核心結(jié)論：PU的核心競(jìng)爭(zhēng)力在于架構(gòu)等因素決定的性能先進(jìn)性和計(jì)算生態(tài)壁壘。國內(nèi)PU廠商紛紛大力投入研發(fā)快速迭代架構(gòu)，推動(dòng)產(chǎn)業(yè)開放構(gòu)建自主生態(tài)，加速追趕全球頭部企業(yè)。國產(chǎn)替代需求持續(xù)釋放疊加國際局勢(shì)不確定性加劇，I數(shù)據(jù)中心、智能汽車、游戲等PU需求有望高增，國產(chǎn)PU迎來發(fā)展黃金期，我們看好國產(chǎn)PU公司的發(fā)展與投資機(jī)遇。VII長期居于M憑借ridarketesearch0立48VIIA和A8。根據(jù)PVIIAA始終占有P領(lǐng)域超0%A憑借據(jù)超五成市場(chǎng)份額，AMD（ATI）也曾因架構(gòu)出色、性能驚艷實(shí)現(xiàn)反超。同時(shí)NVIDIA早在2006年前瞻性布局通用計(jì)算、構(gòu)建CUDA2需求端ItP是srr/為基礎(chǔ)的2222385.07長率達(dá)62需求端預(yù)計(jì)，22P到片投資建議產(chǎn)業(yè)邏輯：GPU的核心競(jìng)爭(zhēng)力在于架構(gòu)先進(jìn)性能和生態(tài)豐富性，國產(chǎn)廠商正持續(xù)大力投入研發(fā)實(shí)現(xiàn)GPU架構(gòu)創(chuàng)新升級(jí)和快速迭代，力爭(zhēng)第二，提出在評(píng)估GPU性能的指標(biāo)的重要性上：微架構(gòu)、制程、流處理器數(shù)量、核心頻率對(duì)GPU性能影響較大。我們?cè)敿?xì)梳理了GPU的微架構(gòu)、制程、顯存容量/位寬/帶寬/頻率、核心頻率等各類性能參數(shù)及重要性程度，并利用“核心數(shù)核心頻率”公式對(duì)性能算力進(jìn)行量化，揭示可用rk、rf等GPU軟件跑分進(jìn)行相關(guān)性能測(cè)試評(píng)估。第三，詳細(xì)拆解了NVIDIAFermi和Hopper兩大典型微架構(gòu)的具體硬件實(shí)現(xiàn)，在頂點(diǎn)處理、光柵化計(jì)算、第四，明晰了生態(tài)是構(gòu)建通用計(jì)算壁壘的基石。提出GPU研發(fā)難度在圖形渲染硬件和通用計(jì)算軟件生態(tài)層面，在IP、軟件棧方面研發(fā)門檻較高，需要較長的積累，先發(fā)者優(yōu)勢(shì)明顯。CUDA生態(tài)從2006年推出至今，CONTENTSGPUvs

資料來源：NVIDIA官 資料來源：搜狐@十一號(hào)組織，中信證券研究 1）獨(dú)立：大部分封裝于獨(dú)立顯卡電路板上，使用IE接口和特定顯存，不受空間和供電限制，性能相對(duì)更好、渲染畫質(zhì)更佳。主要廠商包括A（系列）、VIIA（fc系列）。）集成：通常未擁有獨(dú)立顯存，集成于P內(nèi)部，與P共同使用n（系列）、A（系列。）GG圖渲染能力，對(duì)性能要求較高。）服務(wù)器端：主要進(jìn)行專業(yè)可視化處理、I訓(xùn)練、推斷的深度學(xué)習(xí)、提高計(jì)算運(yùn)行能力以及視頻編解碼等功能，以獨(dú)立U為主。）移動(dòng)端：提高游戲體驗(yàn)、提升游戲處理性能，應(yīng)用場(chǎng)景包括、桌面、云計(jì)算、數(shù)據(jù)中心等。受移動(dòng)。 PC XeLP、TITAN服務(wù)器 移動(dòng)

資料來源：微信公眾號(hào)@GPUand 資料來源：微信公眾號(hào)@GPUand

資料來源：NVIDIA官網(wǎng)，CSDN@FinovyCloud，中信證券研究 1.11.1GPU產(chǎn)業(yè)鏈：設(shè)計(jì)→制造→I模式：指將GU產(chǎn)業(yè)鏈的三個(gè)環(huán)節(jié)整體化，充分結(jié)合自主研發(fā)和外部代工，集設(shè)計(jì)、制造、封裝為一體，公司垂直整合U整體產(chǎn) 資料來源：華經(jīng)情報(bào)網(wǎng)，各公司官網(wǎng)，中信證券研究 資料來源：IT智庫，eefocus，中信證券研究 制

