图形处理器GPU行业研究破晓而生，踏浪前行

　　（报告出品方：长江证券）GPU：核心计算底座
　　GPU，指GraphicsProcessingUnit，图形处理器，进行图形和图像相关运算工作的微处理器。在该产品基础上，衍生出GPGPU，即GeneralPurposeGraphicsProcessingUnit，其在图形处理器GPU的基础上进行改造，使之可以进行部分科学计算和AI计算等的处理器。GPU概念自20世纪70年代末提出，其角色变换从最早分担CPU压力的附属硬件，到由于能承担大规模运算而逐渐被人们重视。
　　摩尔定律放缓无法匹配爆发式算力需求，GPU兴起
　　历史上，由于摩尔定律的存在，使得CPU处理器的性能可以满足应用软件不断升级的需求。但近几年随着半导体技术改进达到物理极限，电路复杂度逐渐提升。2016年3月24日，英特尔宣布正式停用TickTock处理器研发模式，未来研发周期将从两年周期向三年期转变。至此，摩尔定律对英特尔几近失效。随着互联网用户和各类网络应用的快速增长，数据体量的急剧膨胀，数据中心对计算的需求也在迅猛上涨。诸如深度学习在线预测、直播中的视频转码、图片压缩解压缩以及HTTPS加密等各类应用对计算的需求已远远超出了传统CPU处理器的能力所及。一方面处理器性能再无法按照摩尔定律进行增长，另一方面数据增长对计算性能要求超过了按摩尔定律增长的速度。CPU处理器本身无法满足计算性能需求，导致需求和性能之间出现了缺口。解决方法是通过硬件加速，采用专用协处理器的异构计算方式来提升处理性能，而GPU凭借其相对通用灵活和适应并行计算等特性成为主要选择。
　　GPU在并行运算层面具备一定优势
　　当前主要兴起的计算芯片分别为GPU、ASIC、FPGA等，其中GPU最初专用于图形处理制作，后逐渐应用于计算。其内部包含大量的运算单元核心，尽管单个核心缓存较小，逻辑功能简单，仅能执行有限类型的逻辑运算操作，但其多核心架构天然适合执行复杂的数学和几何计算，且科学计算领域通用性较高，相比CPU，综合性能更好。当前缺点在于功耗过高，效率不足。
　　GPU是核心计算资源底座。虽然提供各类计算资源的芯片种类众多，但GPU依然是市场的最为主要的支撑点。以在AI市场的应用为例，IDC研究发现，2021年上半年中国人工智能芯片中，GPU依然是实现数据中心加速的首选，占有90以上的市场份额，而ASIC、FPGA、NPU等其他非GPU芯片也在各个行业和领域被越来越多地采用，整体市场份额接近10。
　　历史复盘：当前GPU进入高速发展期
　　前GPU时代，图形处理器初具雏形：1981年世界上第一台个人电脑IBM5150由IBM公司发布，其搭配黑白显示适配器与彩色图形适配器，是最早的图形显示控制器。20世纪80年代初期，出现了以GE芯片为标志的图形处理器，GE芯片的具备四位向量的浮点运算功能，可以实现图形渲染过程中的矩阵，裁剪，投影等运算，其出现标志着计算机图形学进入以图形处理器为主导的阶段。后续随着GE等图形处理器功能不断完善，图形处理功能逐渐由CPU向GPU（前身）转移。
　　GeForce256横空出世，GPU正式诞生：20世纪90年代，NVIDIA进入个人电脑3D市场，并于1999年推出具有标志意义的图形处理器GeForce256，真正意义上的GPU第一次出现。相较过往图形处理器，第二代GPUGeForce256将TL硬件（用于处理图形的整体角度旋转与光晕阴影等三维效果）从CPU中分离出来并整合进GPU中，使得GPU可以独立进行三维顶点的空间坐标变换，将CPU从繁重的光照计算中解脱出来。即便是低端CPU，搭配了支持硬件TL的显卡也可以流畅地玩游戏，这使得英伟达在市场竞争中能以产品价格获得较大优势，市占率持续提升。