GPU 掌舵 AI 算力大时代，千亿级市场再迎增量：GPU 因其强大的并行 计算能力而广泛应用于人工智能、图像渲染、科学计算等领域。AI、自动驾驶 与游戏市场是 GPU 需求增长的主要场景，据 Global Market Insights 数据，全 球 GPU 市场预计将以 CAGR 25.9%持续增长，至 2030 年达到 4000 亿美元规 模。其中 AI 领域大语言模型的持续推出以及参数量的不断增长有望驱动模型 训练端、推理端 GPU 需求快速增长。 

微架构和平台生态共筑竞争壁垒：GPU 的微架构设计是决定硬件性能的关 键，全球龙头厂商英伟达与 AMD 均以保持架构升级节奏以及制程升级速率来 保证产品竞争力。此外，成熟且完善的平台生态形成的强大用户粘性将在长时 间内塑造 GPU 厂商的软实力，以英伟达通用计算平台 CUDA 为例，从软件栈 的完整度和对硬件性能的高效利用角度出发降低了通用计算 GPU 开发者编译 难度，建立起卡位全球的开发生态，从而实现长期竞争壁垒。

兼容主流生态对标行业龙头，国内厂商持续发力：近年来，国产 GPU 厂 商在图形渲染 GPU 和高性能计算 GPGPU 领域上均推出了较为成熟的产品， 在性能上不断追赶行业主流产品，在特定领域达到业界一流水平。生态方面国 产厂商大多兼容英伟达 CUDA，融入大生态进而实现客户端不断导入。在高端 GPU 芯片进口受限的背景下，国产 GPU 厂商预计将乘政策东风，抓住国产替 代契机快速成长。

建议关注：1）已上市标的：寒武纪、海光信息、景嘉微、芯原股份、龙芯中科；

2）未上市标的：壁仞科技、摩尔线程、芯动科技、兆芯、天数智芯、沐曦。  

风险提示：技术迭代风险、宏观经济风险、国产替代风险、行业竞争风险。 

景，提供大语言模型推理训练所需的海量算力。为构建有效的 AI 部署方案，CPU 和加速芯片结合的异构计算是经典的计算框架，目前最常见的 AI 加速芯片主要为 GPU、FPGA 和 ASIC，而 GPU 凭借其高性能、高灵活度特点成为 AI 加速方案首选。

自动驾驶升级推动边缘计算需求增加，GPU 车载领域价值逐步显现。在云计算 架构中，数据通过高速网络传输至拥有大规模高性能计算设备的云计算中心进行 计算，而边缘计算则将数据计算与储存集中在靠近数据源头的本地设备上，能够 更快的响应计算需求。自动驾驶是边缘计算架构最前沿的应用场景之一，目前大 多数自动驾驶处于 L2-L3（部分自动驾驶）级别，而要实现 L4-L5 级别高度自动 驾驶，则需要人工智能短时、高频地处理大量路况信息并自主完成大部分决策， 因此需要 GPU 为汽车芯片提供更多计算能力来处理复杂数据。根据地平线对 OEM 厂商需求情况的分析，更高级别的自动驾驶意味着更高的算力需求，L2 级 别需要 2 TOPS、L3 级别需要 24 TOPS、L4 级需要 320 TOPS，L5 级则需要 4000+ TOPS。

 

GPU 提供核心计算能力，是自动驾驶算力升级趋势关键。目前，市面上主流的自动驾驶芯片采用 NVIDIA 推出的 Orin 系统级芯片（SoC），Orin 集成 NVIDIA  Ampere 架构 GPU 和 Arm Hercules 内核 CPU 以及全新深度学习加速器 （DLA）和计算机视觉加速器（PVA），可以提供每秒 254TOPS 的计算能力，几 乎是 NVIDIA 上一代系统级芯片 Xavier 性能的 7 倍。而根据英伟达公告，其预计在 2024 年发布下一代车载系统级芯片 Thor，通过更新芯片内含的 GPU 架 构，Thor 预计可以为自动驾驶汽车提供约 2000 TOPS 的计算能力。

