云岫资本的分析显示，随着大型AI模型的不断演进和升级，对于AI芯片的通用性要求也在不断提高。由于对硬件性能的需求增加，专用芯片的市场空间正在缩小，逐渐被市场淘汰。专用集成电路（ASIC）的DSA（特定领域架构）由于需要针对不同的模型和应用场景进行重新适配，其通用性较弱，导致大规模部署困难，性价比不高。此外，DSA架构的算法种类繁多，使得应用层难以构建起一个统一的生态系统，形成了较强的生态壁垒。
与此同时，GPU因其能够兼容多种大模型计算需求、应用范围广泛、开发周期短、能够大规模生产以降低成本、并行计算能力强大，以及存在软件优化空间和通用平台CUDA，能够满足多样化的功能需求，已经成为AI算力芯片的主流选择。
云岫资本进一步指出，从卷积神经网络（CNN）到Transformer模型，大模型的演进仍在继续，对AI芯片的通用性提出了更高的要求。硬件是否能够持续兼容各种大模型的迭代升级，成为了衡量其性能的重要标准。据2023年的数据显示，全球AI服务器中有65%采用了GPU架构芯片，预示着CPU架构可能成为未来的主导架构。
图：GPU成为AI算力芯片主流架构
英伟达在1999年首次提出了GPU的概念，并推出了GeForce256图形处理芯片，标志着GPU从单一的图形显示加速器发展成为广泛应用于图形渲染、数据分析和科学计算等多个领域的技术。在GPU市场中，英伟达占据了超过80%的市场份额。英伟达之所以能够保持其行业领导者的地位，是因为它在硬件层面拥有全球领先的算力水平，并且通过与软件平台CUDA的结合，为客户提供了超越单一硬件性能的模型训练和推理效果。
图：2023年全球AI服务器市场格局
政策制裁下 英伟达高性能GPU芯片亟需国产替代
由于美国对AI芯片出口实施了新的管制措施，特别是对高性能AI芯片产品如英伟达的A100和H100等进行了限制。在政策的制裁下，国内无法进口英伟达高性能GPU芯片，导致国内对国产高性能GPU的需求变得迫切，同时也为国产GPU的发展提供了机遇。在政策支持和市场需求的双重推动下，国产GPU行业正在高速发展。国产GPU厂商在图形渲染和高性能计算领域均推出了较为成熟的产品，并在性能上不断追赶行业主流产品。国产GPU厂商大多兼容英伟达CUDA，以融入大生态并实现客户端导入。
图：国产GPU迎来替代机会
混合式AI时代来临 边缘和端侧AI计算迎来高速发展
从商用成熟的节奏上，云端模型训练和推理先行，边缘端后续算力需求更大，带动边缘端推理芯片需求增长。随着人工智能技术的不断成熟，AI处理重心正逐步向边缘转移，混合式AI时代已经来临，边缘/端侧AI计算也因此迎来了高速发展，在市场规模、技术进步、应用场景和市场需求等方面都取得了显著的进展。混合式AI是指终端设备和云端服务器相互协作，根据具体场景和时间，合理分配AI计算任务，以提供更优的用户体验，并高效利用计算资源。据统计，中国端侧AI市场规模在2023年达到了1939亿元，预计2028年将达到19071亿元，年均复合增长率为58%。根据物联网智库的统计数据，2023年支持AI功能的蜂窝物联网模组占比为2%，预计到2027年这一比例将增至9%，出货量的复合年增长率（CAGR）为73%。
图：混合式AI时代来临，边缘AI计算迎来高速发展
AI时代需要高能效、低成本的存算一体技术
AI时代算力需求猛增，“存储墙”亟待解决，而存算一体突破“存储墙”的限制，大幅提升计算效率并降低功耗。随着 AIOT 的发展，智能物联设备对边缘 AI 的需求愈发迫切，小算力场景下存算一体芯片将迎来旺盛需求。随技术成熟，大算力场景下存算一体也在加速渗透，典型的近存计算如 HBM 与主芯片在同一中介层连接有效提升了带宽并且降低能耗，得到越来越多的应用。
相关阅读：
