gpu處理大數據

㈠ GPU伺服器有哪些應用場景

GPU伺服器的主要應用場景

海量計算處理

GPU 伺服器超強的計算功能可應用於海量數據處理方面的運算，如搜索、大數據推薦、智能輸入法等：

• 原本需要數天完成的數據量，採用 GPU 伺服器在數小時內即可完成運算。

• 原本需要數十台 CPU 伺服器共同運算集群，採用單台 GPU 伺服器可完成。

深度學習模型

GPU伺服器可作為深度學習訓練的平台：

1.GPU 伺服器可直接加速計算服務，亦可直接與外界連接通信。

2.GPU 伺服器和雲伺服器搭配使用，雲伺服器為 GPU 雲伺服器提供計算平台。

3.對象存儲 COS 可以為 GPU 伺服器提供大數據量的雲存儲服務。

以上十次方的回答，希望能夠幫到你。

㈡ 一體化大數據平台需要gpu嗎

需要。一體化大數據平台是需要gpu的，否則無法使用。數據就是數值，也就是我們通過觀察、實驗或計算得出的結果。數據有很多種，最簡單的就是數字。

㈢ 為什麼cpu解碼叫軟解，gpu解碼叫硬解

cpu軟解：純粹依靠CPU來解碼的方式則是「軟解碼」。軟解碼是在顯卡本身不支持或者部分不支持硬體解碼的前提下，將解壓高清編碼的任務交給CPU，這是基於硬體配置本身達不到硬解壓要求的前提下，屬於一個折中的無奈之舉。

gpu硬解：硬解碼就是通過顯卡的視頻加速功能對高清視頻進行解碼。因此硬解能夠將CPU從繁重的視頻解碼運算中釋放出來，使設備具備流暢播放高清視頻的能力。

GPU／VPU要比CPU更適合這類大數據量的、低難度的重復工作。視頻解碼工作從處理器那裡分離出來，交給顯卡去做，這就叫做「硬解碼」。

(3)gpu處理大數據擴展閱讀：

硬體解碼是將原來全部交由CPU來處理的視頻數據的一部分交由GPU來做，而GPU的並行運算能力要遠遠高於CPU，這樣可以大大地降低對CPU的負載，CPU的佔用率較低了之後就可以同時運行一些其他的程序。

軟解碼即通過軟體讓CPU來對視頻進行解碼處理，而硬解碼：指不藉助於CPU，而通過專用的子卡設備來獨立完成視頻解碼任務。

曾經的VCD／DVD解壓卡、視頻壓縮卡等都隸屬於硬解碼這個范疇。而現如今，要完成高清解碼已經不再需要額外的子卡，因為硬解碼的模塊已經被整合到顯卡GPU的內部，所以目前的主流顯卡（集顯）都能夠支持硬解碼技術。

㈣ 為什麼需要GPU來處理高性能計算

高性能計算(HPC) 指通常使用很多處理器（作為單個機器的一部分）或者某一集群中組織的幾台計算機（作為單個計 算資源操作）的計算系統和環境。有許多類型的HPC 系統，其范圍從標准計算機的大型集群，到高度專用的硬體。大多數基於集群的HPC系統使用高性能網路互連，比如那些來自 InfiniBand 或 Myrinet 的網路互連。基本的網路拓撲和組織可以使用一個簡單的匯流排拓撲，在性能很高的環境中，網狀網路系統在主機之間提供較短的潛伏期，所以可改善總體網路性能和傳輸速率。

基於GPU的通用計算已成為近幾年人們關注的一個研究熱點。將GPU用於通用計算的主要目的是為了加速計算，加速的動力來自GPU在高性能計算方面所具有的優勢。

（1）高效的並行性。

通過GPU多條繪制流水線的並行計算來體現的。網路下在目前主流的GPU中，多條流水線可以在單一控制部件的集中控制下運行，也可以獨立運行。GPU的頂點處理流水線使用MIMD方式控制，片段處理流水線使用SIMD結構。相對於並行機而言，GPU提供的並行性在十分廉價的基礎上，為很多適合於在GPU上進行處理的應用提供了一個很好的並行方案。

（2）高密集的運算。

GPU通常具有128位或256位的內存位寬，因此GPU在計算密集型應用方面具有很好的性能。

（3）超長圖形流水線。

GPU超長圖形流水線的設計以吞吐量的最大化為目標，因此GPU作為數據流並行處理機，在對大規模的數據流並行處理方面具有明顯的優勢。

CPU中的大部分晶體管主要用於構建控制電路（如分支預測等）和Cache，只有少部分的晶體管來完成實際的運算工作。GPU與CPU的設計目標不同，其控制電路相對簡單，而且對Cache的需求較小，所以大部分晶體管可以組成各類專用電路和多條流水線，使GPU的計算速度有了突破性的飛躍，擁有驚人的處理浮點運算的能力。

