证券时报记者 王一鸣

前几年广受资本追捧的GPU（图形处理器）这一硬核赛道正在步入洗牌期，一些原本备受瞩目的通用GPU设计企业先后陷入经营困境。与此同时，有头部企业继续求新求变，已步入AI（人工智能）核心战场。

对于行业现状，北京社科院研究员王鹏向证券时报记者分析，当前国产GPU产业处于快速发展与洗牌并存的阶段。一方面，随着AI大模型的需求激增，国产GPU市场迅速崛起，涌现出如摩尔线程、壁仞科技等一批具有创新能力的企业。这些企业在技术研发、产品创新等方面取得了显著进展，为国产GPU行业注入了新的活力。另一方面，市场竞争也日益激烈，部分初创企业由于资金链断裂、技术瓶颈等问题陷入困境，甚至面临裁员、诉讼等风险。

“长远来看，国产GPU行业仍具有广阔的发展前景。这源于人工智能、大数据、云计算等技术的快速发展，对高性能GPU的需求持续增长；同时，国家政策对半导体产业的支持力度不断加大，为国产GPU行业提供了良好的发展环境。此外，随着国产芯片公司在生态构建、技术创新等方面的不断努力，国产GPU有望逐步缩小与国际领先水平的差距。”王鹏说。

几家欢喜几家愁

近日，国产GPU独角兽壁仞科技一则动态引起业内关注。该公司在上海证监局办理IPO辅导备案登记，辅导券商为国泰君安。这是继今年8月26日燧原科技辅导备案报告公布后，又一家启动IPO的上海AI芯片企业。

壁仞科技创立于2019年，致力于研发原创性的通用计算体系，建立高效的软硬件平台，同时在智能计算领域提供一体化的解决方案。截至目前，公司已完成多轮融资，公开融资总额超过50亿元，投资方包括启明创投、IDG资本、中芯聚源、格力创投等。

目前，壁仞科技首款国产高端通用GPU（GPGPU）壁砺系列已量产。在9月举行的2024全球AI芯片峰会上，壁仞科技还首次公布了其自研的异构GPU协同训练方案，该方案突破了大模型异构算力孤岛难题，实现了在本土异构多GPU芯片算力训练技术领域的首次突破。

另一家国内GPU独角兽企业也有新动作。今年7月，摩尔线程宣布对其夸娥（KUAE）智算集群解决方案进行重大升级，从当前千卡级别大幅扩展至万卡规模。摩尔线程创始人兼CEO张建中表示，在多元趋势下，万卡已是AI模型训练主战场的标配。

事实上，在国内，万卡集群建设正高歌猛进。去年7月，华为昇腾AI集群规模从最初的4000卡集群扩展至16000卡，是国内首个万卡AI集群。

不过，当前国产GPU产业的分化亦十分明显，一些原本备受瞩目的企业接连陷入困境。今年8月底，曾获得2024年度重庆市“独角兽企业”称号的象帝先被曝约400位员工被裁。公司在回应中坦陈：“发展面临一定的市场调整压力……正在进行组织结构和人员配置的优化等……并寻找外部融资机会。”另一方面，象帝先股东还在起诉其创始人唐志敏，因其未能筹集到承诺的5亿元B轮融资。

在象帝先陷入困境之前，同处在GPU赛道的砺算科技也曾预警。至今年8月19日，东芯股份公告拟以不超过2亿元收购砺算科技37.88%股份，砺算科技的资金紧张局面方得以缓解。

GPU占AI芯片

八成份额

在中关村物联网产业联盟副秘书长袁帅看来，当前国产GPU行业处于一个复杂而关键的转型期，短期行业出现降温和分化，主要是由于市场竞争加剧、技术门槛提高、资本退潮等因素导致企业资金压力增大。在此背景下，部分实力较弱的初创企业在面对挑战时往往更加脆弱，而头部企业则凭借其技术实力、市场布局和资金优势逐渐崭露头角。

按定义和应用看，GPU起初是一种显示芯片，用于加速计算机上的图像处理。随着技术进步和应用范围的扩大，GPU衍生出了GPGPU，后者是通过利用GPU并行处理能力特别强、计算能效比高的特点，处理更为复杂的计算任务（如AI模型训练与推理等）。基于此，如今的GPU已被广泛应用于人工智能、虚拟现实、游戏、科学计算等诸多领域。

IDC数据显示，预计到2025年，GPU仍将占据全球AI芯片八成市场份额。Gartner此前预测，2023年全球人工智能芯片（包含GPU、TPU等）的市场规模达到530亿美元，并预计在2024年增长至671亿美元。到2027年，全球人工智能芯片市场规模预计达到1194亿美元。

从行业格局来看，作为GPU的发明者，英伟达占据绝对领先地位。Jon Peddie Research（JPR）数据显示，2024年第一季度英伟达的全球AIB显卡（也称独立GPU）市场份额飙升至88%，而AMD的市场份额下降至12%。JPR预计，2024年第二季度，AI训练器GPU的出货量将继续增加，而游戏AIB市场可能持平或走低。在AI芯片主战场，据TechInsights数据，英伟达2023年的数据中心GPU出货量约为376万片，比2022年多出近100万片，市场占比98%，收入达362亿美元。压倒性击败了AMD和英特尔等竞争对手。

微软公司和Meta等数据中心运营商使用英伟达的芯片来开发和运行AI模型，巨大的需求使其销售额和股价飙升。英伟达市值在今年6月曾登顶全球第一，达到3.33万亿美元。最新财报显示，在英伟达Hopper（GPU构架平台）、GPU计算和网络平台强劲需求的推动下，公司数据中心今年第二季度收入达到262.72亿美元。