顶点编程确立GPU编程思路：经过2000年的显卡厂商洗牌后，S3、SIS等厂商无力与英伟达和ATI竞争，逐渐淡出了显卡市场，拥有产品高速迭代能力的ATI成为继3Dfx后唯一有实力和英伟达竞争的厂商。2002年第三代GPU芯片陆续推出（如英伟达的GeForce4Ti与ATI的8500），其均具备顶点编程能力，可以通过赋予特定算法在工作中改变三维模型的外形。顶点编程能力的出现确立了GPU芯片的编程思路，使后续GPU芯片用于其他计算领域成为可能。但本时期GPU尚不支持像素级编程能力（片段编程能力），其编程自由度尚不完备。
　　GPU用于通用计算，GPGPU概念出现：2003年SIGGRAPH大会上首次提出将GPU运用于通用运算，为GPGPU的出现打下基础。其后3年，通过用统一的流处理器取代GPU中原有的不同着色单元的设计释放了GPU的计算能力，第四代GPU均具有顶点编程和片段编程能力，完全可编程的GPU正式诞生。由于GPU的并行处理能力强于CPU，因此GPU可以在同一时间处理大量顶点数据，使其在人体CT、地质勘探、气象数据、流体力学等科学可视化计算处理上具备较大优势，足以满足各项实时性任务。后续伴随线性代数、物理仿真和光线跟踪等各类算法向GPU芯片移植，GPU由专用图形显示向通用计算逐渐转型。架构持续迭代，AI计算关注度渐起：2010年英伟达发布了全新GPU架构Fermi，其是支持CUDA的第三代GPU架构（第一代与第二代分别是G80架构与GT200架构）。彼时英伟达在Fermi架构的设计上并未对AI计算场景做特定设置，但GPU芯片在AI计算领域相较CPU芯片已拥有了较大优势（GTX580峰值算力较i7920峰值算力高出一个数量级）。随后在2012、2014年陆续发布的Kepler架构、Maxwell架构中，尽管英伟达并未在硬件层面对AI计算做特定优化，但在软件层面却引入了深度神经网络加速库cuDNNv1。0，使英伟达GPU的AI计算性能与易用性得到提升。
　　Pascal架构发布，AI计算专精版本到来：Pascal架构在2016年3月被推出，是英伟达面向AI计算场景发布的第一版架构。其硬件结构中加入了诸如FP16（半精度浮点数计算）、NVLink（总线通信协议，用于可用于单CPU配置多GPU）、HBM（提升访存带宽）、INT8格式支持（支持推理场景）等技术，而软件层面也发布了面向推理加速场景的TensorRT与开源通信函数库NCCL，Pascal架构在AI计算领域的前瞻性布局使得英伟达后续架构在竞争中具有着较大优势。细分场景不断追赶，GPU迎来高速发展期：继Pascal架构后，面对GoogleTPU在AI计算层面带来的压力，英伟达先后更新了Volta（2017）、Turing（2018）、Ampere（2020）架构。AI计算领域的技术代差在Volta架构通过引入第一代TensorCore在训练场景进行了拉平，随后Turing架构的第二代TensorCore在推理场景上进行了拉平，直到Ampere时代，NV才算再次巩固了自己在AI计算领域的龙头地位。双方激烈竞争下，GPU迎来高速发展期。
　　多点开花，GPU市场高速成长
　　我们认为，当前全社会对算力需求将长期保持提升态势，而GPU作为支撑众多科技领域发展的底层核心，是数据计算的核心底座，在商业计算、人工智能等诸多板块均有着较为广泛的使用，是科技行业的重要支撑。