指張量處理單元的數(shù)量，TensorCore核數(shù)越多，性能越好 制程：指PU集成電路的密集度。在晶體管硬件數(shù)量一定的情況下，更精細(xì)的制程能夠減少功耗和發(fā)熱?，F(xiàn)階段PU主流最先進(jìn)工藝制程為5nm。資料來源：阿里云官 資料來源：半導(dǎo)體行業(yè)觀察微信公眾GPUCUDAGPUCUDAGPUTensor資料來源 資料來源：NVIDIAA100TensorCoreGPUArchitecture白皮資料來源 資料來源：NVIDIA官微架構(gòu)又稱為微處理器體系結(jié)構(gòu)，是在圖形函數(shù)和指令集條件下處理器中的執(zhí)行方法。某一特定指令集可以在不同微架構(gòu)中執(zhí)行，但在PU微架構(gòu)包括流處理器、渲染核、雙精度浮點(diǎn)運(yùn)算單元、特殊運(yùn)算單元、流式多處理器、紋理處理器、圖形處理器、流處理器陣列。GPU架構(gòu)工作流程為：VertexShader（定點(diǎn)著色器）建立圖形骨架，再通過算法轉(zhuǎn)化進(jìn)行光柵化計(jì)算，進(jìn)而進(jìn)行紋理映射，再由名 功流處理器 渲染核

張量單元（TensorCore） 資料來源：廈門大學(xué)@

資料來源：NVIDIA

Fermi架構(gòu)共含4個(gè)GPC16個(gè)SM512個(gè)CUDACore。每32個(gè)CUDACore組成1個(gè)SM，使用并行內(nèi)核，全局分配邏輯支持與CPU并行傳 FermiGPC核心微架

SM之間彼此獨(dú)立，可各自調(diào)度多個(gè)ThreadFermiFermiSM資料來源：NVIDIA

SM全稱StreamingMultiprocessor，F(xiàn)ermi架構(gòu)下，每個(gè)SM具有32個(gè)CUDACore，組成部2WarpScheduler/DispatchUnit（橙色部分分別位于兩條lane上的32個(gè)CUDA 1個(gè)registerfile-L1cache（淺藍(lán)色部分16Load/Storeunits(LD/STUnit)，支持各線程同4SpecialFunctionUnits(SFU)，用于計(jì)算資料來源：NVIDIAHost HostGigaGigaThreadHostInterface（黑色部分為主機(jī)接口，圖形渲染流水線中負(fù)責(zé)接收指令。通過PCI-Express將GPU和CPU相連接，并讀取CPU指令。再通過FrontEnd（前端）處理指令。為全局調(diào)度器，圖形渲染流水線中負(fù)責(zé)將特定的數(shù)據(jù)從HostMemory中復(fù)制到Framebuffer中，創(chuàng)建ThreadBlocks（線程1.21.2資料來源：NVIDIA Fermi核心微架

單個(gè)CUDACore1個(gè)DispatchPort和1個(gè)OperandCollector、1個(gè)Unit和1個(gè)INTUnit和ResultQueue行頂點(diǎn)數(shù)據(jù)確定，通過Vertex-shader建立3D圖形框架。 Fermi核心微架

PolyMorphAttributeStreamPolyMorphEngine（黃色部分，多形體引擎是全球首款實(shí)現(xiàn)了可擴(kuò)展幾何學(xué)流水線的重要元件。主要負(fù)責(zé)頂點(diǎn)拾?。╒ertexFetch）、細(xì)分曲面（Tessellation）、視口轉(zhuǎn)換（ViewportTransform）、屬性設(shè)定（AttributeSetup）、流輸出（StreamOutput）五個(gè)方面的處理工作。ViewportTransform負(fù)責(zé)模塊處理已完成vertex-shaderAttributeSetup確保經(jīng)過插值后的vertex-shader數(shù)據(jù)在pixel-資料來源：NVIDIA Fermi核心微架

RasterEdge EdgeRasterEngine（黃色部分為光柵引擎，將光柵化處理硬件單元進(jìn)行結(jié)合，包括將Vertex-shader生成圖形上的頂點(diǎn)和線段轉(zhuǎn)化為對(duì)應(yīng)的資料來源：NVIDIA Fermi核心微架 資料來源：NVIDIA Fermi核心微架

Pixel-shader資料來源：NVIDIA資料來源：NVIDIAL264KBL264KBSharedMemory/L1L1為SM中的L1緩存，提高臨時(shí)寄存器的使用效率，大幅降低堆棧操作和全局LD/ST，并且作為Vertex-shaderPixel-L2取相同數(shù)據(jù)的需求（如Vertex-shader和Pixel-shader）提供緩資料來源：NVIDIA資料來源：NVIDIAH100TensorCoreGPUArchitecture Hopper核心微架

