GPU行业深度报告：AI产业化再加速智能大时代已开启.pdf

证证券研究券研究报报告告本报告仅供华金证券客户中的专业投资者参考本报告仅供华金证券客户中的专业投资者参考请请仔仔细细阅阅读读在在本本报报告告尾部尾部的的重重要要法法律律声声明明AIAI产业化再加速，智能大时代已开启产业化再加速，智能大时代已开启GPUGPU行业深度报告行业深度报告半导体半导体行业评级：领先大市行业评级：领先大市-A-A孙远峰/王臣复/王海维SAC执业证书编号：S0910522120001/S0910523020006/S0910523020005华金证券电子团队华金证券电子团队走进走进“芯芯”时代系列深度之六十时代系列深度之六十“AIAI算力算力GPUGPU”2023年3月26日 请仔细阅读在本报告尾部的重要法律声明核心观点（核心观点（1）在芯片算力快速提升、日趋庞大的数据量共同支撑下，在芯片算力快速提升、日趋庞大的数据量共同支撑下，AIAI算法迭代升级加速算法迭代升级加速。AI的发展经历了很长时间的积累，其能不断跨越科学与应用之间的鸿沟主要得益于技术突破、行业落地、产业协作等多方面的推动，而技术突破是其中最为关键的要素。从起步阶段发展到当下深度学习阶段，算法、数据和算力构成了AI三大基本要素，并共同推动AI向更高层次的感知和认知发展。算法方面，目前深度学习仍然是AI技术发展的主导路线，但是早期所使用的有监督学习方式由于受限于对大量标注数据依赖与理解能力缺乏，而且模型通用性较差，正逐步被新的技术所取代，在芯片算力的快速提升、日益庞大的数据量这两者的支撑下，新算法正处于加速迭代升级过程中。自监督学习的算法模型快速发展，自监督学习的算法模型快速发展，“预训练预训练+精调精调”的开发范式迈向成熟，新一轮的开发范式迈向成熟，新一轮AIAI技术产业化之路开启。技术产业化之路开启。谷歌、脸书等多家企业先后发布使用自监督学习的算法模型，通过挖掘无标注数据的监督信息，减少人为干预。现阶段自监督学习本质上仍依赖规范化、标签化的数据，主要借助预训练模型构筑并学习数据特征。“预训练”的做法一般是将大量低成本收集的训练数据放在一起，经过某种预训方法去学习其中的共性，然后将其中的共性“移植”到特定任务的模型中，再使用相关特定领域的少量标注数据进行“微调”，这样的话，模型只需要从“共性”出发，去“学习”该特定任务的“特殊”部分即可。预训练模型成功的关键是自监督学习与Transformer的结合。预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性，用户基于大模型通过零样本、小样本学习即可获得领先的效果，同时“预训练+精调”等开发范式，让研发过程更加标准化，显著降低了人工智能应用门槛。整体上来看，关于本轮AI技术突破所带来的产业化变局，我们有三个核心观点：1、基于GPT为代表的大模型AI的通用能力，未来几年大模型AI的渗透广度、深度和速度有可能会超预期；2、ChatGPT采用的是闭源模型，其加速的产业落地会刺激更多的厂商加大大模型AI的研发投入，进而推动AI产业化发展；3、大模型AI通用能力的提升，带动的将不仅仅是云计算市场的增长，伴随着多种技术与商业化路径的逐步成熟，云、边缘、端的增量市场空间均有望渐次打开。请仔细阅读在本报告尾部的重要法律声明核心观点（核心观点（2）云端计算进入高性能计算时代云端计算进入高性能计算时代，大模型训练大模型训练仍以仍以GPUGPU为主为主。虽然AI芯片目前看有GPU、ASIC、CPU、FPGA等几大类，但是基于几点原因，我们判断GPU仍将是训练模型的主流硬件：1、Transformer架构是最近几年的主流，该架构最大的特点之一就是能够利用分布式GPU进行并行训练，提升模型训练效率；2、ASIC的算力与功耗虽然看似有优势，但考虑到AI算法还是处于一个不断发展演进的过程，用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险；3、英伟达强大的芯片支撑、生态、算法开源支持。模型小型化技术逐步成熟，从训练走向推理，云、边、端全维度发展。模型小型化技术逐步成熟，从训练走向推理，云、边、端全维度发展。我们认为至少有四大投资主线应持续关注：1、GPU方面，在英伟达的推动下，其从最初的显卡发展到如今的高性能并行计算，海外大厂已经具备了超过20年的技术、资本、生态、人才等储备，形成了大量的核心技术专利，而且也能充分享有全球半导体产业链的支撑，这都或是目前国内厂商所缺失的。