正是由於GPU在並行處理和計算密集型問題求解等方面所具有的諸多優勢，GPU已成為目前普通PC機所擁有的強大、高效的計算資源。從系統架構上看，GPU是針對向量計算進行了優化的高度並行的數據流處理機。這種以數據流作為處理單元的處理機，在對數據流的處理上可以獲得很高的效率。

藍海大腦高性能計算GPU伺服器兼容的部件會依據產品兼容性的改善和技術演進存在增加或正常的替換，由3個節點以上構成，也可1-2節點。為保證性能，SAS HDD的數量應為SSD的2倍或更多，工作溫度、噪音、功率等適應性依據配置。整機尺寸可依配置做適應性調整。更好地為生命科學、醫葯研發、元宇宙、大數據、地質遙感、高性能計算等行業服務。

型號 藍海大腦高性能計算伺服器

英特爾
處理器 Intel Xeon Gold 6240R 24C/48T,2.4GHz,35.75MB,DDR4 2933,Turbo,HT,165W.1TB
Intel Xeon Gold 6258R 28C/56T,2.7GHz,38.55MB,DDR4 2933,Turbo,HT,205W.1TB
Intel Xeon W-3265 24C/48T 2.7GHz 33MB 205W DDR4 2933 1TB
Intel Xeon Platinum 8280 28C/56T 2.7GHz 38.5MB,DDR4 2933,Turbo,HT 205W 1TB
Intel Xeon Platinum 9242 48C/96T 3.8GHz 71.5MB L2,DDR4 3200,HT 350W 1TB
Intel Xeon Platinum 9282 56C/112T 3.8GHz 71.5MB L2,DDR4 3200,HT 400W 1TB
AMD
處理器 AMD銳龍Threadripper Pro 3945WX 4.0GHz/12核/64M/3200/280W
AMD銳龍Threadripper Pro 3955WX 3.9GHz/16核/64M/3200/280W
AMD銳龍Threadripper Pro 3975WX 3.5GHz/32核/128M/3200/280W
AMD銳龍Threadripper Pro 3995WX 2.7GHz/64核/256M/3200/280W
AMD銳龍Threadripper Pro 5945WX 4.1G 12核/64M/3200/280W
AMD銳龍Threadripper Pro 5955WX 4.0G 16核/64M/3200/280W
AMD銳龍Threadripper Pro 5965WX 3.8G 24核/128M/3200/280W
AMD銳龍Threadripper Pro 5975WX 3.6G 32核/128M/3200/280W
AMD銳龍Threadripper Pro 5995WX 2.7G 64核/256M/3200/280W
顯卡 NVIDIA A100×4, NVIDIA GV100×4
NVIDIA RTX 3090×4, NVIDIA RTX 3090TI×4,
NVIDIA RTX 8000×4, NVIDIA RTX A6000×4,
NVIDIA Quadro P2000×4,NVIDIA Quadro P2200×4
硬碟 NVMe.2 SSD: 512GB，1TB； M.2 PCIe - Solid State Drive (SSD),
SATA SSD: 1024TB, 2048TB, 5120TB
SAS:10000rpm&15000rpm,600GB,1.2TGB,1.8TB
HDD : 1TB，2TB,4TB,6TB,10TB
外形規格 立式機箱
210尺寸mm（高*深*寬) : 726 x 616 x 266
210A尺寸mm（高*深*寬) : 666 x 626 x 290
210B尺寸mm（高*深*寬) : 697 x 692 x 306
音效卡：7.1通道田音效卡
機櫃安裝 : 前置機櫃面板或倒軌（可選）
電源 功率 : 1300W×2; 2000W×1
軟體環境 可預裝 CUDA、Driver、Cudnn、NCCL、TensorRT、Python、Opencv 等底層加速庫、選裝 Tensorflow、Caffe、Pytorch、MXnet 等深度學習框架。
前置介面 USB3.2 GEN2 Type-C×4
指承燈電和硬碟LED
靈動擴展區 : 29合1讀卡器，eSATA，1394，PCIe介面（可選）
讀卡器 : 9合1SD讀卡器（可選）
模擬音頻 : 立體聲、麥克風
後置介面 PS2介面 : 可選
串列介面 : 可選
USB3.2 GEN2 Type-C×2
網路介面 : 雙萬兆 (RJ45)
IEEE 1394 : 擴展卡口
模擬音頻 : 集成音效卡 3口
連接線 專用屏蔽電纜（信號電纜和電源電纜）
資料袋 使用手冊、光碟1張、機械鍵盤、滑鼠、裝箱單、產品合格證等{變數12}