完整的GH100GPU架構(gòu)包括以下單元:8GPC、72個(gè)TPC、2個(gè)SM/TPC、每個(gè)完整GPU內(nèi)含144SM新型流式多處理器(SM)，第四代TensorCore提速6倍，DPX指令最高提速動(dòng)態(tài)編程7倍，IEEEGPUMIG)技術(shù)，擴(kuò)增計(jì)算容量將近3倍。GPU2倍，采用50MB二級(jí)緩存架構(gòu)，支持大數(shù)據(jù)量重復(fù)訪問。第三代NVSwitch、PCle 每個(gè)GPC由9個(gè)TPC即紋理處理集群(TextureProcessorCluster)組成。每個(gè)TPC包括2個(gè)SM單元，256FP32CUDACore核心，8個(gè)TensorCore核心。相比先前架構(gòu)中的線程塊分布，Hopper架構(gòu)中新增資料來源：NVIDIAH100TensorCoreGPUArchitecture白皮書，中信證券研究 NVIDIAH100TensorCoreGPUArchitecture

SM全稱StreamingMultiprocessorHopper架構(gòu)下，每個(gè)SM包含128FP32CUDACore4TensorCore核心，主要組1個(gè)L1InstructionCache，1DataCacheCache4個(gè)L0InstructionCache（淺藍(lán)色部分4WarpScheduler（橙色部分4DispatchUnit（紅褐色部分128FP32Unit（草綠色部分64FP64Unit墨綠色部分4SpecialFunctionUnits(SFU/橘紅色色部分32LD/STUnit（深紅色部分資料來源：資料來源：NVIDIAH100TensorCoreGPUArchitectureL0Instruction L0InstructionL0InstructionGPU用以繪圖顯示、數(shù)主要負(fù)責(zé)檢查當(dāng)前指令（tt）中的數(shù)據(jù)是否完備（d）。分為兩種情況處理：數(shù)據(jù)完備，傳入p；數(shù)據(jù)不完備則存儲(chǔ)于tctner中。InstructionBuffer可以屏蔽掉總線延時(shí)。因?yàn)镹VIDIANVIDIAH100TensorCoreGPUArchitecture WarpWarpWarp全稱線程束調(diào)度器，在CUDA中，每32,主要負(fù)責(zé)任務(wù)調(diào)度。WarpScheduler需要先確認(rèn)當(dāng)前FunctionUnit的狀態(tài)，再將InstructionBuffer中已完備（ready）的指令調(diào)度給下一級(jí)的Dispatcher資料來源：NVIDIA資料來源：NVIDIAH100TensorCoreGPUArchitectureDispatch DispatchDispatcher全稱調(diào)度單元，可依據(jù)輸入的數(shù)據(jù)、信息決定下主要負(fù)責(zé)根據(jù)指令（instruction）和Threadmask計(jì)算出下屬各個(gè)functionunitinstruction和registeroffset，用其計(jì)算結(jié)果，將指令傳遞至處于閑置狀態(tài)的functionunit下運(yùn)行。NVIDIANVIDIAH100TensorCoreGPUArchitectureLD/STFP32FP64LD/STFP32FP64Function為SM中的核心組成部件，稱作功能單元，包括INT32Unit、FP32Unit、FP64Unit、LD/STUnitFP32UnitFP64Unit分別支持FP16/FP32LD/STUnit即加載/存儲(chǔ)單元負(fù)責(zé)處理寄存器文件SFU負(fù)責(zé)用于計(jì)算正弦函數(shù)、余弦函數(shù)、指數(shù)、 相比，能夠?qū)崿F(xiàn)在GPUSM并行運(yùn)行，并大 TensorCore專用于矩陣運(yùn)算執(zhí)行，對(duì)各類型數(shù)1.21.2Hopper架構(gòu)為例—CUDAvsTensor NVIDIAH100TensorCoreGPUArchitecture

類型，包括INT32、FP32、FP64，每次運(yùn)算執(zhí)1x1perGPUclock。的運(yùn)算內(nèi)核，支持FP8、FP16、BF16、TF32、FP64和INT8MMA數(shù)據(jù)類型，每次運(yùn)算執(zhí)行一次矩陣乘法[111 [11111 11 perGPU11 11 L2L1DataL2L1DataCache/SharedL1DataL2為L2緩存，也稱二級(jí)緩存，與內(nèi)部全部SM均相連通，中作為GlobalMemory緩存，存儲(chǔ)GPU的部分拷貝，資料來源：NVIDIAH100TensorCoreGPUArchitecture，中信證券研究