 

游戏市场画质升级驱动 GPU 显卡性能升级需求。GPU 最初作为图形处理器而诞 生，在游戏显卡市场伴随玩家对游戏品质的追求不断提升，以光线追踪算法 （Ray Tracing）为代表的特殊渲染算法更多的应用到游戏显卡以提升显示画质。

2018 年，NVIDIA 联合 Microsoft 共同发布了 RTX（Ray Tracing X）标准， NVIDIA 也在其同年发布的 Turing 架构 GPU 中引入了加速光线追踪计算的 RT Core，实现了光线追踪的实时化。光追通过在场景中发射光线并跟踪每个像素的 光线路径来模拟真实的光传播，在提供更具真实感的画面效果的同时对于计算复 杂度以及计算量需求大幅增加，整体游戏市场画质升级将驱动 GPU 显卡性能持 续升级 

大语言模型助推 GPU 算力需求增长 

市场对 3D 图像处理和 AI 深度学习计算等需求不断增加，GPU 市场保持高增 速。据 Global Market Insights 的数据，全球 GPU 市场预计将以 CAGR 25.9%持 续增长，至 2030 年达到 4000 亿美元规模。在 GPU 市场中，NVIDIA 依靠在深 度学习、人工智能等领域布局的先发优势并凭借其优异产品性能以及成熟的生态 平台长期处于领导地位，根据 JPR 数据，2022 年 Q1，NVIDIA 的在独显市场份 额约为 78%。

大语言模型有望拉动 GPU 需求增量，我们测算 23/24/25 年大模型有望贡献 GPU 市场增量 69.88/166.2/209.95 亿美元。具体假设测算如下： 训练端，近年来各大厂商陆续发布大模型，我们假设 23/24/25 年新增 5/10/15 个 大模型，根据 OpenAI 团队于 2020 发表的论文《Scaling Laws for Neural Language Models》提出的计算方法，对于以 Transformer 为基础的模型，假设模 型参数量为 N，单 Token 所需的训练算力约为 6N。参考 OpenAI 团队 2020 同年 发表的论文《Language Models are Few-Shot Learners》，GPT-3 模型参数量约为 1750 亿个，Token 数量约为 3000 亿个，近年发布的模型均在千亿级参数级别， 因此我们中性假设 23 年新增大模型平均参数量约为 2000 亿个，Token 数量约为 3000 亿个，两者后续每年以 20%增速增加。另外假设单次训练耗时约 30 天，算 力效率为 30%，后续伴随算法精进，算力效率预计逐渐提升。以目前主流的训练 端 GPU 英伟达 A100 测算，假设 ASP 为 1 万美元，23/24/25 年全球训练端 GPU 需求市场规模预计分别为 0.74/2.00/4.07 亿美元。 

推理端，基于训练端的假设，根据论文《Scaling Laws for Neural Language Models》，单 Token 所需的推理算力开销约为 2N。则对于 GPT-3 模型，其单 Token 所需的推理算力开销为 3500 亿 FLOPs-S。假设单次最大查询 Tokens 数为 1000(对应汉字约 300-500 字，英文约 750 词)，每人每天查询 20 次。在并发用 户数的估计上，我们参考国际主流社交媒体日活用户数进行测算，根据 Dustin Stout 统计，Facebook、WhatsApp、Instagram 全球日活用户数分别为 16 亿、10 亿、6 亿，考虑到目前(类) GPT 平台仍处于发展早期，我们预计全球大模型日活 用户数在 23/24/25 分别为 2/6/10 亿，按照所有用户平均分布于 24 小时，并以 10 倍计算峰值并发数量。以目前英伟达用于推理端计算的 A10 测算，假设 ASP 为 2800 美元，23/24/25 年全球推理端 GPU 需求市场规模预计分别为 69.14/164.2/205.88 亿美元。