　　GPU的市场空间广阔，正稳健增长。依据T4的统计数据，2020年全球GPU市场规模价值200亿美元，预计2021年将增长15，从2015年到2025年平均每年增长13，从80亿美元扩大到350亿美元。而依据AlliedMarketResearch预测，2019年全球GPU市场规模为197。5亿美元，预计到2027年将达到2008。5亿美元，2020年至2027年的复合年增长率为33。6，对比来看AlliedMarketResearch对GPU市场空间更为乐观。
　　从下游应用来看，GPU需求仍在快速增长期。游戏领域是GPU应用的传统应用领域，参考GPU全球龙头英伟达的营收数据，其游戏领域业务收入由2019年的55。18亿元增长至2021年的124。62亿元，近三年符合增长率31。20，整体趋势保持稳定增长，为英伟达占比最高的业务。另一方面，伴随人工智能算法的不断普及和应用，以及对商业计算和大数据处理的算力需求的不断增长，全球范围内数据中心对计算加速硬件的需求不断上升。英伟达数据中心业务收入由2019年的29。83亿美元增长至2021年的106。13亿美元，近三年复合增长率高达52。66，增速远超其他板块业务。NVIDIA数据中心业务收入的快速增长体现了下游数据中心市场对于泛人工智能类芯片（以GPU为主）的旺盛需求。
　　国内需求不断涌现，计算类GPU市场高速增长。依据前瞻产业研究院数据，2020年预计国内人工智能芯片市场规模约为178亿元，且市场规模随下游应用领域的拓展而高速增长。人工智能芯片由GPU、ASIC、FPGA与NPU构成，其中GPU以科学计算型为主，其凭借着在性能、能耗比与编程灵活性等领域的综合优势，在人工智能芯片中占据主要地位。据IDC数据显示，2021年中国加速服务器市场中GPU约占人工智能芯片的88。4，测算可得2021年计算型GPU市场规模约为222亿元。
　　多方需求驱动GPU市场持续增长。从载体层面分类，GPU在PC端与服务器端均可搭载，其中PC端多用于游戏影音娱乐，而服务器端则多用于科学计算。伴随对海量数据的处理需求逐渐增大，具备矩阵运算能力的GPU需求高速上行。同时，受益于多核并行计算的基础架构，GPU已在机器学习和自动驾驶等领域有了较大规模的使用。
　　服务器层面，相对占比维度，据IDC数据显示，2018年全年中国GPU服务器市场规模约为13。05亿美金（约合人民币90。05亿元），同比增长131。2。同时IDC预测，到2023年中国GPU服务器市场规模将达到43。2亿美金（约合人民币298亿元），未来5年整体市场年复合增长率（CAGR）为27。1。GPU服务器增速高于国内X86服务器出货量增速，当前国内服务器中GPU服务器占比迅速抬升。
　　全球格局：国际巨头垄断，国产厂商起步追赶
　　竞争格局：国际巨头三强垄断
　　全球GPU市场中，基本被Nvidia、Intel和AMD三家垄断。据JPR统计，全球PCGPU在2022年Q2出货量达到8400万台，同比下降34，预计20222026GPU复合增长率为3。8，在未来五年内dGPU在PC中渗透率增长至30。从市场格局来看，Nvidia、Intel和AMD三家在2022年Q2市场占有率分别为18、62和20，Intel凭借其集成显卡在桌面端的优势占据最大的市场份额。
　　独显市场中，Nvidia占据领先地位。不同于整体市场，在独显市场中，Nvidia与AMD双雄垄断市场，其2022年Q2市占率分别约为80和20，可以看到近年来Nvidia不断巩固自己的优势，其独立显卡市占率整体呈现上升趋势。
　　英伟达：GPU王国缔造者，AI时代先行军