近几年在资本的推动下，国内涌现出数十家GPU厂商，各自或都具备一定的发展基础，但整体经营时间较短，无论从技术积淀、产品料号布局、高端料号性能来说，与国外大厂仍具备较大差距。但国产化势在必行，国内相关产业链重点环节也积极对上游芯片原厂进行扶持，国产算力芯片需要不断迭代以实现性能的向上提升，后续持续关注相关厂商料号升级、生态建设和客户突破；2、AI在端侧设备应用普及是大势所趋，目前，知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟，AI在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外，更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容；3、数据的高吞吐量需要大带宽的传输支持，光通信技术作为算力产业发展的支撑底座，具备长期投资价值；4、Chiplet技术可以突破单一芯片的性能和良率等瓶颈，降低芯片设计的复杂度和成本。基于向Chiplet模式的设计转型，已经是大型芯片厂商的共识，相关产业链具备长期投资价值。建议关注：建议关注：瑞芯微瑞芯微、晶晨股份、星宸科技（待上市）、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技晶晨股份、星宸科技（待上市）、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技风险提示：技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险风险提示：技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险。请仔细阅读在本报告尾部的重要法律声明总目录总目录0102040305由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑产业化路径显现，全球产业化路径显现，全球AIAI竞赛再加速竞赛再加速全维智能化大时代，国产算力行则必至全维智能化大时代，国产算力行则必至建议关注建议关注产业相关产业相关06风险提示风险提示 请仔细阅读在本报告尾部的重要法律声明分目录（分目录（1）1.1 1.1 什么是什么是GPUGPU1.2 1.2 始于图形处理设备始于图形处理设备1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合1.4 GPU1.4 GPU发展三大方向发展三大方向1.5 1.5 英传达显卡发展历程英传达显卡发展历程1.6 GeForce RTX 401.6 GeForce RTX 40系列，时代最强系列，时代最强1.7 1.7 英特尔的核显英特尔的核显1.8 1.8 核显与独显性能对比核显与独显性能对比1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线1.12 1.12 光线追踪时代开启光线追踪时代开启1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大01由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑1.14 1.14 走向新场景的走向新场景的GPGPUGPGPU1.15 GPU1.15 GPU与与GPGPUGPGPU的对比的对比1.16 GPGPU1.16 GPGPU与与CPUCPU的对比的对比1.17 1.17 并行计算发展的核心并行计算发展的核心1.18 SIMT1.18 SIMT，主流，主流GPUGPU的系统架构核心的系统架构核心1.19 GPGPU1.19 GPGPU架构，以架构，以A100A100为例为例1.20 Fermi1.20 Fermi是第一个完整的是第一个完整的GPUGPU计算架构计算架构1.21 1.21 通用算力提升是英伟达通用算力提升是英伟达GPUGPU架构演进的重点之一架构演进的重点之一1.22 1.22 多方面构建的高壁垒多方面构建的高壁垒1.23 1.23 人才与研发投入，以英伟达为例人才与研发投入，以英伟达为例1.24 1.24 国外厂商多年间构筑了庞大的专利池国外厂商多年间构筑了庞大的专利池1.25 1.25 英伟达全栈布局构筑强大生态英伟达全栈布局构筑强大生态1.26 1.26 