㈤ pytorch共享gpu和專用gpu有什麼區別

1.GPU：計算機圖顯核心
1.1 GPU：計算機圖形顯示核心

GPU基本概念：圖形處理器（graphics processing unit，縮寫GPU），又稱顯示核心、視覺處理器、顯示晶元，是一種專門在個人電腦、工作站、游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是顯卡的處理器：顯卡全稱顯示適配卡，又稱顯示適配器，用於協助CPU進行圖像處理，作用是將CPU送來的圖像信號經過處理再輸送到顯示器上，由主板連接設備、監視器連接設備、處理器和內存組成，GPU即是顯卡處理器。

1.2 GPU擅長大規模並發計算

GPU工作原理：GPU的工作通俗的來說就是完成3D圖形的生成，將圖形映射到相應的像素點上，對每個像素進行計算確定最終顏色並完成輸出，一般分為頂點處理、光柵化計算、紋理貼圖、像素處理、輸出五個步驟。GPU採用流式並行計算模式，可對每個數據行獨立的並行計算。

GPU與CPU區別：CPU基於低延時設計，由運算器（ALU）和控制器（CU），以及若干個寄存器和高速緩沖存儲器組成，功能模塊較多，擅長邏輯控制，串列運算。GPU基於大吞吐量設計，擁有更多的ALU用於數據處理，適合對密集數據進行並行處理，擅長大規模並發計算，因此GPU也被應用於AI訓練等需要大規模並發計算場景。

1.3 GPU可分為獨立GPU和集成GPU

獨立GPU：獨立GPU一般封裝在獨立的顯卡電路板上，使用專用的顯示存儲器，獨立顯卡性能由GPU性能與顯存帶寬共同決定。一般來講，獨立GPU的性能更高，但因此系統功耗、發熱量較大。

集成GPU：集成GPU常和CPU共用一個Die，共享系統內存。集成GPU的製作由CPU廠家完成，因此兼容性較強，並且功耗低、發熱量小。但如果顯卡運行需要佔用大量內存，整個系統運行會受限，此外系統內存的頻率通常比獨立顯卡的顯存低很多，因此一般集成GPU的性能比獨立GPU更低。

1.4 GPU廣泛運用在圖顯和並行計算場景

GPU擁有單一的強大並行計算能力，所以用途往往是需要大規模並行計算的場景。早期GPU多被用於2D和3D圖形的計算和處理，因為圖形數據的處理往往涉及到大量的大型矩陣運算，計算量大但易於並行化。近年由於大數據、人工智慧發展，GPU也常常被用於需要大量重復計算的數據挖掘領域，如機器學習，深度學習等。

GPU使用場景：GPU被廣泛地運用於PC、伺服器、移動等領域。其中伺服器GPU可做專業圖形處理、計算加速、深度學習等應用，以獨立GPU為主；移動端GPU主要採用集成GPU；PC根據使用用途不同，既可以搭載獨立GPU，也可以使用集成GPU。

1.5 全球GPU巨頭：NVIDIA、AMD

NVIDIA（英偉達）：創立於1993年，1999年發明了GPU，最初專注PC圖形，後來拓展到密集計算領域，Nvidia利用GPU創建了科學計算、人工智慧、數據科學、自動駕駛汽車、機器人技術、AR和VR的平台。 Nvidia是目前全球最大的獨立GPU供應商，2020年營收166.8億美元，2021Q2 Nvidia全球獨立GPU市場份額達到83%。

AMD（超威半導體）：成立於1969年，目前業內稀缺的可以提供高性能CPU、高性能獨立顯卡GPU、主板晶元組三大組件的半導體公司。2020年AMD營收97.6億美元，其中計算和圖形（包括CPU、GPU、APU等）業務營收64.3億美元，2021Q2 AMD全球獨立GPU市場份額達到17%。

2.GPU兩大應用場景：圖顯、計算
2.1 2020全球GPU市場規模接近千億美元

2020年全球GPU市場規模達到999.1億美元。3D圖像顯示、人工智慧深度學習的需求支撐GPU市場持續增長，根據Verified Market Research數據，2020年全球GPU市場規模達到999.1億美元，預計2028年達到1581.6億美元，CAGR為5.9%。

測算2020年中國大陸獨立GPU市場規模約235億美元。中國是全球GPU市場重要組成部分，2020年Nvidia、AMD在中國大陸收入佔比分別為23.3%、23.9%，我們假設中國大陸獨立GPU市場佔全球23.5%，測算2020年中國大陸獨立GPU市場規模約為235億美元。

2.2 PC GPU：2020年全球出貨3.94億片

PC（個人電腦）是GPU重要應用場景，根據Jon Peddie Research（JPR）數據，2020年全球GPU出貨3.94億片，同比增長17.9%。

2.3 PC GPU：Nvidia和AMD占據獨立GPU市場

Intel領導集成GPU市場。Intel（英特爾）是全球最大的CPU製造商，2021Q2占據全球77.5%的x86 CPU市場，集成GPU集成在CPU中，Intel憑借CPU市場地位，占據全球PC GPU大部分市場。根據JPR數據，2021Q2 Intel占據全球68.3%的PC GPU市場份額，Nvidia和AMD市場份額分別為15.2%、16.5%。