包括32CudaCores，512Cuda

Cudacores

個(gè)M，每個(gè)包括每個(gè)處理塊包括個(gè)CUD內(nèi)核個(gè)LD/Tt個(gè)FU

有個(gè)每個(gè)32個(gè)DPcores

RTCoreRTCoreNvlink3.0NvlinkMIG Quadro

資料來源：NVIDIA官網(wǎng)，中信證券研究 以NVIDIAA100和H100產(chǎn)品架構(gòu)對(duì)比為例，在SM數(shù)量、TPC數(shù)量、FP32Core核心數(shù)量、FP64Core核心數(shù)量上都具有顯著增加，同時(shí)TensorTPCFP64CUDAFP32CUDAMenoryFP16FP16TFLOPS

FP32 60FP64 9.7TFLOPS(1/2FP32 30資料來源：NVIDIA圖形渲染領(lǐng)域：采用光線追蹤技術(shù)，相較傳統(tǒng)光柵化渲染方式，光線追蹤采用基于物理渲染方式，使得所實(shí)現(xiàn)的效果更加接近顯示，具通用計(jì)算領(lǐng)域：目前國際各大廠商均推出GPGPU計(jì)算解決方案，大規(guī)模擴(kuò)展計(jì)算能力的高性能計(jì)算。例如：1）ATIStream：為程序員提供SDK開發(fā)工具包以協(xié)同進(jìn)行GPU計(jì)算。2）NVIDIACUDA：推出統(tǒng)一計(jì)算架構(gòu)，由管線分工式設(shè)計(jì)轉(zhuǎn)變?yōu)榻y(tǒng)一化的處理器設(shè)計(jì)，學(xué) U在I領(lǐng)域得到廣泛的應(yīng)用，包括自動(dòng)駕駛、醫(yī)療影像分析、人工智能計(jì)算能力、金融模型建立等領(lǐng)域，如第三代的張量單元相較于倍。 資料來源：NVIDIA 算 1.21.2GPU MSI AIDA64 提供GPGPUBenchmarkGPU 1.21.2GPU圖形渲染游戲性能測(cè)試—3DMark3DMark Time 有助于實(shí)現(xiàn)新APIPort Night 具有集成顯卡的 Wild 適用于微軟、安卓和iOS系統(tǒng)的跨平臺(tái)基準(zhǔn)測(cè)試。使用Vulkan圖形APIFire使用于游戲型PCDirectX11基準(zhǔn)測(cè)試產(chǎn)品。FireStrikeCPUGPUCPU游戲玩家資料來源：3DMark1.21.2GPUAI性能測(cè)試—MLPerf基準(zhǔn)測(cè)試不僅提供AIMLPerfMLPerf 提供離線場(chǎng)景(OfflineScenario)性能測(cè)試，適用于計(jì)算機(jī)視覺問題，從一組固定的類別中分配一個(gè)標(biāo)簽到一個(gè)輸入圖 自然語言處理 資料來源：MLPerf資料來源：電子元器件論壇@傳統(tǒng)傳統(tǒng)資料來源：愛碼網(wǎng)@X-knight，Stack，CSDN@zjxlinkGPGPU：SIC：為專用集成電路，應(yīng)用于市場(chǎng)需求量大的專用領(lǐng)域。指應(yīng)特定用戶要求和特定電子系統(tǒng)的需要而設(shè)計(jì)、制造的集成電路，特點(diǎn)是 GPGPUFPGAASIC對(duì) 定 技

CUDASASS本身為計(jì)算整數(shù)d=a*b+c(左圖為CUDASASS表示乘數(shù)b為2SASS指令集分類：主要包括Predicate操作指令、Float指令、Integer指令、格式轉(zhuǎn)化/數(shù)據(jù)移動(dòng)/內(nèi)存操作/跳轉(zhuǎn)分支指令和Uniform 也稱作guardpredicate，由4bit編碼指定，是控制線程是否執(zhí)行指令的方式之一 \hMOVMUFU作為SASSMOVMOVGPU生態(tài)的由三大部分基本構(gòu)成：1）上層圖形引擎、算法庫。2）中層標(biāo)準(zhǔn)API接口適配各類驅(qū)動(dòng)、編譯器。3）底層硬件/ 圖形引擎圖形引擎/標(biāo)準(zhǔn)IPIP研發(fā)難度大、需要多年沉淀才能產(chǎn)出穩(wěn)定性較佳的產(chǎn)品。目前U領(lǐng)域中，想要短期內(nèi)產(chǎn)出需要依賴外部I授權(quán)。市場(chǎng)上大多公司使用Itn提供的IP，即在購買商用UIP之后自行修改迭代。以蘋果芯片P專利為例，蘋果在0之前處理器芯片都是采用l的I。計(jì)算機(jī)芯片除了硬件之外，還要求有與之配套的軟件體系，而GPU軟件體系復(fù)雜，涵蓋各類圖形APIGPU資料來源：ESM