走向异构，海外厂商横向布局不断走向异构，海外厂商横向布局不断 请仔细阅读在本报告尾部的重要法律声明分目录（分目录（2）2.1 AI2.1 AI技术赋能实体经济面临的瓶颈技术赋能实体经济面临的瓶颈2.2 2.2 ChatGPTChatGPT的破圈的破圈2.3 2.3 ChatGPTChatGPT的成功离不开预训练大模型的成功离不开预训练大模型2.4 2.4 预训练模型的发展历程预训练模型的发展历程2.5 Transformer2.5 Transformer架构成主流架构成主流2.6 2.6 自监督学习与自监督学习与TransformerTransformer的结合的结合2.7 2.7 大模型的突现能力大模型的突现能力2.8 2.8 参数量爆发式增长的参数量爆发式增长的ChatGPTChatGPT2.9 2.9 预训练大模型，第三波预训练大模型，第三波AIAI发展的重大拐点发展的重大拐点2.10 2.10 生成式生成式AIAI、边缘、边缘AIAI技术即将步入成熟期技术即将步入成熟期2.11 2.11 大模型是大算力和强算法结合的产物大模型是大算力和强算法结合的产物2.12 AI2.12 AI芯片三剑客芯片三剑客2.13 2.13 训练端训练端GPUGPU担纲担纲产业化路径显现，全球产业化路径显现，全球AIAI竞赛再加速竞赛再加速2.14 2.14 数据中心迈入数据中心迈入“高算力高算力”时代，兵家必争时代，兵家必争2.15 2.15 英伟达数据中心业务快速增长英伟达数据中心业务快速增长2.16 2.16 自动驾驶研发两大商业路线自动驾驶研发两大商业路线2.17 2.17 自动驾驶实现的两种技术路线自动驾驶实现的两种技术路线2.18 2.18 单车智能化推动算力升级加速单车智能化推动算力升级加速2.19 2.19 自动驾驶具备广阔市场前景自动驾驶具备广阔市场前景02 请仔细阅读在本报告尾部的重要法律声明分目录（分目录（3）3.1 3.1 全球数据中心负载任务量快速增长全球数据中心负载任务量快速增长3.2 3.2 全球计算产业投资空间巨大全球计算产业投资空间巨大3.3 3.3 预训练大模型对于预训练大模型对于GPUGPU的需求的需求3.4 3.4 国内市场需求将保持高增长国内市场需求将保持高增长3.5 3.5 云计算及云部署方式云计算及云部署方式3.6 3.6 不同云部署方式的市场占比不同云部署方式的市场占比3.7 3.7 企业上云持续向细分行业渗透企业上云持续向细分行业渗透3.8 3.8 从从“资源上云资源上云”迈入迈入“深度用云深度用云”3.9 3.9 信创从试点走向推广信创从试点走向推广3.10 3.10 公有云主要参与厂商公有云主要参与厂商3.11 3.11 云计算产业链云计算产业链3.12 3.12 集成显卡与独立显卡市场份额集成显卡与独立显卡市场份额3.13 3.13 独立显卡英伟达一家独大独立显卡英伟达一家独大3.14 3.14 性能强大的性能强大的H100H1003.15 3.15 国产厂商两条发展路径：国产厂商两条发展路径：GPUGPU和和GPGPUGPGPU03全维智能化大时代，国产算力行则必至全维智能化大时代，国产算力行则必至3.16 3.16 先求有，再求好先求有，再求好3.17 3.17 生态先兼容主流，未来将走向自建生态先兼容主流，未来将走向自建3.18 3.18 国产之路已开启，部分国产国产之路已开启，部分国产GPUGPU设计厂商列表设计厂商列表3.19 GPU3.19 GPU发展离不开全球产业链的支撑发展离不开全球产业链的支撑3.20 3.20 制程升级对于算力芯片性能提升具有较高贡献度制程升级对于算力芯片性能提升具有较高贡献度3.21 3.21 摩尔定律发展趋缓摩尔定律发展趋缓3.22 3.22 ChipletChiplet技术潜力大技术潜力大3.23 3.23 ChipletChiplet技术发展历程技术发展历程3.24 3.24 行业巨头推动，产业加速落地行业巨头推动，产业加速落地3.25 3.25 采用采用ChipletChiplet技术的产品不断出现技术的产品不断出现3.26 3.26 算力两大演进方向：更大算力算力两大演进方向：更大算力&更多样化应用更多样化应用3.27 3.27 存量替代与增量成长并存存量替代与增量成长并存3.28 3.28 高吞吐量离不开高速传输高吞吐量离不开高速传输3.29 3.29 光通信前景可期光通信前景可期 请仔细阅读在本报告尾部的重要法律声明分目录（分目录（4）4.1 