　　英伟达是一家专注于GPU半导体设计的企业。公司成立于1993年，由黄仁勋联合SunMicrosystem公司两位年轻工程师共同创立，1999年英伟达推出GeForce256芯片，并首次定义了GPU的概念；随后创新性的提出CUDA架构，让此前只做3D渲染的GPU实现通用计算功能；进入2010年代后，英伟达在AI行业发展初期市场皆不看好的情况下，前瞻性预见了GPU在AI市场的应用并全力以赴开展相关布局；当前，公司以数据中心、游戏、汽车、专业视觉四大类芯片为收入基础，完成了硬件、系统软件、软件平台、应用框架全栈生态的建设。
　　追溯公司历史，英伟达以技术创新为基，持续推动GPU行业的发展，可以称得上是GPU时代奠基人。我们认为，英伟达公司发展史可简单划分为四个阶段：
　　（1）蓄力阶段：1993年黄仁勋联合SunMicrosystem公司两位年轻工程师共同创立英伟达，早期致力于图形芯片的研发。但当时市场上有20多家图形芯片公司，三年后这个数字飙升至70家，英伟达在其中并不突出。直到1997年英伟达决定放弃部分已有的专利，转而全面支持DirectX（微软标准），1997年公司推出RIVA128，这是公司第一款真正意义上取得成功的产品。
　　（2）崛起阶段：1999年公司推出GeForce256并定义GPU芯片，这是世界上第一款功能齐全，可从真正意义上替代CPU渲染图形的芯片，并首次定义了GPU的概念，由此英伟达走上了重塑显卡行业的道路。2000年，公司收购了显卡先驱企业3Dfx，再次巩固自身行业地位，在显卡行业与ATi公司形成双寡头垄断的格局。
　　（3）制霸阶段：2006年英伟达创新性推出CUDA架构。CUDA全称ComputeUnifiedDeviceArchitecture，是英伟达基于自有GPU的一个并行计算平台和编程模型。CUDA带来两方面巨大影响，于GPU行业而言，CUDA使得只做3D渲染的GPU得以实现通用计算功能，GPU的应用领域得以从游戏（图形渲染）向外扩展至高性能计算、自动驾驶等多个领域；而对于英伟达公司本身来说，其在早期大力推广CUDA，并对CUDA进行了编程语言扩展，如CUDACC，CUDAFortran语言等，使得开发人员能够轻易地对GPU进行编程，目前CUDA是最主流的两个GPU编程库之一，奠定了英伟达GPU生态得以成型的基础。而在英伟达大力推广统一平台CUDA、不断进行GPU架构迭代的同时，其最大的竞争对手ATi在被AMD收购后受其CPU业务拖累，发展受到限制，英伟达在GPU领域的竞争地位在这一阶段进一步得到巩固。
　　（4）腾飞阶段：押注AI，数据中心业务开启第二成长曲线。2012年AlexKrizhevsky利用GPU进行深度学习，通过几天训练在ImageNet竞赛中获得冠军，其将深度卷积神经网络AlexNet的准确率提高了10。8，震撼了学术界，从此开启GPU应用于深度学习的大门，毫无意外，其使用的正是NVIDIAGTX580GPU芯片和CUDA计算模型。此后，英伟达GPU和CUDA模型成为深度学习（尤其是训练环节）的首选芯片，而英伟达也顺势推出海量专用于AI的芯片及配套产品，从显卡硬件公司华丽转型成为人工智能公司。在人工智能的推动下，公司数据中心业务20142022财年复合增速达到64。39，其占收入比例也由2014年的不足5提升至2022财年的40。
　　而总览英伟达历史，即使公司在不同时期存在不同发展重点，但贯穿始终的，是其卓越的创新能力、强大的芯片设计能力和稳定的决策执行能力。事实上，英伟达平均每两年推出一代芯片架构、每半年推出一款新的产品，多年以来坚持不辍，从2009年的Fermi架构到当前的Hopper架构，公司产品性能稳步提升，并始终引领GPU芯片技术发展。
　　截至目前，英伟达GPU芯片已形成覆盖数据中心、游戏、专业视觉和学术研究四大场景的芯片产品阵列，其中消费级GPU和数据中心GPU是最核心场景。