NVIDIANVIDIA和AMDGPU資料來源：搜狐@

資料來源：百家號(hào)@1.31.3GPU生態(tài)體系：以NVIDIACUDANVIDIA最新生態(tài)架構(gòu)組件包含六大部分：編程語言和API、開發(fā)庫、分析和調(diào)試工具、數(shù)據(jù)中心工具和集群管理、GPU 編程語言和

GeForceGPU、QuadroGPU、數(shù)據(jù)中心GPU、 1.31.3GPU生態(tài)體系：以NVIDIACUDA資料來源：博客園@青竹居士，NVIDIACUDA技術(shù)棧由NVIDIAGPU、OperatingSystem、CUDADriver和CUDA程序組成，其中底層GPU提供硬件支持相關(guān)指令運(yùn)行，操作系

1.31.3GPU生態(tài)體系：以NVIDIACUDA資料來源：NVIDIA資料來源：NVIDIA在28年-210年，A平臺(tái)進(jìn)一步發(fā)展，拓展了新局域的同步指令、擴(kuò)充全速常量內(nèi)存并且支持遞歸，IA向各軟件廠商免費(fèi)提 2008年：業(yè)務(wù)轉(zhuǎn)2008年：收購型，將并行處理Mentalimages運(yùn)用于通用計(jì)算和AGEIA CUDA1.0版與 CUDA1.1 發(fā)布CUDA2.0 CUDA3.0Toolkit隨著2011CUDA4.0的推出，標(biāo)志著NVIDIA在HPC（(Highperformancecomputing）即高性能通用計(jì)算領(lǐng)域的一大突破。結(jié)合GPU

NVIDIA虛擬化K1推出布CUDAToolKit4.0版本，Direct2.0技術(shù)CUDA5.0forCUDALinux,andMacOS系統(tǒng)CUDA7.0MAC,OS,TOOLKITLinuxandMacToolkit10.0CUDA11.0Windows,LinuxandMac1.31.3GPU生態(tài)體系：以AMDROCm全稱為RadeonOpenComputingplatforM，是基于AMDGPU系列開源設(shè)計(jì)的計(jì)算生態(tài)，其目標(biāo)是建立與NVIDIACUDA生態(tài)可替代的平CParallelHCCROCmDirectGPUROCn1）擴(kuò)大支持和訪問范圍。支持AMDInstinctMI210和AMDRadeonProW6800的工作站GPU。2）性能優(yōu)化。FP64矩陣操作能夠更好地進(jìn)行高速緩存處理，以及改善內(nèi)核啟動(dòng)延遲和運(yùn)行時(shí)間。3）助力開發(fā)者研發(fā)。提供、預(yù)包裝的HPC和AI/ML框架，可隨時(shí)在AMDInfinityHub上下載。4）易于獲取資源。在ROCm信息門戶、AMD社區(qū)支持下，能夠遠(yuǎn)程讀取AMD(AAC)，用于開發(fā)、測(cè)試和面向任意一種工作負(fù)載，Om堆棧都包括部署和管理工具、優(yōu)化庫以及編程和系統(tǒng)工具。其中，系統(tǒng)工具包括編譯、調(diào)試、性能分析 部署和管理工具簡化了部署和運(yùn)行HPC和ML代碼的過程，包括驗(yàn)證套件以確保設(shè)備環(huán)境能夠承載軟件運(yùn)行。ROCmDataCenterTool有助于收集作架 設(shè)備驅(qū)動(dòng)和運(yùn)行時(shí)環(huán)境支持RedHatEnterpriseLinux、SUSELinuxEnterpriseServerDistribution