4.1 瑞芯微瑞芯微4.2 4.2 晶晨股份晶晨股份4.3 4.3 星宸科技（待上市）星宸科技（待上市）4.4 4.4 全志科技全志科技4.5 4.5 北京君正北京君正4.6 4.6 中科蓝讯中科蓝讯4.7 4.7 富瀚微富瀚微4.8 4.8 恒玄科技恒玄科技建议关注建议关注5.1 5.1 海光信息海光信息5.2 5.2 龙芯中科龙芯中科5.3 5.3 景嘉微景嘉微5.4 5.4 寒武纪寒武纪-U-U5.5 5.5 中芯国际中芯国际5.6 5.6 芯原股份芯原股份-U-U5.7 5.7 华大九天华大九天5.8 5.8 概伦电子概伦电子5.9 5.9 长电科技长电科技5.10 5.10 华天科技华天科技 5.11 5.11 通富微电通富微电5.12 5.12 炬芯科技炬芯科技5.13 5.13 源杰科技源杰科技5.14 5.14 光迅科技光迅科技5.15 5.15 摩尔线程（未上市）摩尔线程（未上市）0405产业相关产业相关06风险提示风险提示技术创新风险技术创新风险宏观经济和行业波动风险宏观经济和行业波动风险国际贸易摩擦风险国际贸易摩擦风险 请仔细阅读在本报告尾部的重要法律声明目录目录 0105由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑06风险提示风险提示1.1 1.1 什么是什么是GPUGPU1.2 1.2 始于图形处理设备始于图形处理设备1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合1.4 GPU1.4 GPU发展三大方向发展三大方向1.5 1.5 英传达显卡发展历程英传达显卡发展历程1.6 GeForce RTX 401.6 GeForce RTX 40系列，时代最强系列，时代最强1.7 1.7 英特尔的核显英特尔的核显1.8 1.8 核显与独显性能对比核显与独显性能对比1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型01020304产业相关产业相关建议关注建议关注全维智能化大时代，国产算力行则必至全维智能化大时代，国产算力行则必至产业化路径显现，全球产业化路径显现，全球AIAI竞赛再加速竞赛再加速1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线1.12 1.12 光线追踪时代开启光线追踪时代开启1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大1.14 1.14 走向新场景的走向新场景的GPGPUGPGPU1.15 GPU1.15 GPU与与GPGPUGPGPU的对比的对比1.16 GPGPU1.16 GPGPU与与CPUCPU的对比的对比1.17 1.17 并行计算发展的核心并行计算发展的核心1.18 SIMT1.18 SIMT，主流，主流GPUGPU的系统架构核心的系统架构核心1.19 GPGPU1.19 GPGPU架构，以架构，以A100A100为例为例1.20 Fermi1.20 Fermi是第一个完整的是第一个完整的GPUGPU计算架构计算架构1.21 1.21 通用算力提升是英伟达通用算力提升是英伟达GPUGPU架构演进的重点之一架构演进的重点之一1.22 1.22 多方面构建的高壁垒多方面构建的高壁垒1.23 1.23 人才与研发投入，以英伟达为例人才与研发投入，以英伟达为例1.24 1.24 国外厂商多年间构筑了庞大的专利池国外厂商多年间构筑了庞大的专利池1.25 1.25 英伟达全栈布局构筑强大生态英伟达全栈布局构筑强大生态1.26 1.26 走向异构，海外厂商横向布局不断走向异构，海外厂商横向布局不断 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑1.1 1.1 什么是什么是GPUGPU 图形处理器（graphics processing unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。NVIDIA公司在1999年发布GeForce 256图形处理芯片时首先提出GPU的概念。从此NVIDIA显卡的芯片就用这个新名字GPU来称呼。GPU使显卡削减了对CPU的依赖，并执行部分原本CPU的工作，尤其是在3D图形处理时。