Nvidia和AMD占據獨立GPU市場。在獨立GPU領域，Nvidia具備明顯的份額領先，2021Q2市佔率達到83%。2006年AMD收購ATI，2010年放棄ATI品牌後推出AMD Radeon（鐳龍）獨立顯卡系列，2021Q2 AMD獨立PC GPU市場份額17%。

2.4 AI伺服器與加速晶元

AI伺服器：通常搭載GPU、FPGA、ASIC等加速晶元，利用CPU與加速晶元的組合可以滿足高吞吐量互聯的需求，為自然語言處理、計算機視覺、機器學習等AI應用場景提供強大的算力支持，支撐AI演算法訓練和推理過程。

AI加速晶元：由於CPU並不適合大規模並行計算，因此需要加速晶元執行AI演算法，目前AI加速晶元主要包括圖形處理器（graphics processing unit，GPU）、現場可編程門陣列（field-programmable gate array，FPGA）、專用集成電路（application specific integrated circuits，ASIC）、神經擬態晶元等。

2.5 GPU是AI伺服器首選加速方案

伺服器是AI核心基礎設施。根據IDC數據，2020年中國AI基礎設施市場規模為39.3億美元，同比增長26.8%，並將在2024年達到78.0億美元，其中2020年伺服器市場規模佔AI基礎設施的87%以上，承擔著最為重要的角色。

互聯網行業是AI伺服器最大采購行業。根據IDC數據，2020年上半年，互聯網占整體加速計算伺服器市場近60%的份額，同比增持超過100%；政府行業和服務業分別依次位居第二位和第三位。

GPU伺服器是AI加速方案首選。IDC預計2021年中國GPU伺服器佔比91.9%左右的市場份額，是數據中心AI加速方案首選。根據IDC數據，2019年中國GPU伺服器市場規模達到20億美元，預計2024年將達到64億美元。

2.6 AI伺服器通常配置多個GPU晶元

GPU加速伺服器能夠提供優秀的浮點計算能力，從容應對高實時、高並發的海量計算場景，例如深度學習、科學計算、3D動畫渲染、CAE等應用場景。

3.NVIDIA：全球GPU巨頭
3.1 全球GPU巨頭

Nvidia成立於1993年，1999年上市，市值近10年增長超過83倍，近6年增長超過49倍。截至2021年11月5日，Nvidia總市值7438億美元，總市值美股排名第七，是目前全球市值最大的半導體公司。（報告來源：未來智庫）

3.2 三大因素推動地位提升

技術革新、場景拓展、外延並購，Nvidia引領全球GPU發展。

GPU架構：Nvidia堅持每2-3年推出一代新的GPU架構，持續保持技術領先，新的Ampere已經採用7nm工藝；應用場景：從最初圖形處理到通用計算，再到AI深度學習和自動駕駛，Nvidia不斷推動GPU應用場景的突破；外延並購：2000-2008年Nvidia密集收購額多家公司，涵蓋顯卡、圖形處理、半導體等多個領域，2020年宣布計劃收購ARM。

3.3 近年業績高速增長

Nvidia產品主要分為兩大類：圖形處理、計算&網路。下游市場包括游戲、專業可視化、數據中心、汽車四大類。

2020年Nvidia營收166.8億美元（yoy+52.7%），凈利潤43.3億美元（yoy+54.9%），其中圖形處理業務營收98.3億美元，計算&網路業務營收68.4億美元。除去2019年游戲市場需求波動造成業績下滑外，Nvidia近5年營收、利潤均保持較快增長。

得益於基於Ampere架構新GPU產品帶動游戲業務高增，以及數據中心對算力需求旺盛，2021上半年Nvidia營收、凈利潤快速增長。

3.4 游戲是最大市場，數據中心市場增速較快

Nvidia下游市場分為四類：游戲、專業可視化、數據中心、汽車，各市場重點產品如下：

游戲：GeForce RTX/GTX系列GPU（PCs）、GeForce NOW（雲游戲）、SHIELD（游戲主機）；專業可視化：Quadro/RTX GPU（企業工作站）；數據中心：基於GPU的計算平台和系統，包括DGX（AI伺服器）、HGX（超算）、EGX（邊緣計算）、AGX（自動設備）；汽車：NVIDIA DRIVE計算平台，包括AGX Xavier（SoC晶元）、DRIVE AV（自動駕駛）、DRIVE IX（駕駛艙軟體）、Constellation（模擬軟體）。

3.5 計算業務驅動高成長

計算業務是Nvidia成長的主要驅動力：數據中心已成規模，智能汽車將進入收獲期。

在數據中心市場，Nvidia擁有晶元、硬體、硬體的全棧布局。得益於全球AI應用場景的快速增加，對算力的需求飆升。是Nvidia成長最快的市場，2020年營收達到約66.96億美元，近4年CAGR達到68.5%，遠高於游戲市場的17.6%。2020年Nvidia數據中心市場營收佔比已經超過40%，預計未來仍將繼續提升。