　　与此同时，在英伟达领跑GPU市场的过程中，生态的建设也是不可缺少的一环。具体来看，我们认为英伟达生态的建立，主要应当归功于以下两方面原因：（1）通过统一的计算平台CUDA，构建开发者生态。CUDA的存在使得开发者使用GPU进行通用计算的难度大幅降低，使得开发者可以相对简单有效地对英伟达GPU芯片进行编程。2006年CUDA推出后，英伟达承担巨大成本压力，坚持使其成为所有GPU芯片的统一计算平台，而其竞争对手AMD经过重重考虑选择应用开源计算框架OpenCL，其开源属性决定其在效率上落后于CUDA。经过多年培育，目前英伟达基于CUDA平台已培育近180万开发者，2020年新增超过50个SDK，GPU开发者生态正在蓬勃发展。
　　毋庸置疑，CUDA是迄今为止最发达、最广泛的生态系统，也是深度学习库最有力的支持。随着人工智能领域的蓬勃发展，GPU和CUDA被从业者视为标配，使用GPU做加速计算已成为行业主流。虽然英伟达GPU本身硬件平台的算力卓越，但其强大的CUDA软件生态才是推升GPU计算生态普及的关键力量，其帮助英伟达成为AI产业目前最大受益者，GPU生态效应使得英伟达处于领先地位。
　　（2）与此同时，英伟达自身也在不遗余力的进行配套软硬件研发，持续丰富各类GPU应用场景。目前英伟达构建了四层技术栈：硬件、系统软件、软件平台、应用框架，同时针对不同场景（如医疗、智能机器人等）都有相关硬件和软件平台的开发，英伟达自身就是GPU应用生态的核心开发者。
　　AMD：兼具CPUGPU，卓越性能引领算力时代
　　AMD是一家专门为计算机、通信和消费电子行业设计和制造各种创新的微处理器（CPU、GPU、APU、主板芯片组、电视卡芯片等）、闪存和低功率处理器解决方案的公司。公司成立于1969年，由曾工作于仙童半导体的销售高管JerrySanders创立，成立之初生产逻辑芯片，后定位为高性价比的第二供应商，与英特尔深度合作X86处理器，后英特尔为巩固自身优势斩断合作关系，两者竞争加剧。2006年7月24日，AMD正式收购ATI，成为一家同时拥有CPU和GPU生产技术的半导体公司，GPU版图由此展开。公司自成立以来收入波动较大，近五年开始实现持续高增。公司2021年营业收入164。34亿元，同比大幅增长68。33，20162021年CAGR30。92。公司营业收入可分为数据中心、客户端、游戏和嵌入式解决方案业务收入，其中数据中心和游戏业务收入增速最高，分别为119。23和104。19。
　　细究AMD的GPU发展史，可将其分为两大阶段。第一阶段是收购前的ATI时代，随时代技术发展而进步，不断推出Radeon系列，凭借性能与英伟达直面对抗；第二阶段是收购后的AMD时代，凭借高性价比战略在中端市场占据一席之地。
　　第一阶段，被收购前的互相追赶。1985年ATI由加拿大华人何国源与另外两位华人LeeKaLau，BennyLau一起创办成立，主攻图形显示芯片的研发。19851995年，PC图形技术仍处于2D时代，ATI看到了图形技术发展迅速，1987年推出EGAWonder显卡系列，在技术和功能上相比IBM同期图形适配器都有很大提升，是可应用于市场上任何一种图形界面、软件和显示器的单卡，成为当时ATI主要的零售产品。1995年，随着3D图形显示技术的发展，众多图形厂商都纷纷推出旗下的第一代3D显示卡，例如NVIDIA的NV1、Matrox的Mlennium以及Mystique、PowerVR的PCX1、S3的Virge3D等等，ATI也推出3DRage进军3D市场。1999年，英伟达推出GeForce256重新定义GPU芯片，并于2000年收购昔日王者3Dfx重塑行业格局，ATI发布Radeon256正式迎击。20002006年期间，ATI于英伟达呈现双寡头垄断格局，ATI不断提升自身性能与英伟达直面竞争。但同时，ATI在产品的高成本投入加上市场的不良反应让财务状况出现问题，最终于2006年被AMD收购。
