数据中心竞赛升级：GPU需求激增背后的科技巨头对决

今年来，英伟达贡献了标普500指数全部涨幅的1/3，并创造了从1万亿美元增长到2万亿美元跨越的最快纪录，市值陆续超过了亚马逊、谷歌母公司Alphabet和沙特阿美。

近日，英伟达CEO黄仁勋表示，Blackwell芯片已经投产，计划每年升级其AI加速器，并宣布将于2025年推出Blackwell Ultra GPU。

GPU作为AI计算和数据中心基础设施的关键组成部分，其技术迭代与市场应用，正深刻影响着科技产业的格局。

作为人工智能繁荣的最大受益者之一，旺盛需求让数据中心营收保持惊人增速，谷歌母公司Alphabet、微软、亚马逊和其他科技公司正在争夺英伟达高端芯片的有限供应，以争夺云计算的主导地位。

01 行业现状

智算中心集合了释放算力、调度算力、聚合算力、生产算力四个作业环节。

调度算力中智算中心通过CPU、GPU、FPGA、ASIC等底层算力资源，通过细粒度切分、算力标准化等算力池化和算力调度过程，实现算力服务管理。

人工智能模型的两个基本要素为数据集和处理能力，系统在数据集上进行训练，模型通过处理能力检测这些数据集内外部之间的关系。

在某种程度上，这两大基本要素可以相互替代：一个模型可以通过吸收更多数据或增加更多处理能力加以改进。然而，在专业人工智能芯片短缺的情况下，后者正变得越来越困难，这导致模型构建者加倍专注于寻找数据，GPU在处理大规模并行计算任务时具有明显优势，尤其在深度学习、图像识别等AI领域。

GPU：图形处理器（英语：Graphics Processing Unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。

GPU主要由90%的ALU（运算单元），5%的Control（控制单元）、5%的Cache（缓存单元）组成。

根据应用，可将GPU分为独立GPU、集成GPU和移动GPU，可根据使用者的应用场景所需计算量进行选择。

AI芯片：目前主流的加速计算解决方案主要采用CPU系统搭载GPU、FPGA、ASIC等异构加速芯片，GPU可以支撑大量数据的并行计算，适合对数据密集型的应用进行计算和处理；FPGA可无限次编程，延时性比较低，同时拥有流水线并行和数据并行、灵活性高；ASIC通过算法固化实现极致的性能和能效、平均性很强；功耗很低；体积小。

从性能上看ASIC在三者最具优势，但目前技术开发难度最大，技术落地时间难以估计，因此预计未来AI芯片仍以GPU为主流，首先Transformer架构是最近几年的主流，该架构最大的特点之一就是能够利用分布式GPU进行并行训练，提升模型训练效率；GPU芯片通用性强，其中原本为图形计算设计的大量算数逻辑单元（ALU）可以为深度学习提供良好的加速效果。

02 行业应用

中国新能源车企早期更加关注单车智能，目前正逐步推进网联方案发展，科技公司借助AI技术，提供自动驾驶解决方案，互联网公司借助内容服务与AI，渗透自动驾驶出行服务，运营商依托蜂窝网，为网联式自动驾驶提供服务。

L1-L2级传统汽车不需要太大的车载算力，因此多采用小算力、微控制器的解决方案。从L2级开始，尤其是L3级以上的自动驾驶汽车需要装备大算力芯片支撑感知、决策算法的高效运行。根据地平线公司的预测，自动驾驶每提高一级，算力就增加一个数量级。L2级别大概需要20-80K DMIPS、5-100TOPS的算力，L3需要200K DMIPS、500+个TOPS，L4为200+K DMIPS、500+TOPS，L5为200+K DMIPS、1,000+TOPS，预计未来主要算力芯片将为GPU，随着新能源汽车自动驾驶需求的不断提升，GPU的需求也将不断扩大。

03 产业链分析

随着服务器端的需求量不断增加，倒推GPU整体产业开始新一轮发展，预计AI的算力需求将会促成GPU新一轮供不应求的局面，且此次短缺将有可能持续1-2年。

文章来源：头豹公众号