报名提醒

8月8日，NVIDIA创始人黄仁勋在SIGGRAPH现场发表NVIDIA主题演讲中谈到，通用计算将要让位给加速计算和AI计算。未来，大语言模型将几乎被应用于所有前端，几乎所有应用程序、数据库，而当人与计算机交互时都要先通过大模型。

黄仁勋宣布推出下一代版本的GH200 Grace Hopper超级芯片，该芯片将成为世界上第一个配备HBM3e（High Bandwidth Memory 3e）内存的GPU芯片。

最新版本的GH200超级芯片内存容量增加了3.5倍，带宽增加了3倍；相比最热门的H100芯片，其内存增加1.7倍，传输频宽增加1.5倍。

下一代版本的GH200 Grace Hopper超级芯片将成为世界上第一个配备HBM3e内存的GPU芯片。

围绕生成式AI，NVIDIA的软件部署

关于工作整合便捷高效方面，SIGGRAPH现场黄仁勋发布了一个全新的工作空间NVIDIA Workbench，该平台可以简化选择基础模型，构建项目环境，使用户能够在个人电脑或工作站上快速创建测试和微调生成式AI模型，然后将这些模型扩展到几乎所有数据中心或云中，帮助使用者构建大型语言模型。

关于为每个人提供生成式AI方面。英伟达将与初创企业Hugging Face合作，帮助使用者构建大型语言模型等高级AI应用，意味着使用者将可以免费使用GPT340个参数的微调和推理，生成自己的大语言模型，或将其用于生成和合成图像等其他用途。

关于AI在虚拟世界中的应用。黄仁勋宣布，NVIDIA Omniverse的重量更新，为开发者、企业和行业带来新的基础应用和服务,使他们能够使用openu SD框架和生成式AI，优化改进3D流程。

关于世界产业的可视化。黄仁勋发布包括RunUSD、ChatUSD、DeepSearch和USB-GDN Publisher在内的四款全新Omniverse Cloud API，使开发者能够更加流畅，实施和部署open USD流程和应用，这意味着重工业的整个生产流程，可以实现可视化，减少能源损耗以及实际制造前的数字错误。

预炼大模型，先囤卡

在黄仁勋发表的最新演讲和发布的产品中，我们看到了英伟达在软件部署上的野心。事实上在AI领域,英伟达GPU早已成为核心基础设施，是各家企业大模型训练的必要硬件工具。

自ChatGPT火爆出圈以来，国内外科技巨头纷纷布局大模型。

根据《中国人工智能大模型地图研究报告》分析，中国自2020年进入大模型加速发展期，目前与美国保持同步增长态势，涌现了盘古、悟道、文心一言、通义千问、星火认知等一批具有行业影响力的预训练大模型。

对大模型来说，通常需要更多的计算资源进行训练和推理，才能提供更高的性能和更好的准确性。这就意味着，随着通用大模型的参数量和计算复杂度不断增加，数亿甚至数十亿个参数的模型也变得更加常见。目前，中国10亿参数规模以上的大模型已发布79个。

每一个大模型正常运转的背后，都需要算力加持，算力需求的暴涨让跟算力“划等号”的高端GPU一芯难求，“算力”军备竞赛正在全球范围内上演。

目前，高端GPU价格仍在上涨，在eBay网站上英伟达H100售价高达4.5万美元，约合32万人民币，较官网售价涨幅23%（3.65万美元，约合26万人民币），较4月4万美元的价格涨幅超过10%。

H100是英伟达2022年推出的加速卡，比上一代的A100性能高了4.5倍，考虑到训练和推理性能，是当前最受欢迎的显卡。

H100，有钱也不一定买得到

图：A100 vs H100 训练速度

国内方面，受芯片出口管制影响，英伟达A100及H100两款型号国内不能买到。所以NVIDIA推出了专供中国的A800和H800，实际性能只有前者的7成左右，在符合限售禁令的同时亦满足中国市场GPU需求。

国外方面，主要是需求旺盛叠加产能不足，导致GPU短缺。根据GPU Utils关于英伟达H100显卡供需现状文章，分析认为全球市场对H100芯片的需求量达到43.2万张，以每块3.5万美元计算，GPU的价值约为150亿美元，这还未考虑国内H800的需求。

目前，H100由台积电独家代工生产，英伟达黄仁勋在今年6月台北电脑展上表示，不会考虑新增第二家晶圆代工，因此英伟达 A100 / A800 及 H100皆下单台积电。虽然英伟达后又追加订单，但由于从晶圆加工到封装测试至少需要4个月的时间，产能短期仍无法满足暴涨的需求。

8月2日，OpenAI已经正式为“GPT-5”提交了商标申请，此举可能预示着OpenAI计划推出新的大型语言模型（LLM）“GPT-5”。马斯克估计训练GPT-5，可能需要3万至5万张H100显卡。

OpenAI首席执行官奥尔特曼（Sam Altman）近日公开表示：“我们的GPU非常短缺，使用ChatGPT的人越少越好，这样才能确保用户有足够的算力。”

两条路径：GPU和GPGPU

一开始，GPU专注于图像渲染处理，由英伟达在1999年发布GeForce 256图形处理芯片时率先提出，当时GPU主要面向的是游戏和PC市场。

由于GPU架构内主要为计算单元，适合处理高度线程化、相对简单的并行计算，在图像渲染等涉及大量重复运算的领域拥有更强运算能力。因此，英伟达在后期又进一步将计算机程序模拟为渲染过程，将GPU应用于通用并行计算，并于2007年推出了基于CUDA的GPGPU （通用GPU）beta版。