　　第二阶段，有的放矢，凭借高性价比牢牢占据一席之地。根据2022年5月，德国3Dcenter网站对市场上主流GPU的测评数据来看，在1080p分辨率中，AMDRadeonRX6950XT的性能指数是2230，性能得分最强，但售价仅为12401400欧元，性价比指数为70，大幅超过GeForceRTX3090Ti的41。从整体来看，AMD目前市场主流显卡的性价比得分超过100个数明显超过英伟达，具有较强的性价比优势。
　　AMD生态相对劣势，但已推出ROCm生态。ROCm是一个开放式软件平台，为追求高灵活性和高性能而构建，针对加速式计算且不限定编程语言，让机器学习和高性能计算社区的参与者能够借助各种开源计算语言、编译器、库和重新设计的工具来加快代码开发，适合大规模计算和支持多GPU计算，其创立目标是建立可替代CUDA的生态。
　　庞大需求国产替代，国产厂商迎来时代机遇
　　总量与份额双击，国产厂商迎来发展黄金期
　　中美摩擦不断，国产替代紧迫性和重要性进一步提升。2022年8月9日，美国总统拜登签署《2022年美国芯片与科学法案》，旨在为美国半导体的研究和生产提供约520亿美元的政府补贴，来对抗中国及控制半导体产业链。8月31日，英伟达发布公告，美国政府对向中国和俄罗斯出口的A100和即将推出的H100芯片实施了新的许可要求。据路透社消息，AMDMI250芯片亦受到影响。高端GPU限制产品基本都是具备64位浮点数字（FP64）双精度算力的高性能显卡，主要应用于AI、数据分析和HPC应用场景。此次受限虽然只针对高端GPU型号，但依然为我国厂商敲响了警钟，国产GPU落地有望加速推进。
　　庞大的需求逐渐成熟的产业预示着广阔的发展空间。在元宇宙、人工智能、云游戏、自动驾驶等新场景和需求爆发式增长的背景下，我们判断中国GPU市场将快速增长，相比于PC市场，新增市场空间或更大。相比于PC等传统IT应用场景，中国在人工智能、自动驾驶领域与美国等强国处于同一竞争水平，且中国庞大市场有望为相应细分领域带来更快的成长。另一方面，从国家安全角度，国产GPU势在必行，对于国产GPU厂商而言是时代机遇。
　　国内厂商奋力追赶，迎来时代黄金机遇
　　部分优质国产GPU企业已逐步展现出发展潜力。我国部分国产厂商经历了从特殊行业到党政市场的应用迭代升级，正逐步向民用等商业市场布局拓展，如景嘉微在经过JM5系列和JM7系列应用升级，当前JM9系列已完成流片、封装阶段工作及初步测试工作。海光信息自2018年布局GPU行业以来，产品迭代进展迅速，2021年首款DCU产品深算一号便已实现规模化出货，同时深算二号的研发也保持顺利。
　　壁仞科技
　　公司主营业务为高端通用智能计算芯片。壁仞科技创立于2019年，公司致力于开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。从发展路径上，公司将首先聚焦云端通用智能计算，逐步在人工智能训练和推理、图形渲染等多个领域赶超现有解决方案，实现国产高端通用智能计算芯片的突破。2022年3月，公司首款通用GPU芯片BR100成功点亮，后于2022年8月正式发布，创下全球算力的新纪录。
