。常用的计算平台包括 CPU、FPGA、GPU、DSA 以及 ASIC，一般情况下随着芯片性能的提升，其灵活性会逐渐下降。CPU 为软件加速 平台，通过标准化的指令集使得 CPU 平台的硬件实现与软件编程完全解耦，灵活性最 高；ASIC 为专用集成电路，是一种为专门目的而设计的集成电路，不支持硬件编程， 灵活性最差。
1）ASIC、DSA 设计成本高、周期长，其灵活性难以满足应用层及宏架构趋势的需求。DSA 与 ASIC 属于专用领域定制类型芯片，其中 ASIC 属于完全定制性化芯片，其晶体 管根据算法定制，流片量产后算法便不可编辑；DSA 在 ASIC 基础上回调，保留一定编 程能力，但其功能覆盖的领域成具有较大的局限性。ASIC 与 DSA 的通用性是限制其应 用的关键因素。首先，通用性限制了 ASIC 与 DSA 的应用领域，与芯片高企的研发成本相矛盾。据估 计，5nm 制程的芯片研发成本已经超 5 亿美元，高企的研发成本需要具有充分量产能力 芯片来摊薄，而 ASIC 与 DSA 芯片均为面向特定领域专用芯片，不同领域则面临重新 设计的问题，尤其是在 AI 应用领域，ASIC 与 DSA 的研发周期和成本并不能满足其 AI 应用及算法迭代优化的速度。
其次，专用性使得 ASIC 与 DSA 芯片与算力融合的宏架构趋势相矛盾。数字经济的建 设需用云、网、边各部分资源协同融合，从而组成庞大的算力网络，然而不同计算引擎、 平台、设备以及数据中心的芯片应用场景具有较大的差异，这使得 DSA、ASIC 芯片难 以成为数字经济时代的整体解决方案。
2）CUDA、OpenCL 技术持续为 GPU 赋能，GPU 性能提升潜力大、应用拓展力强。一方面，CUDA 生态为 GPU 提供各种数据接口（API）、算法库与工具、跨平台支持以 及大规模集群计算支持，CUDA 使得开发人员能够使用流行的编程语言对英伟达 GPU 进行编程，同时还集成包括 TensorFlow、PyTorch 和 MXNet 在内的所有深度学习框架；另一方面，随着深度学习算法和模型的收敛，GPU 可以通过对算法进行手工优化实现 资源的高效调度，充分释放出硬件的性能，每一代 CUDA 升级都会带来约 10-20%的性 能提升。
三、 GPU市场：供给推动市场，技术及产能是核心驱动力
3.1 需求端：移动端兜底，自动驾驶及数据中心建设贡献增量
（本文仅供参考，不代表我们的任何投资建议）
文琳编辑
免责声明：转载内容仅供读者参考，观点仅代表作者本人，不构成投资意见，也不代表本平台立场。若文章涉及版权问题，敬请原作者添加 wenlin-swl 微信联系删除。
为便于研究人员查找相关行业研究报告，特将2018年以来各期文章汇总。欢迎点击下面红色字体查阅！
《文琳资讯》
提供每日最新财经资讯，判断经济形势，做有价值的传播者。欢迎关注
今日导读：点击下面链接可查阅