在智能汽車市場， Nvidia形成了全棧式自動駕駛解決方案。AGX Xavier晶元於2018年開始出貨，下一代自動駕駛晶元Orin計劃用於2022年量產，算力將達到254TOPS，目前已經獲得蔚來、理想、沃爾沃、賓士等多個整車廠定點項目。我們認為2022年高階自動駕駛汽車或將集中落地，Nvidia自動駕駛將進入收獲期。

3.6 中國大陸收入貢獻提升

Nvidia中國大陸收入快速增長。2020年Nvidia來自中國大陸收入38.86億美元，同比增長42.3%，近4年CAGR達到31.4%，同期Nvidia整體營收CAGR為24.6%。

Nvidia中國大陸收入佔比呈上升趨勢。2020年Nvidia中國大陸收入佔比達到23.3%，相比於2016年的18.9%提升4.4pct，2021上半年Nvidia中國大陸收入佔比25.6%，上升趨勢明顯。

我們預計中國大陸佔比仍將提升。圖顯業務層面，人均收入提升將帶動PC需求增加；計算業務層面，目前中國大陸在AI演算法、應用層面具有領先優勢，自動駕駛場景也將率先得到釋放。

4.景嘉微：國產GPU領軍
4.1 國內唯一商用GPU公司

景嘉微成立於2006年，公司主營業務分為圖形顯控、小型專用化雷達、GPU晶元三類。其中圖顯、雷達產品主要面向軍用市場，GPU晶元產品包括JM5400、JM7200，其中JM5400主要應用於公司圖顯模塊中，JM7200成功拓展了民用和信創市場。2021年9月，公司第三代GPU晶元JM9成功流片，目前正在進行性能測試。

4.2 兩個系列、三款GPU量產應用

景嘉微已完成兩個系列、三款GPU晶元量產應用。第一代GPU產品JM5400於2014年流片成功，主要支撐軍用裝備，已在國產軍用飛機上實現了對ATI M9、M54、M72等晶元的替代；第二代產品JM7200於2018年8月流片成功，性能與 Nvidia的GT640顯卡相近。在JM7200基礎上，公司又推出

㈥ CPU、GPU和TPU有什麼區別，是怎麼工作的呢

三個處理器處理數據方式不同，CPU，處理不同的數據類型，GPU計算密集的，並行的數據，Tpu為機器學習而製造的晶元，使用戶迅速的獲取智能的結果

㈦ gpu伺服器有哪些應用場景

GPU伺服器的主要應用場景有海量計算處理，超強的計算功能可應用與海量數據處理方面的運算，如搜索、大數據推薦、智能輸入法等，可能原本需要幾天才能完成的數據量，用GPU伺服器在幾個小時就完成了；GPU伺服器還可以作為深度學習訓練平台，可直接加速計算服務，亦可直接與外界連接通信等等。思騰合力在GPU伺服器的型號方面還是有很多選擇的，有自主研發的品牌也有英偉達的，在選擇方面還是比較多的，應用的場景也十分廣泛。

㈧ gpu是什麼和cpu的區別

gpu是什麼和cpu的區別如下：

1、cpu是電腦的中央處理器。

2、gpu是電腦的圖形處理器。

3、cpu是一塊超大規模的集成電路，其中包含alu算術邏輯運算單元、cache高速緩沖存儲器以及Bus匯流排。

4、cpu是一台計算機的控制和運算核心，它的主要功能便是解釋計算機發出的指令以及處理電腦軟體中的大數據。

5、gpu是圖像處理器的縮寫，它是一種專門為pc或者嵌入式設備進行圖像運算工作的微處理器。

6、gpu的工作與上面說過的cpu類似，但又不完全像是，它是專為執行復雜的數學和幾何計算而生的，而這游戲對這方面的要求很高，因此不少游戲玩家也對gpu有著很深的感情。

㈨ GPU發展和現狀是什麼樣的

GPU其實就是顯卡，是英文Graphics Processing Unit的縮寫。大型設備GPU有兩個廠商，NVIDIA以及ATI，一個被稱為N卡，一個被稱為A卡。近幾年隨著手機等智能設備的快速發展，移動端低功耗GPU越來越受到重視，目前蘋果、高通的GPU都比較強悍，華為也在GPU方面加速努力。

ATI顯卡

ATI公司成立於1985年，創始人為何國源以及另外兩個華人。1985年10月ATI使用ASIC技術開發出了第一款圖形晶元和圖形卡，1992年4月ATI發布了Mach32圖形卡集成了圖形加速功能，1998年4月ATI被IDC評選為圖形晶元工業的市場領導者，但那時這種晶元還沒有GPU的稱號，很長的一段時間ATI都是把圖形處理器稱為VPU，直到AMD收購AT之後其圖形晶元才正式採用GPU的名字。