　　公司的产品体系主要涵盖BR100系列通用GPU芯片、BIRENSUPA软件开发平台以及开发者云三大板块。其中，BR100系列通用GPU芯片是公司的核心产品，目前主要包括BR100、BR104两款芯片。BR100系列针对人工智能（AI）训练、推理，及科学计算等更广泛的通用计算场景开发，主要部署在大型数据中心，依托壁立仞原创架构，可提供高能效、高通用性的加速计算算力。
　　BR100系列在性能、安全等方面具备多项核心优势。公司致力于打造性能先进、竞争力强的GPU芯片，并为此采取了大量技术措施，具体包括：支持7nm制程，并创新性应用Chiplet与2。5DCoWoS封装技术，兼顾高良率与高性能；支持PCIe5。0接口技术与CXL通信协议，双向带宽最高达128GBs等。2022年公司正式推出壁砺100，其峰值算力达到国际厂商在售旗舰的3倍以上，超越了国际厂商同类的在售旗舰产品，竞争优势十分显著。同时，在安全方面，BR100系列最高支持8个独立实例，每个实例物理隔离并配备独立的硬件资源，可独立运行。
　　摩尔线程
　　摩尔线程是一家以GPU芯片设计为主的集成电路高科技公司。公司诞生于2020年10月，专注于研发设计全功能GPU芯片及相关产品，支持3D高速图形渲染、AI训练推理加速、超高清视频编解码和高性能科学计算等多种组合工作负载，兼顾算力与算效，为中国科技生态合作伙伴提供强大的计算加速能力。在元计算赋能下一代互联网的愿景下，公司将持续创新面向元计算应用的新一代GPU，构建融合视觉计算、3D图形计算、科学计算及AI计算的综合计算平台，建立基于云原生GPU计算的生态系统，助力驱动数字经济发展。公司的产品体系主要包括：MTTS60、MTTS2000、MTTS100等硬件产品；MTSmartMediaEngine、MTGPUManagementCenter、MTDirectStream、MTOCR等软件产品；以及MUSA统一系统架构、DIGITALME数字人解决方案、元计算应用解决方案等其他产品。
　　MTTS60具备先进的硬件规格。MTTS60显卡由基于MUSA架构的GPU苏堤核心晶片制成，采用12nm制程，包含2048个MUSA核心，单精度算力最高可达6TFlops，配置8GB显存，基于MUSA软件运行库和驱动程序等软件工具。在先进硬件规格的支撑下，MTTS60显卡能够在不同应用场景中展现多重优势：丰富图形API、4K8K超高清显示、领先的硬件视频编解码能力、通用AI功能支持等。
　　基于MUSA先进架构，MTTS2000致力于打造数据中心绿色多维算力。MTTS2000采用12nm制程，使用4096个MUSA核心，最大配置32GB显存，单精度算力最高可达到12TFlops，支持H。264、H。265、AV1多路高清视频编解码，以及广泛的AI模型算法加速。同时，MTTS2000还采用了被动散热、单槽设计，以满足数据中心高密度GPU配置方式。截至目前，MTTS2000已经能够兼容X86、ARM等CPU架构以及主流Linux操作系统发行版，并与浪潮、新华三、联想、清华同方等多家服务器合作伙伴建立了合作关系，产品生态持续完善。作为公司面向数据中心领域的GPU芯片，除了生态外，MTTS2000还具备全功能GPU、丰富的图形API支持、绿色计算等优势。基于多维算力、生态完善等优势，MTTS2000有望助力公司赋能PC云桌面、安卓云游戏、音视频云处理、云端UnrealUnity应用渲染和AI推理计算等多类应用场景。
　　海思昇腾
　　海思半导体成立于2004年，是全球领先的Fabless半导体与器件设计公司，旗下芯片共有五大系列，分别是用于智能设备的麒麟系列；用于数据中心的鲲鹏系列服务器CPU；用于人工智能的场景AI芯片组昇腾系列SoC；用于通信连接的芯片（基站芯片天罡、终端芯片巴龙）；以及其他专用芯片（视频监控、机顶盒芯片、智能电视、运动相机、物联网等芯片）。
