數據中心競賽升級：GPU需求激增背後的科技巨頭對決

今年來，英偉達貢獻了標普500指數全部漲幅的1/3，並創造了從1萬億美元增長到2萬億美元跨越的最快紀錄，市值陸續超過了亞馬遜、谷歌母公司Alphabet和沙特阿美。

近日，英偉達CEO黃仁勳表示，Blackwell芯片已經投產，計劃每年升級其AI加速器，並宣佈將於2025年推出Blackwell Ultra GPU。

GPU作為AI計算和數據中心基礎設施的關鍵組成部分，其技術叠代與市場應用，正深刻影響著科技產業的格局。

作為人工智能繁榮的最大受益者之一，旺盛需求讓數據中心營收保持驚人增速，谷歌母公司Alphabet、微軟、亞馬遜和其他科技公司正在爭奪英偉達高端芯片的有限供應，以爭奪雲計算的主導地位。

01 行業現狀

智算中心集合了釋放算力、調度算力、聚合算力、生產算力四個作業環節。

調度算力中智算中心通過CPU、GPU、FPGA、ASIC等底層算力資源，通過細粒度切分、算力標準化等算力池化和算力調度過程，實現算力服務管理。

人工智能模型的兩個基本要素為數據集和處理能力，系統在數據集上進行訓練，模型通過處理能力檢測這些數據集内外部之間的關系。

在某種程度上，這兩大基本要素可以相互替代：一個模型可以通過吸收更多數據或增加更多處理能力加以改進。然而，在專業人工智能芯片短缺的情況下，後者正變得越來越困難，這導致模型構建者加倍專注於尋找數據，GPU在處理大規模並行計算任務時具有明顯優勢，尤其在深度學習、圖像識别等AI領域。

GPU：圖形處理器（英語：Graphics Processing Unit，縮寫：GPU），又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、遊戲機和一些移動設備（如平板電腦、智能手機等）上做圖像和圖形相關運算工作的微處理器。

GPU主要由90%的ALU（運算單元），5%的Control（控制單元）、5%的Cache（緩存單元）組成。

根據應用，可將GPU分為獨立GPU、集成GPU和移動GPU，可根據使用者的應用場景所需計算量進行選擇。

AI芯片：目前主流的加速計算解決方案主要採用CPU系統搭載GPU、FPGA、ASIC等異構加速芯片，GPU可以支撐大量數據的並行計算，適合對數據密集型的應用進行計算和處理；FPGA可無限次編程，延時性比較低，同時擁有流水線並行和數據並行、靈活性高；ASIC通過算法固化實現極致的性能和能效、平均性很強；功耗很低；體積小。

從性能上看ASIC在三者最具優勢，但目前技術開發難度最大，技術落地時間難以估計，因此預計未來AI芯片仍以GPU為主流，首先Transformer架構是最近幾年的主流，該架構最大的特點之一就是能夠利用分佈式GPU進行並行訓練，提升模型訓練效率；GPU芯片通用性強，其中原本為圖形計算設計的大量算數邏輯單元（ALU）可以為深度學習提供良好的加速效果。

02 行業應用

中國新能源車企早期更加關注單車智能，目前正逐步推進網聯方案發展，科技公司借助AI技術，提供自動駕駛解決方案，互聯網公司借助内容服務與AI，滲透自動駕駛出行服務，運營商依託蜂窩網，為網聯式自動駕駛提供服務。

L1-L2級傳統汽車不需要太大的車載算力，因此多採用小算力、微控制器的解決方案。從L2級開始，尤其是L3級以上的自動駕駛汽車需要裝備大算力芯片支撐感知、決策算法的高效運行。根據地平線公司的預測，自動駕駛每提高一級，算力就增加一個數量級。L2級别大概需要20-80K DMIPS、5-100TOPS的算力，L3需要200K DMIPS、500+個TOPS，L4為200+K DMIPS、500+TOPS，L5為200+K DMIPS、1,000+TOPS，預計未來主要算力芯片將為GPU，隨著新能源汽車自動駕駛需求的不斷提升，GPU的需求也將不斷擴大。

03 產業鏈分析

隨著服務器端的需求量不斷增加，倒推GPU整體產業開始新一輪發展，預計AI的算力需求將會促成GPU新一輪供不應求的局面，且此次短缺將有可能持續1-2年。

文章來源：頭豹公眾號