NVIDIA顯卡

NVIDIA是一家人工智慧計算公司，創立於1993年，創始人及CEO為美籍華人Jensen Huang(黃仁勛)。1999年，NVIDIA首先提出GPU概念，從此 NVIDIA顯卡的芯就用GPU來稱呼，NVIDIA極大地推動了PC 游戲 市場的發展，並重新定義了現代計算機圖形技術，徹底改變了並行計算。

蘋果自研GPU

蘋果之前一直都是跟Imagination合作，為了使自己的硬體和軟體更加完美的融合，同時不受供應商卡脖子，從A11晶元開始，蘋果正式拋棄Imagination而改用自研GPU。目前蘋果的GPU性能也是第一梯隊的，蘋果移動設備的3D顯示、AR、大型 游戲 還是比較出色的。

高通GPU

目前高通驍龍移動平台集成的Adreno GPU是應用較為廣泛的，因為大部分國產手機都採用驍龍處理器，Adreno也是可以和同期蘋果A系列晶元集成GPU一教高下的存在。Adreno的前身是ATI Imageon系列低功耗GPU，ATI被AMD收購後，AMD將移動設備相關的自從打包賣給了高通。

ARM 的Mali GPU

海思麒麟、三星Exynos、聯發科Helio等晶元都採用了ARM的GPU解決方案。這些SOC通常將多個GPU核心封裝在一個更大規模的GPU矩陣中，這也導致功耗及發熱問題的出現。目前三星和華為應該都在進行自研GPU，走上蘋果的道路。

移動GPU現狀

目前移動端GPU性能還存在一定短板，隨著5G的到來，未來會有更多的應用需要在移動端體現，AR、VR、大型 游戲 等等，都需要強大的GPU支持。未來誰能掌握最強的GPU技術，誰就能獲得更多的優勢和關注度，各廠商也都在加大自研投入避免受到供應商的影響。

高性能GPU

除了台式機、筆記本等常見領域的GPU，像人工智慧及深度學習領域，數據科學家和研究人員可以用高性能GPU解析 PB 級的數據；自動駕駛領域 汽車 可以利用強大的GPU，幾乎可以在任何駕駛場景中自主觀察、思考、學習和導航。另外醫療、教育、自動駕駛、 娛樂 、影視等眾多領域越來越智能化，並且都需要越來越強大的GPU作為技術支持。

總之，無論是移動端還是大型設備，人們對GPU的性能要求越來越高，GPU的發展也會越來越快，越來越智能。

GPU，又稱顯示核心、視覺處理器、顯示晶元，是一種專門在個人電腦、工作站、 游戲 機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CPU類似，只不過GPU是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。隨著人工智慧的發展，如今的GPU已經不再局限於3D圖形處理了，GPU通用計算技術發展已經引起業界不少的關注，事實也證明在浮點運算、並行計算等部分計算方面，GPU可以提供數十倍乃至於上百倍於CPU的性能。 GPU的特點是有大量的核（多達幾千個核）和大量的高速內存，最初被設計用於 游戲 ，計算機圖像處理等。GPU主要擅長做類似圖像處理的並行計算，所謂的「粗粒度並行（coarse-grainparallelism）」。這個對於圖像處理很適用，因為像素與像素之間相對獨立，GPU提供大量的核，可以同時對很多像素進行並行處理。但這並不能帶來延遲的提升（而僅僅是處理吞吐量的提升）。比如，當一個消息到達時，雖然GPU有很多的核，但只能有其中一個核被用來處理當前這個消息，而且GPU核通常被設計為支持與圖像處理相關的運算，不如CPU通用。GPU主要適用於在數據層呈現很高的並行特性（data-parallelism）的應用，比如GPU比較適合用於類似蒙特卡羅模擬這樣的並行運算。