　　海思半导体是华为全资子公司，核心管理团队皆有深厚的华为背景。公司董事长徐直军先生博士毕业于南京理工大学，早在1993年就加入了华为，历任华为无线产品线总裁、战略与Marketing总裁、产品与解决方案总裁、产品投资评审委员会主任、公司轮值CEO、战略与发展委员会主任等。公司总经理徐文伟先生1991年加入了华为，历任华为国际产品行销及营销总裁、欧洲片区总裁、战略与Marketing总裁、销售与服务总裁、片区联席会议总裁、企业业务BGCEO、公司战略Marketing总裁、IRB主任、战略研究院院长等。
　　公司针对人工智能领域应用场景，推出了昇腾系列芯片，主要产品有昇腾310与昇腾910两款NPU。昇腾310芯片于2017年发布，是一款高能效、灵活可编程的人工智能处理器，芯片在典型配置下可以输出16TOPSINT8，8TOPSFP16，功耗仅为8W。昇腾310芯片采用自研华为达芬奇架构，集成丰富的计算单元，提高AI计算完备度和效率，进而扩展该芯片的适用性。芯片实现了全AI业务流程加速，大幅提高AI全系统的性能，有效降低部署成本。昇腾（HUAWEIAscend）910于2018年推出，是业界算力最强的AI处理器，芯片基于自研华为达芬奇架构3DCube技术，实现业界最佳AI性能与能效。芯片架构灵活伸缩，支持云边端全栈全场景应用。在算力方面，昇腾910完全达到设计规格，半精度（FP16）算力达到320TFLOPS，整数精度（INT8）算力达到640TOPS，功耗310W。
　　百度昆仑
　　昆仑芯科技是一家AI芯片公司，前身是百度智能芯片及架构部，在实际业务场景中深耕AI加速领域已十余年，是一家在体系结构、芯片实现、软件系统和场景应用均有深厚积累的AI芯片企业。昆仑芯科技研发实力雄厚，团队成员拥有全球顶尖学术背景，多数成员来自百度、高通、Marvell、Tesla等行业头部公司，并提出了100自研的、面向通用人工智能计算的核心架构XPU，研究成果也在Hotchips、ISSCC等国际顶级学术会议中成功发表。
　　2011年，为了深度学习运算的需要，百度开始基于FPGA研发AI加速器，并于同年开始使用GPU。在过去几年中，百度对FPGA和GPU都进行了大规模部署。在大规模AI运算的实践探索中，百度推出昆仑芯片。
　　昆仑芯科技的主要产品有昆仑一代芯片、二代芯片以及基于两代芯片开发的加速卡K系列与R系列。昆仑第一代云端通用人工智能计算处理器发布于2020年，采用了公司十年积累自研的XPUK架构，芯片采用了14nm制程工艺，算力可以输出256TOPSINT8，64TFLOPSFP16，可用于云数据中心和智能边缘，支持全AI算法，落地已超过两万片。
　　昆仑第二代云端通用人工智能计算处理器发布于2021年，采用通用性和性能显著提升的XPUR架构，制程工艺从14nm升级到7nm，算力可以输出256TOPSINT8，128TFLOPSFP16。相比之下功能更加完备，支持硬件虚拟化，芯片间互联和视频编解码。
　　第二代芯片的XPUR架构使二代芯片性能比1代提升23倍，全品类人工智能算法上都达到了当前业界领先水平的1。52倍。第二代芯片支持硬件的虚拟化，可实现计算单元和存储单元的物理隔离，优化了加速芯片的利用率。在保证延时和吞吐量的情况下支持推理和训练等混合工作负载。此外，二代芯片还支持高性能分布式AI系统、芯片间KLink互联支持训练和推理中模型并行和数据并行策略的通讯要求。
　　（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
　　精选报告来源：【未来智库】。系统发生错误