自此，GPU不再局限于图形处理的游戏和PC市场，并随着AI的兴起，GPGPU在AI领域大行其道。

目前，英伟达GPU在图形渲染领域与AMD并驾齐驱；但在通用GPU领域英伟达一骑绝尘，市场占有率超80%，几乎成为该领域无可替代的存在。

在高端 GPU 芯片进口受限的背景下，国内GPU厂商近些年奋力追赶，在图形渲染 GPU 和高性能计算GPGPU 领域上均推出了较为成熟的产品。

GPGPU方向的代表性厂商像海光、壁仞、沐曦、登临、天数智芯等，GPU渲染路线的代表性厂商像景嘉微、摩尔线程、芯动科技等。

国内GPU厂商中壁仞、天数智芯、沐曦等均已推出采用7nm工艺的GPU，芯瞳半导体、芯动科技、摩尔线程等公司也相继推出GPU产品。原CPU厂商龙芯、海光等也在加注GPGPU，不过龙芯GPGPU主要是集成在自家SOC中，预计2024年龙芯将流片。

图：国产GPU厂商产品进展；来源：根据公开资料整理，芯榜制图

这当中大部分企业属于初创期，成立时间不足5年，在产品可用性及市场规模上都与国外大厂相差甚远。如果用一句话总结，国内GPU厂商当下处于“从0到1”的阶段，通过快速迭代，拉进与国外大厂的差距，以形成自身竞争力。

国产GPU在硬件性能上不断追赶行业主流产品，但若细化到产业中，仍有三大难题待解。

资金、产业链协同、软硬件生态的三大难题

先说资金，一级市场融资解决了一部分初创企业资金难问题。

IT桔子数据显示，2020-2022年是国产GPU投融资大年。国产GPU融资在2021年迎来峰值，总融资额突破120亿人民币，即便2022年融资总额较前一年缩减50%，但仍为近8年GPU行业融资金额第二的年份。

来源：IT桔子，GPU芯片融资

虽然，众多成立2-3年的初创公司获得多轮巨额融资，但相较GPU芯片研发烧钱程度来说，还是杯水车薪。业内人士向芯榜透露，一款GPU从设计到落地，整体花费大致需要20几亿人民币（包含人工）。

芯榜整理了近几年来GPU厂商融资情况，排名靠前的为摩尔线程、壁仞科技、沐曦、天数智芯。如果对照上文中“国产GPU厂商产品进展”，可以发现融资顺畅的GPU厂商，产品进展也相对较快。

来源：公开资料整理，芯榜制图

注意，这里未公开的融资金额未计入。例如，登临科技从2020年3月天使轮至今，已完成融资6轮，但由于融资金额“未公开”，因此未计数。上图中统计融资金额，若有遗漏，欢迎指正。

资金问题相对好解决，但并不是“烧钱”就有GPU可用。除了资金问题，国产GPU真正需要解决两大问题是产业链协同、软硬件生态。

GPU产品从开发设计到流片到反片调优，最后正式发布，经历这一完整周期，大概需要一年半或两年甚至更长的时间，中间涉及众多环节。

以流片为例，现阶段国产GPU厂商设计的7nm芯片，国内代工厂由于技术问题尚且无法提供流片服务，那么GPU厂商大概率还是选择先进工艺成熟的台积电流片。

据业内人士透露，初创企业找台积电流片，不仅要付2-3亿元高额代工费，流片需要的材料还需要自己找，然后带着材料去台积电流片。流片环节处于芯片设计和芯片量产的中间阶段，是芯片量产的必经之路，对GPU初创企业来说，即便请台积电流片的条件苛刻，但也无可奈何。

芯片流片前后过程至少持续三个月（包括光刻、掺杂、电镀、封装测试），一般要经过1000多道工艺。而若一次流片不成功，还需二次流片、三次流片……不仅烧钱，还耗费时间。

尤其是GPU作为一款数字芯片，遵循摩尔定律，约每隔18个月，机体电路上可容纳的晶体数目便会增加一倍，性能也将提升一倍。而在“自己卷自己”的“黄氏定律”推出后，基于GPU的一倍性能提升只需要1年的时间。

想想看，国产GPU公司团队可能刚组建完毕，产品demo还没做出来，国外头部GPU厂商产品已更新换代。所以，GPU作为一种跟时间赛跑、跟友商激烈竞争的产品，国产GPU企业在设计产品时，必须要具备一定的前瞻性，才有可能在市场中占据一席之地。不然耗时2年，消耗几十亿的产品可能即便顺利量产，最终或因性能落后无法被市场所接受。

英伟达H100采用4nm工艺，国内GPU最先进制程为7nm工艺，制程工艺的差距除了GPU设计企业需要努力外，国内供应链代工环节的技术差距或许短期内更难突破。半导体全产业协同作战，才有可能逐步缩短跟国外大厂的差距。

对于国产GPU公司，产品性能是一个门槛，另一个门槛是易用性，这就涉及到生态问题。英伟达经过20多年的发展，已经形成了强大的生态护城河CUDA。国内GPU厂商尚处于发展初期，急于攻克硬件，而忽视了软件问题。

事实上，一款GPU是否易用、好用，软件极为重要。好的软件能够驱动硬件能力，优化软件后，硬件得以跑出更好的性能和效率。目前国产GPU生态还属于新生状态，硬件和软件的相互迭代过程并不是一蹴而就，需要长时间的积累。国产GPU之路，注定是一场马拉松式的赛跑。短期2-3年或许能攒出一个硬件，但真要做到易用、好用，还要在生态、应用层面做大量的研发和优化。

报名提醒