UbuntuLinux。ROCm的優(yōu)勢(shì)是，供應(yīng)商能夠很容易地為他們的加速器創(chuàng)建設(shè)備驅(qū)動(dòng)程序，從而擴(kuò)大了平臺(tái)的使用范圍和多樣性。 VIIA市場(chǎng)份額雖有波動(dòng)，但長期高于%，與其產(chǎn)品性能優(yōu)勢(shì)和生態(tài)構(gòu)建優(yōu)勢(shì)密不可分。006年起，英偉達(dá)PU架構(gòu)保持約每兩年更新一次的節(jié)奏。在這一節(jié)奏下，英偉達(dá)代際之間產(chǎn)品性能提升顯著，生態(tài)構(gòu)建完整，fc系列產(chǎn)品市占率長期超過鐳龍系列，VIIA21年后，A資料來源：JPRGeforce256，Geforce256，臺(tái)eGTXV100被 1999年至今，NVIDIAGeForceGece系列顯卡經(jīng)過二十多年的發(fā)展，產(chǎn)品已經(jīng)涵蓋不同價(jià)位、不同應(yīng)用領(lǐng)域的低、中、高端圖形顯示和通用計(jì)算，是IIA主力產(chǎn)品。8237程CUDA8237程CUDA99系列Iray渲染100200ee400e400130官網(wǎng)，中關(guān)村在線， 30系列30系列30系列A100FP64DLSS700600架構(gòu)&16系列20X2900TITANX700資料來源：超能網(wǎng)@資料來源：超能網(wǎng)@AMD顯卡發(fā)展可大致劃分為兩階段：第一階段ATI時(shí)代從1985年至2006年，第二階段從自早期開始，AMD分為兩路研發(fā)，兼顧高端顯卡市場(chǎng)和低端顯卡市場(chǎng)，其中，高端產(chǎn)品如Radeon8500、RadeonX1800XT等；從高端顯卡中衍生出多款低端顯卡產(chǎn)品，包括Radeon9000、9000Pro、9100、9200以及9250。9500&XHD2900HD3870HDnHD150110PolarisPolaris2012年發(fā)布RadeonHD系列，AMD在架構(gòu)上實(shí)現(xiàn)創(chuàng)新，推出GCN架構(gòu)，并且是業(yè)界第一款采用28納米工藝制程的GPU圖形芯片。在圖R9HDR9HDRXR9FuryRXRXVegaRXRXRXRXRXRX院博士伊凡資料來源：太平洋電腦 資料來源：百家號(hào)@愛集微APP，中信證券研究 1996年，3Dfx憑借Voodoo成為全球3D顯卡和GPU制造領(lǐng)域的壟斷者。1997年，NVIDIA推出的NV3（RIVA128）有128bit的2D、3D加速圖形核心，采用0.35微米工藝，支持微軟Direct3D接口，且性價(jià)比高于Voodoo，被OEM廠商廣泛使用。Geforce256采用技術(shù)包括硬件變換、“T&L”、立方環(huán)境材質(zhì)貼圖和頂點(diǎn)混合、凹凸映射貼圖、雙重紋理四像素256位渲染引擎、紋理壓縮等，兼容DirectX和OpenGL，被稱為世界上第一款GPU。此前如頂點(diǎn)變換必須在CPU中完成，光柵化后像素有限等，而GPU將這些NvidiaGeforce資料來源：百家號(hào)@南京1

資料來源：搜狐@戰(zhàn)略失誤：芯片廠商涉足板卡制造領(lǐng)域面臨困難。3Dfx收購板卡制造商STB，希望獨(dú)自生產(chǎn)Voodoo顯卡，但二者的合作并沒有表現(xiàn)出1+1>2的效果，反而拖慢新品發(fā)布進(jìn)度，令3Dfx丟掉不少市場(chǎng)份額。同時(shí)失去原有板卡廠商合作伙伴，DIAMOND、GIGABYTE、 資料來源：搜狐@

資料來源：百家號(hào)@南京12000年，ATI發(fā)布Radeon256，180nm工藝，內(nèi)有3000萬顆晶體管，具備在當(dāng)時(shí)屬于先進(jìn)技術(shù)的幾何變形、圖像剪切功能、光照效果，性能優(yōu)于Nvidia同代的Geforce256。自此，PC端獨(dú)立顯卡市場(chǎng)形成Radeon系列與Geforce系列對(duì)峙的局面。2002年，ATI發(fā)布R300（即Radeon9700）支持DirectX9.0、4頂點(diǎn)著色器、8像素流水線、256位DDR內(nèi)存總線；2003年發(fā)布Radeon9800pro，性能均超過Nvidia的GeforceFX5900。ATI逐步站穩(wěn)腳跟。隨后NVIDIA的GeforceFX6800又在性能反超Radeon9800。在此

ProfilingandProfilingandtoolsand資料來源：搜狐@2014年，NVIDIA推出Maxwell架構(gòu)，使得GeForceGTX在性能、圖形和效率方面取得突破性進(jìn)展，NVIDIA持續(xù)掌握GPU市場(chǎng)的主動(dòng)2015年，AMD推出的FuryX功耗比優(yōu)于NVIDIAkepler2016年5月，英偉達(dá)推出了采用16納米FinFET制程的Pascal架構(gòu)，核心頻率與上代相比顯著提升，超頻突破2GHz。2015年，AMD推出的FuryX功耗比優(yōu)于NVIDIAkeplerGeForceGTX1080