SOCSOC中的中的GPUGPU模块模块GPUGPU与显卡与显卡资料来源：痞客邦，华金证券研究所资料来源：痞客邦，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑最早计算机是黑白显示的时代，机器对于显示的要求极低，随着计算机的普及和软件的多样化，使用者对于显示的要求越来越高。VGA（Video Graphics Array，视频图形阵列）是一种标准的显示接口，是IBM于1987年提出的一个使用模拟信号的电脑显示标准。VGA标准由于可以呈现的彩色显示能力大大加强，因此迅速成为了显示设备的标准，也推动了VGA Card也即是显卡的诞生。早期的VGA Card的唯一功能是输出图像，图形运算全部依赖CPU，当微软Windows操作系统出现后，大量的图形运算占据了CPU的大量资源，如果没有专门的芯片来处理图形运算，Windows界面运作会大受影响而变得卡顿，因此出现专门处理图形运算的芯片成为必然趋势。1993年1月，英伟达创立，1999年，英伟达发布了划时代的产品GeForce 256，首次推出了所谓图形处理器（GPU，Graphic Processing Unit）的概念，它带来了3D图形性能的一次革命。1.2 1.2 始于图形处理设备始于图形处理设备图：显卡发展历程图：显卡发展历程资料来源：51CTO，华金证券研究所绘制 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑 GeForce 256 是一款用于实时图形处理的专用处理器，GeForce图形处理器的发布，实现了顶点的矩阵变换和光照计算，图形实时处理应用需要高内存带宽和大量的浮点计算能力。2001年英伟达发布了第三代显示核心GeForce3，GeForce3不仅集成了来自之前GeForce 256和GeForce2芯片的“静态”座标转换和照明引擎，更增加了称为“顶点着色单元”的可编程顶点处理器功能。游戏开发者可借由加上顶点程序，让游戏产生令人惊艳的全新效果。可编程性与浮点计算能力相结合，基于GPU的通用计算也开始出现，GPU朝着通用计算的方向持续演进。2006年，英伟达 CUDA（Compute Unified Device Architecture，统一计算设备架构），及对应工业标准的OpenCL的出现，让GPU实现更广泛的通用计算功能，GPGPU的概念落地。1.3 1.3 浮点计算能力与可编程性结合浮点计算能力与可编程性结合GPUGPU的图形（处理）流水线的图形（处理）流水线资料来源：搜狐网，华金证券研究所NVidia TeslaNVidia Tesla架构架构资料来源：深入GPU硬件架构及运行机制博客园，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑GPU最初用在PC和移动端上运行绘图运算工作的微处理器，与CPU集成以集成显卡（核显）的形态发挥功能。NVIDIA于2007年率先推出独立GPU（独显），使其作为“协处理器”在PC和服务器端负责加速计算，承接CPU计算密集部分的工作负载，同时由CPU继续运行其余程序代码。2019年NVIDIA的中国GTC大会设置了两大主题：AI和图形。从大会的关注重点可以看出，GPU未来趋势主要是3个：大规模扩展计算能力的高性能计算（GPGPU）、人工智能计算（AIGPU）、更加逼真的图形展现（光线追踪Ray Tracing GPU）。1.4 GPU1.4 GPU发展三大方向发展三大方向四核心四核心IntelIntel处理器的处理器的die shotdie shot框图（带有框图（带有Gen9Gen9核显）核显）资料来源：CSDN，华金证券研究所英伟达三大产品系列英伟达三大产品系列资料来源：英伟达，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑1.5 1.5 英传达显卡发展历程英传达显卡发展历程时间 发布型号制程亮点1995STG-2000X500nm采用第一代NV1核心，核心频率12MHz，同时支持2D、3D处理能力1998RIVA 128350nm第一款成功的显示核心。第一款支持微软Direct3D加速的图形芯片，也是第一个提供硬件三角形引擎的128 bit图形芯片，加入了对OpenGL技术的支持1999Riva TNT2250nm奠定英伟达显卡王朝的基石，核心频率和显存容量都有了极大的提升，从这一代开始，英伟达开始产品进行了市场化细分1999GeForce 256220nm首次推出了所谓图形处理器（GPU）的概念，增加了Pixel Shader流水线的数目，支持硬件T&L引擎，第一款硬件支持T&L的显卡，亦支援MPEG-2硬件视频加速。