电子行业AI系列之国产算力：2026关注1~N放量-260206（72页）.pdf

1、【中泰电子】AI系列之国产算力：2026关注1-N放量算力芯片：GPUvsASIC二、国产趋势一：算力自主可控是确定方向三、国产趋势二：大厂自研芯片是必经之路四、国产趋势三：芯片逐渐由单卡走向系统集成五、投资建议&风险提示GPU芯片与ASIC芯片是算力解决方案的两大支柱：AI芯片在人工智能的算法和应用上做针对性设计，可高效处理人工智能应用的计算任务（其他非计算任务仍由CPU负责）。当前主流的AI芯片分为三类GPU、FPGA、ASIC，GPU、FPGA均是前期较为成熟的芯片架构，属于通用型芯片，其中GPU并行计算能力强，在AI训练和推理场景应用最多，ASIC属于为AI特定场景定制的芯片，具有较佳

2、的性能和能效比，和GPU构成目前AI芯片的两大核心。GPU适用于AI计算，相比于传统GPU主要执行图形之外的通用计算任务，利用GPU的并行计算优势，加速科学计算、大数据分析、深度学习等领域，尤其在大规模并行计算时，比传统CPU更为高效。ASIC芯片适用于推理：ASIC芯片设计目的是高效处理特定算法，通过针对特定任务进行硬件优化，其能够最大限度利用硬件资源实现高性能计算，同时保持极低功耗，因此ASIC芯片在AI推理等任务中表现出色。GPU专为通用并行计算任务设计，具有高度并行性、高内存带宽与多级缓存的特征：1）高度并行性：拥有大量并行计算单元，多条流水线可在单一控制部件的集中控制下运行；2）高内

3、存带宽：通常集成高速的GDDR或HBM显存颗粒，提供高访存带宽以处理数据密集型运算；3）多级缓存：包括全局内存、共享内存、寄存器等，大幅提高数据访问效率、降低延迟。GPU广泛应用于AI计算、深度学习训练等领域：GPU主要进行非图形相关程序的运算，如科学模拟、数据分析、机器学习、高性能计算，广泛应用于科学计算、深度学习训练等场景。相较于NPU、TPU等AI芯片，GPGPU通用性更强、生态壁垒和开发难度更低：GPGPU采用SIMT架构可实现“开箱即用”，NPU/TPU仍沿用传统SIMD架构，需手动编排流水线，时延隐藏效率远不及SIMT，导致编写高性能内核难度大、效率低，既难以实现易用性，生态完善程

4、度也落后于GPGPU。1.1.1英伟达是GPU领先企业，其架构持续迭代升级英伟达作为GPU的代表企业，其架构经历了Volta（12nm）Ampere(7nm)Hopper(4nm)Blackwell(4nm）迭代，新一代Rubin（3nm）架构将于26年下半年推出，随AI持续迭代的过程也伴随形态、价值量快速提升。TensorCore（张量核心）专为深度学习和Transformer加速设计：矩阵乘加（MMA，D=AstarB+Ccdot）是深度学习训练和推理中最核心的操作，而TensorCore作为专用张量加速单元，能以矩阵块为单位在较短时间内完成大量矩阵乘加运算，这种并行计算方式显著加快神经网

5、络模型的训练和推断过程；同时采用混合精度计算（如用半精度FP16作为输入和输出，利用全精度FP32存储中间结果，确保计算精度的同时最大限度地提高计算效率）。英伟达GPU产品架构迭代本质主要是TensorCore的不断升级，架构由Volta演进至目前的Blackwell，TensorCore经历了1.0至5.0的版本升级。1、算术规模一V100：以8Thread（线程）为一组(warp线程组），协作执行8star8star4矩阵乘法A100:以32Thread为一组，执行16ast8ast16矩阵乘法（同8个周期A100完成的MACs/乘加运算是V100的2倍）；2、精度：增加INT8/INT4

6、，首次引入BF16；3、引入异步复制技术（Async-Copy），优化数据移动路径（SMEM带宽提高3倍）1）实现数据直接从L2到SMEM，绕开RF中转，显著降低RF压力并提升内存带宽利用率、减少数据移动时间：V100读+写6次A100读2次（带宽提升了3x）；2）V100：数据加载与计算严格串行mathsfA100：异步数据加载可与计算并行。A100longrightarrowH100核心升级点在于：引入线程块集群概念（4SMs同时执行指令，性能显著提升且共享内存）+TMA（实现数据加载和计算的解耦，提升并行效率）+FP8精度。RangePrecisionsignexponentmantis