NVIDIA押注AI芯片，2017年發(fā)布專為數(shù)據(jù)中心和高性能計(jì)算打造的TeslaV100GPU，采用Volta架構(gòu)，有超過210億個(gè)晶體管，是上代TeslaP100的1.37倍。數(shù)據(jù)中心業(yè)務(wù)自此開始快速增長，隨后成為拉動(dòng)NVIDIA營收增長的重要力量。游戲?qū)I(yè)解決方案數(shù)據(jù)中心汽車OEM和其他

資料來源：Statista，中信證券研究 資料來源：3DCenter，中信證券研究AMD產(chǎn)品開始在性能方面追趕NVIDIA。RadeonRX5700系列采用RadeonDNA架構(gòu)，即RDNA架構(gòu)，其完全兼容GCN架構(gòu)的指令。RadeonRX5700還采用7nm工藝、GDDR6顯存、PCI-e4.0總線，使得其性能跑分超過NVIDIA的GeForceGTX1080。3DCenter數(shù)據(jù)顯示，2022Q2NVIDIA在獨(dú)立GPU的市場(chǎng)份額為79%，AMD則占20%的市場(chǎng)份額，合計(jì)99%。Intel憑借在PC端的優(yōu)勢(shì)占據(jù)剩下1%的市場(chǎng)份額。

NVIDIAAMD資料來源：3DCenter年發(fā)布Turing，2020年Ampere，2022年先后發(fā)布Hopper和Adalovelace。架構(gòu)創(chuàng)新迭代高效，架構(gòu)之間性能提升顯著。而AMD（ATI）也曾憑借Radeon9700、Radeon9800強(qiáng)勢(shì)崛起，近些年的RDNA架構(gòu)也令其市場(chǎng)份額快速提高。NVIDIA前瞻性布局新興領(lǐng)域數(shù)據(jù)中心、自動(dòng)駕駛等領(lǐng)域，推動(dòng)業(yè)績爆發(fā)增長。其自2006年開始構(gòu)筑CUDA生態(tài)并推出Tesla通用計(jì)算 資料來源：超能網(wǎng)，中信證券研究 近期，NVIDIA公布了GeForce系列新品GeForceRTX4090，RTX4080和RTX20年月日秋季GIIAGeoceTXaLoelae架構(gòu)，臺(tái)積電m級(jí)別工藝，擁有0億晶體管和800個(gè)A核心，與e相比架構(gòu)核心數(shù)量增加約%，能耗比提升近兩倍，可驅(qū)動(dòng)LSS.AdaLovelace架構(gòu)對(duì)于RTCore、TensorCore和SM單元都進(jìn)行了升級(jí)，NVIDIA在SM多單元處理器中引入著色器執(zhí)行重排序技術(shù)，使NVIDIANVIDIARTX40RTX4080RTX4080RTX4080AdaLovelace(艾達(dá).洛夫萊AdaLovelace(艾達(dá).洛夫AdaLovelace(艾達(dá).洛臺(tái)積電臺(tái)積電臺(tái)積電TensorRT223025201599美元899美元

資料來源：NVIDIA2022.9.20GTC大 汽車：在2022GTC大會(huì)上發(fā)布的NVIDIADRIVEThorSoC系統(tǒng)，算力達(dá)到2000TOPS，公司計(jì)劃在2025年裝車。Thor可以將智能汽車發(fā)ARM架構(gòu)CPU芯片。2019年，NVIDIA以70億美元收購Mellanox，2020年推出BlueField-2DPU，成功布局DPU業(yè)務(wù)。 資料來源：

資料來源：NVIDIA官網(wǎng)，百度百科ARM，Mellanox官網(wǎng)，中信證券研究部繪 RDNA架構(gòu)迭代路徑清晰，代際之前性能提高顯著，即將發(fā)布的RDNA3架構(gòu)相比RDNA2每瓦性能提高超過50%。預(yù)計(jì)2024年前RDNA4架構(gòu)可正式發(fā)布。AMD在2022年11月4日發(fā)布搭載RDNA3的下代顯卡RadeonRX7000系列，其采用5納米制程和小芯片封裝工藝，新一代“無限緩存”。據(jù)稱，旗艦RX7950XT顯卡有15360個(gè)核心，頻率達(dá)2.5GHz，512MB3D緩存，搭配256bitGDDR6顯存，支持PCI-E5.0接口。AMDRDNAAMDRDNA資料來源：AMD