英伟达达成如今成绩凭的是什么？袁帅告诉证券时报记者，这主要源于英伟达在GPU设计、制造工艺以及软件优化等方面具有深厚的技术积累，其产品在性能、功耗比和稳定性等方面均处于行业领先地位。同时，该公司建立了完善的生态系统，包括CUDA平台、软件开发工具包（SDK）以及丰富的第三方应用支持等，为开发者提供了便捷的开发环境和广泛的应用场景。

“英伟达的芯片产品先进且功能强大，配套软件生态完善渗透率高，并且产品迭代进化速度快速，所以市场地位尚难以撼动。”深度科技研究院院长张孝荣认为。

机遇和挑战并存

国内市场方面，自2019年以来，一批国产GPU初创公司先后成立，其中涌现了壁仞科技、摩尔线程、燧原科技等AI芯片设计独角兽。同时，还有一批老牌芯片设计公司也入局GPU领域。

这些公司的机会在于美国出口管制背景下的国产替代。2022年10月，美国政府禁止英伟达向中国出口高性能H100、A100芯片。英伟达随后专门面向中国市场推出了不违反美国出口管制要求的A800和H800芯片，至去年10月，这两项芯片也被限制。2024年2月，英伟达向中国市场特供的H20芯片接受预订，但该芯片与H100配置相比，GPU核心数量减少41%，性能降低28%。对此，英伟达2023年11月曾透露，数据中心业务两成以上受出口管制影响。

与此同时，国内GPU厂商正迎头赶上。IDC在2023年中发布的一项中国AI加速卡（公开市场）出货量统计显示，2022年上半年到2023年上半年，中国AI加速卡出货约109万张，英伟达市场份额为85%，华为市占率为10%，百度市占率为2%，寒武纪和燧原科技均为1%。

从国内产品成果来看，不仅华为昇腾系列表现突出。2024年5月份，摩尔线程与智谱AI开展了新一轮GPU大模型适配、性能测试。结果表明，在推理方面，摩尔线程自研全功能GPU显著优于基准对比产品RTX 3090和RTX 4090；在训练方面，摩尔线程夸娥千卡智算集群的训练精度与A100集群相比，误差在1%以内，而集群性能扩展系数超过90%，模型算力利用率（MFU）与A100集群相当。

壁仞科技则于2022年8月推出采用7nm制程的GPGPU芯片BR100，该芯片峰值算力达到国际厂商彼时在售旗舰产品3倍以上，创下国内互连带宽纪录。

不过，挑战也随之而来，一些行业领先企业先后被美国政府“盯上”。2022年12月，寒武纪等36家被美国政府列入“实体清单”。2023年10月，壁仞科技、摩尔线程等亦被添加到实体清单中。

这对相关企业影响几何？寒武纪在2024年半年报中表示，公司及部分子公司已被列入“实体清单”，将对公司供应链的稳定造成一定风险。受“实体清单”等供应链不利因素影响，公司上半年营收6476.53万元，较上年同期下降43.42%。

生态建设待完善

王鹏指出，当前国际政治经济环境的变化对GPU行业产生了一定影响。特别是美国对中国AI产业的打压政策限制了国内相关企业的进口渠道和供应链稳定性。

袁帅向证券时报记者表示，在面临外部封锁前提下，国产GPU厂商要站稳脚跟并在高端AI芯片领域争得一席之地并非易事。在硬件层面，国内芯片代工企业在高端工艺和产能方面相对不足，难以完全满足国产GPU设计厂商对高端AI芯片的生产需求；在软件层面，英伟达等国际巨头在软件生态（CUDA等）和IP授权方面拥有强大优势。国产GPU厂商在构建和完善软件生态以及获取关键IP授权领域仍显薄弱。

事实上，CUDA被业内普遍认为是英伟达最大护城河。英伟达CEO黄仁勋在今年也曾强调CUDA软件系统生态对于AI时代的重要性。“目前，CUDA已实现良性的发展循环，全球拥有500万开发者，覆盖医疗保健、金融服务、计算机行业、汽车行业等领域。”黄仁勋说。

中国工程院院士，高性能计算研究所所长郑纬民在今年7月7日的信息化百人会上指出：“这些年国产芯片无论是软件硬件都有很大的进展，但是用户不太喜欢用，原因是国产卡的生态系统不太好。”

郑纬民认为，这需要做好系统设计和相关软件优化，具体包括十个方面：编程框架、并行加速、通信库、算子库、AI编译器、编程语音、调度器、内存分配系统、容错系统、存储系统等。在他看来，在国产算力支撑大模型训练时，国产AI芯片只能达到国外芯片60%的性能，但如果把前述十个方面的软件生态做好了，客户也会满意。

国泰君安在今年3月发布的《重视AI芯片配套的软件生态》报告中总结：谁能做出中国版“CUDA”，就能占领AI算力高地。国内各大厂商已在GPU生态上积极布局，包括驱动程序、开发工具、应用程序接口（API）等，以确保其产品能够更好地服务于人工智能、大数据处理、云计算和游戏等多样化的应用场景。例如，华为推出了CANN以及对应的生态体系，力求突破技术瓶颈。此外，像景嘉微、摩尔线程等公司也在自主研发GPU产品，并努力打造与之兼容的软件环境，以减少对外部供应商的依赖，提升国产GPU的市场竞争力等。