Quadro也是以GeForce256为基础开始研发。2001GeForce 3180nm英伟达首款支持DirectX 8.0的产品，并支持可编程的T&L引擎2002GeForce 4 Ti 4200150nm新一代的T&L引擎，并支持高效率的反锯齿技术2004GeForce 6800130nm渲染管线首次突破性增长到16条，采用GDDR3显存，频率达到了1.1GHz。同年，英伟达SLI（可扩展的链接接口）技术问世，单台PC的图形处理能力大大提升。2006GeForce 8800 GTX90nm世界上第一块支持DirectX 10的PC桌面显卡。GeForce 8采用统一流水线结构，传统显示核心的架构分为顶点着色引擎和像素着色引擎。所谓统一渲染，即GPU中不再有单独的顶端渲染单元和像素渲染单元，而是由一个通用的渲染单元同时完成顶点和像素渲染任务。统一渲染架构具有硬件利用效率高以及编程灵活的优点，进一步提升了GPU内部运算单元的可编程性，让GPU运行高密集度的通用计算任务就成为可能2010GeForce GTX 48040nm采用英伟达推出全新一代的Fermi架构，Fermi架构GPU产品在保持图形性能的前提下，将通用计算的重要性提升到前所未有的高度，大规模GPU计算从之开始。30亿个晶体管的大芯片，全局ECC设计、可读写缓存、更大的shared memory、甚至出现了分支预测概念。Fermi是英伟达最后一款在游戏显卡上保留强悍双精度的微架构2013GeForce GTX Titan28nm采用Kepler架构，与前一代的Fermi架构相比，Kepler架构不仅仅是性能的提升，功耗和温度上也得到了极大的改善。Fermi架构中英伟达主要专注于提升计算与曲面细分的性能。然而在Kepler架构中，英伟达转向了提升效率、可编程性与性能，效率的提升来自采用了统一的GPU时钟、简化的静态指令调度和更加优化的每瓦性能。专用的双精度CUDA核心被用来弥补Kepler CUDA核心为了节省芯片面积而放弃的双精度计算能力2014GeForce GTX 97028nm采用英伟达第四代GPU架构Maxwell架构，Kepler的改进版架构。最明显的变化是在SMX单元和GPC单元上，Maxwell的SMM（之前叫SMX）单元从之前Kepler的包含192个CUDA Core下降到128个，但发射器从之前的每SMX一个变为了每SMM四个，目的是降低每个SMM单元的运算压力提升效率，增加了两个寄存器，然后L1缓存翻倍，GPC单元的L2缓存增加到了2M。Maxwell将具备以下三大特性：提升图形性能，降低编译难度（这应该归功于ARMv8核心和统一内存寻址增强技术）和提高能耗比。2016GeForce GTX 108016nm这一代显卡的工艺和架构全面升级。架构方面，采用了Pascal架构，Pascal是Maxwell的接替者，增强了异步计算功能实现硬件层了对DirectX API的更高版本（DirectX 12 Feature Level 12_1）的支持，高端产品还配备带宽更高的HBM2显存，性能和能耗比都有了很大提升2018GeForce RTX 208012nm第一代GeForce RTX系列，支持光线/路径追踪硬件加速，使实时光线追踪成为可能。新GeForce显卡最大的亮点就是集成了光线追踪核心的Turing GPU，从技术上拉开了与上代显卡的差距，NVIDIA宣布图灵架构的时候表示新一代显卡的光线追踪性能是现有Pascal显卡的6倍之多2020GeForce RTX 3090三星8nm采用了全新的Ampere安培架构，相比RTX20系的图灵架构是革命性的提升，Ampere集成了第二代RT光线追踪核心、第三代Tensor张量核心，并支持PCIE4.0、DisplayPort1.4a、HDMI2.12022GeForce RTX 40系列 4nm采用最新的Ada Lovelace架构，较上一代 Ampere 晶体管和 CUDA 核心数量提升 70%，着色器、光追、深度学习性能均实现重大飞跃。