CPU和GPU本身架構方式和運算目的不同導致了CPU和GPU之間的不同，正是因為GPU的特點特別適合於大規模並行運算，GPU在「深度學習」領域發揮著巨大的作用，因為GPU可以平行處理大量瑣碎信息。深度學習所依賴的是神經系統網路——與人類大腦神經高度相似的網路——而這種網路出現的目的，就是要在高速的狀態下分析海量的數據。例如，如果你想要教會這種網路如何識別出貓的模樣，你就要給它提供無數多的貓的圖片。而這種工作，正是GPU晶元所擅長的事情。而且相比於CPU，GPU的另一大優勢，就是它對能源的需求遠遠低於CPU。GPU擅長的是海量數據的快速處理。 工業與學術界的數據科學家已將GPU用於機器學習以便在各種應用上實現開創性的改進，這些應用包括圖像分類、視頻分析、語音識別以及自然語言處理等等。尤其是深度學習，人們在這一領域中一直進行大力投資和研究。深度學習是利用復雜的多級「深度」神經網路來打造一些系統，這些系統能夠從海量的未標記訓練數據中進行特徵檢測。 雖然機器學習已經有數十年的 歷史 ，但是兩個較為新近的趨勢促進了機器學習的廣泛應用:海量訓練數據的出現以及GPU計算所提供的強大而高效的並行計算。人們利用GPU來訓練這些深度神經網路，所使用的訓練集大得多，所耗費的時間大幅縮短，佔用的數據中心基礎設施也少得多。GPU還被用於運行這些機器學習訓練模型，以便在雲端進行分類和預測，從而在耗費功率更低、佔用基礎設施更少的情況下能夠支持遠比從前更大的數據量和吞吐量。 將GPU加速器用於機器學習的早期用戶包括諸多規模的網路和社交媒體公司，另外還有數據科學和機器學習領域中一流的研究機構。與單純使用CPU的做法相比，GPU具有數以千計的計算核心、可實現10-100倍應用吞吐量，因此GPU已經成為數據科學家處理大數據的處理器。

GPU 原來就是為了加速 3D 渲染的，後來被拿過來做計算。 現在 GPU 可以支持通用的指令，可以用傳統的 C 和 C++，還有Fortran 來編程。 現在單個高端 GPU 的性能已經達到了傳統多核 CPU 集群的性能 有的應用通過 GPU 加速相比傳統的多核 CPU 來說可以達到 100X 的加速。對某些特定應用來說 GPU 還是最適合。

GPU未來趨勢

GPU的未來方向，可以從NVIDIA 2019年的中國GTC（GPU technology conference）大會窺見一斑。GTC會議是NVIDIA近年來每年舉辦的一場GPU技術大會，匯集全球頂級的GPU專家，提供GPU領域頗具熱門話題的相關培訓和演講。在這個大會上展示的是全球GPU研究人員的最新的研究和應用方向，通過GTC會議可以窺見GPU的未來。2019年中國GTC大會設置了兩大主題，分別是AI和圖形，兩個大主題之下各自又有一些小主題，

GPU的未來趨勢無外乎3個：大規模擴展計算能力的高性能計算（GPGPU）、人工智慧計算（AIGPU）、更加逼真的圖形展現（光線追蹤 Ray Tracing GPU)。雖然GPU的最基本功能-顯示技術在大會主題中沒有「顯式」的提及，但是眾多應用方向均與之密切相關，譬如：智慧醫療和生命科學、 游戲 、虛擬現實/增強現實、工業設計與工程、自動駕駛與交通等，因此支持更加清晰和動感的高清顯示是無需強調的未來趨勢。此外，由於GPU越來越廣泛地應用到手機、終端、邊緣計算節點等嵌入式設備，所以高效能也是一個永恆的追求。

高性能計算

NVIDIA最新發布的Tesla V100s高性能計算GPU，集成5120個CUDA Core，640個Tensor Core，採用32 GB HBM2顯存，顯存帶寬達1134GB/S，單精度浮點計算能力達16.4 TFLOPS。

GPGPU在圖形GPU的基礎上進行了優化設計，使之更適合高性能並行計算，加上CUDA多年來建立的完整生態系統，其在性能、易用性和通用性上比圖形GPU更加強大。基於這種特性，GPGPU將應用領域擴展到了圖形之外，在自動駕駛、智慧醫療、生命科學、深度學習、雲計算、數據處理、金融等方面均 得到廣泛應用，關於它的科研成果和新應用模式也層出不窮。

相比CUDA，OpenCL具有更好跨平台性和通用性，得到更多GPU硬體廠家的支持，但由於其對開發者的友好程度不高，直接應用反而不多。

人工智慧計算

GPU的並行處理結構非常適合人工智慧計算，但傳統的基於流處理器的 GPU，其流處理器一般只能處理FP32/FP64等精度的運算，而AI計算的精度 要求往往不高，INT4/INT8/FP16往往可滿足絕大部分AI計算應用。針對AI應用，NVIDIA設計了專用的Tensor Core用於AI計算，支持INT4/INT8/FP16等不同精度計算，RTX 2080集成了544個Tensor Core，INT4計算能力可達455 TOPS。

基於NVIDIA GPU的AI應用絕大多數情況下應用在伺服器端、雲端，基於GPU的AI計算往往具有更好的靈活性和通用性，在數據中心、雲端等環境下具有更廣泛的適用性。與之相對應的，在分布式應用領域AI計算更傾向於獨立的面向特定應用領域的專用晶元，而不依賴於GPU，如手機、平板等移動端SOC都集成了專用的NPU IP。