2022年6月19日，MD講述其未來發(fā)展戰(zhàn)略，概述為技術(shù)和產(chǎn)品組合更新、擴(kuò)大數(shù)據(jù)中心解決方案產(chǎn)品組合、加速打造無所不在的I領(lǐng)域領(lǐng)導(dǎo)地位、擴(kuò)大領(lǐng)先、推動(dòng)圖形解決方案發(fā)展勢(shì)頭。AMD希望未來將更多AI功能引入CPU的硬件層面中，如AVX-512VNNI指令集。AMD認(rèn)為，在CPU中運(yùn)行大部分推理很重要并會(huì)是未來趨勢(shì)。AMD預(yù)計(jì)明年發(fā)布全球第一個(gè)數(shù)據(jù)中心APU——InstinctMI300（此前該系列為GPU加速卡），面向訓(xùn)練領(lǐng)域，結(jié)合使用Zen4架構(gòu)的CPU和CDNA3架構(gòu)的GPU。APU是將處理器和獨(dú)顯集成到一個(gè)晶片上，實(shí)現(xiàn)GPU和CPU的融合。AMDAMDRadeonInstinctAMDInstinctAMDInstinctAMDInstinctArchitecture&7nm7nm6nm5nmZen4(APUVega?(3DDieBaseuptoComputeuptoComputeGPUClock1800-1500-1700FP1629.5185383FP3214.723.147.9FP647.411.547.932GB32GB128GB8xupto8xHBM3Memory2.02.43.2Memoryupto8192-Memory11.233.2FormDualSlot.FullDualSlot.Full uptoVerifiedMarketResearch數(shù)據(jù)顯示，2020年，全球GPU市場(chǎng)規(guī)模為254.1億美元，且該機(jī)構(gòu)預(yù)計(jì)2028年市場(chǎng)規(guī)模將達(dá)到2465.1億美元，國際市場(chǎng)上，英偉達(dá)、AMD瓜分市場(chǎng)，JonPeddieResearch數(shù)據(jù)顯示2022Q1英偉達(dá)占據(jù)79%市場(chǎng)份額，AMD占據(jù)21%。英偉達(dá)在獨(dú)立

VerifiedMarketResearch（含預(yù)測(cè)），

JonPeddieResearchGPU應(yīng)用場(chǎng)景不斷擴(kuò)大拉動(dòng)GPU市場(chǎng)空間迅猛增長，根據(jù)VerifiedMarketResearch預(yù)測(cè)，2027年中國GPU市場(chǎng)規(guī)模將AI&數(shù)據(jù)中心：新一輪AI對(duì)算力需求遠(yuǎn)超以往：ChatGPT類語言大模型底層是2017年出現(xiàn)的Transformer架構(gòu)，該架構(gòu)相比傳統(tǒng)的中國人工智能芯片市場(chǎng)規(guī)模（億元中國人工智能芯片市場(chǎng)規(guī)模（億元資料來源：前瞻產(chǎn)業(yè)研究院（含預(yù)測(cè)），年月人工智能實(shí)驗(yàn)室nAI推出了一款對(duì)話系統(tǒng)—tGP，haGP模型從P-.5eI眾預(yù)期。這標(biāo)志著對(duì)話類人工智能可以在大范圍、細(xì)節(jié)問題上給出較合理準(zhǔn)確的答案，并根據(jù)上下文形成一定像人類一樣有邏輯且有創(chuàng)造力的回答。 資料來源：ChatGPT

云端芯片：云端芯片應(yīng)用于云端服務(wù)器，可以進(jìn)一步細(xì)分為推理芯片和訓(xùn)練芯片。根據(jù)甲子光年數(shù)據(jù)，0年中國云端芯片市場(chǎng)約.120終端芯片：應(yīng)用于嵌入式、移動(dòng)終端、智能制造、智能家居等領(lǐng)域的I芯片，終端芯片需要低功耗和更高的能效比，但是對(duì)算力的需求012213

資料來源：甲子光年（含預(yù)測(cè)），

資料來源：甲子光年（含預(yù)測(cè)），中信證券研究 智能汽車主流的域控制器采用SoC與MCU結(jié)合的方案，SoC（片上系統(tǒng)）由GPU、CPU、AI引擎、DPU等組成。GPU在自動(dòng)駕駛中的作用表現(xiàn)在圖形處理和并行計(jì)算，ADAS平臺(tái)可以利用GPU的并行計(jì)算能力實(shí)時(shí)分析來自激光雷達(dá)、雷達(dá)和紅外攝像頭的傳感器數(shù)據(jù)。特斯拉2顆小鵬1顆小鵬2顆Orin理想2顆Orin蔚來4顆Orin威馬4顆Orin上汽智己2顆