Ada Lovelace架构的创新大体上可以分为三个板块，分别是带来了新的全景光线追踪、着色器执行重排序（SER）和DLSS 3资料来源：英伟达，维基百科，华金证券研究所整理 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑2022秋季GTC大会上，英伟达发布GeForce RTX 40系列GPU，旨在为游戏玩家和创作者提供革命性性能，其中新旗舰产品RTX 4090 GPU的性能相较上一代提升最高可达4倍。作为全球首款基于全新NVIDIA Ada Lovelace架构的GPU，RTX 40系列在性能和效率上都实现了巨大的代际飞跃，根据NVIDIA创始人兼首席执行官黄仁勋的介绍，RTX光线追踪和神经网络渲染的时代正在全面展开。RTX 40系列GPU具有一系列新的技术创新：包括流式多处理器具有高达83 TFLOPS的着色器能力、第三代RT Cores的有效光线追踪计算能力达到191 TFLOPS、第四代Tensor Cores具有高达1.32 Petaflops的FP8张量处理性能、着色器执行重排序（SER）通过即时重新安排着色器负载来提高执行效率、Ada光流加速器带来2倍的性能提升、架构上改进来实现与TSMC 4N定制工艺技术紧密结合等。1.6 GeForce RTX 401.6 GeForce RTX 40系列，时代最强系列，时代最强资料来源：电脑评测网，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑1998年英特尔推出了Intel i740独立显卡并进入显卡市场，随后它被整合进了810/815芯片组并诞生了Intel的集成显卡家族。2010年英特尔推出的Clarkdale处理器是首款整合GPU的CPU，这款处理器由32nm制程CPU Die和45nm的GPU Die共同封装在一块PCB上组成，两颗芯片使用QPI总线相连。2011年英特尔推出的Sandy Bridge架构处理器把CPU和GPU做到同一块芯片上，进入核显时代。1.7 1.7 英特尔的核显英特尔的核显英特尔早期通过封装将英特尔早期通过封装将CPUCPU、GPUGPU两颗芯片封装在一起两颗芯片封装在一起SkylakeSkylake处理器核心（处理器核心（CPUCPU、GPUGPU在同一颗芯片上）在同一颗芯片上）资料来源：超能网，华金证券研究所资料来源：超能网，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑2022年1月25日，搭载第12代酷睿Alder Lake-H处理器的笔记本正式上市，采用最新一代Intel 7制程工艺，内置Iris XE GPU，拥有48组EU单元，加速频率高达1450MHz。1.8 1.8 核显与独显性能对比核显与独显性能对比英特尔Iris XE GPU的跑分资料来源：zmmoo，华金证券研究所Intel第12代酷睿性能图资料来源：量子位，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑图形流水线（graphics pipeline），也叫图形管线，指的是一连串的图形处理任务，这一系列的工作先后有序、不可颠倒，因此得以有这个形象的称呼。图形流水线是GPU工作的通用模型，它以某种形式表示的三维场景为输入，输出二维的光栅图形到显示器。1.9 1.9 图形流水线是图形流水线是GPUGPU工作的通用模型工作的通用模型图：图形流水线资料来源：CSDN，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑GPU的硬件结构从固定功能流水线架构发展为大规模并行的统一染色器架构。所谓统一渲染，即GPU中不再有单独的顶端渲染单元和像素渲染单元，而是由一个通用的渲染单元同时完成顶点和像素渲染任务。为了实现这一点，图形指令必须先经过一个通用的解码器、将顶点和像素指令翻译成统一渲染单元可直接执行的渲染微指令，而统一渲染单元其实就是一个高性能的浮点和矢量计算逻辑，它具有通用和可编程属性。在统一渲染架构的GPU中，Vertex Shader和Pixel Shader概念都将废除同时代之以ALU。ALU是个完整的图形处理体系，它既能够执行对顶点操作的指令（代替VS），又能够执行对象素操作的指令（代替PS）。基于统一渲染架构，Shader Core被挖掘出了更多的使用方法，比如通用计算。