光線追蹤-更加逼真的圖形展現

傳統的圖形GPU都使用光柵化技術顯示3D物體，對物體進行3D建模，將其分割成若干三角形，三角形的細粒度很大程度上決定最後的成像質量，然後將三角形轉換為2D屏幕上的像素點並分配初始顏色值，接下來進行像素處理，基於場景修改像素顏色，並將紋理應用於像素，從而生成像素的最終顏色[9]。

光線追蹤與光柵化的實現原理不同，它最早由IBM的Arthur Appel於1969年在「Some Techniques for Shading Machine Renderings of Solids」[10]中提出，光線追蹤通過從觀察點對每一個像素發射一條光線並找到在世界場景中阻擋光線路徑的最近物體來渲染場景，光線有兩種，第一種是視者發射的光線，來尋找場景中的交點，另一種是從交點發到燈光的陰影射線，看自身是否是處於陰影當中，光線追蹤的一個顯著優點是能夠處理不平整的表面和固體。

2018年NVIDIA發布的RTX 2080 GPU，採用Turing架構，在GPU中集成了 68個獨立的 RT(ray tracing) Core ，用於光線追蹤，光線處理能力達到了10 Giga/S，1 080P@60Hz需要處理的光線約為6Giga/S，實測基於光線追蹤的應用其幀率大致在50FPS左右，基於RTX 2080的光線追蹤達到了可用的程度，光線追蹤對於反射和陰影有著更逼真的處理效果，盡管目前仍然是採用光線追蹤和傳統光柵圖形處理相結合的方式來進行圖形渲染，但其效果已經遠超傳統光柵圖形處理，對於 游戲 、電影等追求逼真光影效果的應用，光線追蹤能提供電影級畫質的實時渲染，帶來視覺效果上質的飛躍。

除了 游戲 、電影方面的應用，產品設計師和建築師也可以享受到光線追蹤帶來的好處，藉助光線追蹤工具和高性能GPU，可以實時生成逼真的產品模型，提高設計迭代速度。

NVIDIA的下一代圖形GPU，採用Ampere架構，計劃於今年發布，相信在光線追蹤方面帶來新的提升。

GPU人工智慧的重要組成部分 市場空間廣闊

GPU目前主要作為顯卡的計算核心，主要解決圖形渲染問題。GPU具有較為完整的技術生態，其具有高運算性能硬體、驅動支撐、API介面、通用計算引擎/演算法庫，因此成為一種交易使用的工具。

目前的GPU可被分為PCGPU、伺服器GPU與移動GPU，其中PCGPU既有獨立也有集成GPU，伺服器GPU是專為計算加速或深度學習應用的獨立GPU，移動GPU一般都是集成GPU。隨著人工智慧的快速興起，擁有強運算能力和計算速度的GPU迎來了新的發展機遇，預測到2023年中國GPU伺服器市場規模將達到45億美金，未來5年整體市場年復合增長率為28%。

根據新思界產業研究中心發布的 《2020-2025年GUP行業市場深度調研及投資前景預測分析報告》 顯示，在全球中，GPU應用主要包含圖形渲染、 游戲 、電子設備應用，其中圖形渲染是GPU應用最廣的領域，主要包括PC端的圖形處理和移動端的圖形處理。移動GPU是提升智能手機性能的核心部件，能夠決定設備的界面流程程度、 游戲 流暢程度等參數，已廣泛應用於智能手機、DTV和平板電腦等移動設備。近幾年電子 游戲 行業快速發展，在這一背景下，GPU 游戲 專用設備需求將有所回升。

我國GPU發展較晚，目前產品與外資品牌有所差距，保守估計國內GPU晶元落後當前主流GPU晶元約6年時間。考慮到產品性能，目前國內市場主要以進口為主，短期之內GPU在市場化競爭的民用市場短期內較難突破。目前在全球中GPU主要品牌有NVIDIA和AMD、ARM、Imagination等公司。

我國對於信息安全領域高端產品自主化需求十分迫切，國務院於2015年5月發布《中國製造2025》，明確提出2020年中國集成電路內需市場自製率將達40%，2025年將更進一步提高至70%的目標，因此預計2025年國產GPU晶元市場空間約為50億美元，我國GPU行業發展潛力較大。

我國中高端GPU晶元市場需求旺盛，主要在個人計算機、雲計算、人工智慧、安防監控等領域有著廣泛的應用，但在高端產品方面，我國市場近乎空白。從廠商來看，浪潮、華為和曙光在出貨量和銷售額方面均位列市場前三。國內GPU行業發展起步較晚，尚處於追趕階段。景嘉微、中船系採取自主研發的方法進行產品開發，能夠對自主開發的GPU進行迭代和升級。中科曙光為代表技術引進系。

新思界 產業分析 人士表示，GPU作為人工智慧設備重的關鍵產品，在智能化時代中，市場需求持續攀升，行業發展潛力較大。從目前來看，我國GPU行業主要集中在中低端產品，高端產品接近空白，未來行業需要不斷改進，向高端化發展。