1.10 1.10 统一渲染架构的推出开启了通用计算大时代统一渲染架构的推出开启了通用计算大时代早期的早期的GPUGPU只支持固定管线只支持固定管线资料来源：CSDN，华金证券研究所统一渲染架构统一渲染架构资料来源：CSDN，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑以前GPU只支持固定管线，并且不支持编程，2002年，GPU在Vertex Operations和Fragment Operations这两个模块中具有了可编程功能，2006年GPU流水线中增加了一种新的模块，Geometry Shader（几何元着色器），使得图形程序开发者在可编程渲染管道（programable render pipline）下能够更大的发挥自由度。再之后，Tessellation（細分曲面技術）、Mesh着色器等等功能的加入，GPU的流水线变得越来越复杂。GPU要实现对二维屏幕上每一个像素点的输出，需要很多个并行工作的着色处理器shader processor同步工作，示意图中将硬件中的四个小处理器连为一组，软件层面将各类渲染任务按4个thread打成一个卷warp发给硬件，同时加入了多warp切换的机制，保证了GPU任务执行的高效性。1.11 1.11 从简单到越来越复杂的流水线从简单到越来越复杂的流水线资料来源：新浪网，华金证券研究所当代当代GPUGPU渲染管线示意图渲染管线示意图 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑光线跟踪是一种真实地显示物体的方法，该方法由Appel在1968年提出。光线跟踪方法沿着到达视点的光线的反方向跟踪，经过屏幕上每一个象素，找出与视线相交的物体表面点P0，并继续跟踪，找出影响P0点光强的所有光源，从而算出P0点上精确的光线强度，在材质编辑中经常用来表现镜面效果。光线跟踪或称光迹追踪是计算机图形学的核心算法之一。在算法中，光线从光源被抛射出来，当他们经过物体表面的时候，对他们应用种种符合物理光学定律的变换。最终，光线进入虚拟的摄像机底片中，图片被生成出来。1.12 1.12 光线追踪时代开启光线追踪时代开启光线追踪原理图光线追踪原理图光线追踪对比图光线追踪对比图资料来源：新浪，华金证券研究所资料来源：CSDN，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑光线追踪与光栅化的实现原理不同。光栅化渲染管线是传统的渲染管线流程，是以一个三角形为单元，将三角形变成像素的过程；光线追踪渲染管线则是以一根光线为单元，描述光线与物体的求交和求交后计算的过程。和光栅化线性管线不同的是，光线追踪的管线是可以通过递归调用来衍生出另一根光线，并且执行另一个管线实例。光线追踪最大难点在于对算力要求极高，计算量非常庞大。2018年NVIDIA发布的RTX 2080 GPU，采用Turing架构，在GPU中集成了68个独立的 RT(ray tracing)Core（专门为光线追踪服务的，实质上它是一条特异化的专用流水线），用于光线追踪，光线处理能力达到了10 Giga/S，1080P60Hz需要处理的光线约为6Giga/S，光线追踪对于反射和阴影有着更逼真的处理效果，尽管目前仍然是采用光线追踪和传统光栅图形处理相结合的方式来进行图形渲染，但其效果已经远超传统光栅图形处理。1.13 1.13 光线追踪算法要求的计算量巨大光线追踪算法要求的计算量巨大资料来源：英伟达，华金证券研究所 请仔细阅读在本报告尾部的重要法律声明1.1.由专用走向通用，由专用走向通用，GPUGPU赛道壁垒高筑赛道壁垒高筑对GPU通用计算进行深入研究从2003年开始，并提出了GPGPU概念，前一个GP则表示通用目的（General Purpose），所以GPGPU一般也被称为通用图形处理器或通用GPU。伴随着GPU Shader单元计算能力的不断增长，GPU也在向通用计算开始扩张边界。GPU从由若干专用的固定功能单元（Fixed Function Unit）组成的专用并行处理器，进化为了以通用计算资源为主，固定功能单元为辅的架构，这一架构的出现奠定了GPGPU的发展基础。GPGPU由于其高并发性、高吞吐量以及不断提升的可编程能力，目前的应用已经扩展到科学计算、区块链、大数据处理、工程计算、金融、基因等方面。1.14 1.14 走向新场景的走向新场景的GPGPUGPGPUAIAI芯片的分类芯片的分类计算是未来科学和工程突破的关键计算是未来科学和工程突破的关键资料来源：智能时代的科学计算：低维表达与高维问题的自然融合李若，华金证券研究所资料来源：搜狐网，华金证券研究所 请仔细