要說有什么芯片產品最引數碼達人關注，那必然是GPU。

GPU是個熱鬧異常的市場。圍繞GPU/顯卡玩梗也成為數碼愛好者茶余飯后的一項樂趣：“超低功耗，極致色彩，曲面細分””礦卡論斤賣““一卡一棟樓，兩卡毀地球，三卡銀河系，四卡創世紀”。它曾一度挑戰甚至超越同時期的CPU，它曾讓無數游戲玩家為之瘋狂，它曾向更深、更廣領域延伸觸角。［1］

因為國外廠商長期壟斷，國內對自主GPU的期盼越來越強烈。

本文是“國產替代”系列的第十五篇，關注GPU國產替代。在本文中，你將了解到：GPU和顯卡有什么關系，GPU的國內外市場情況和國產化布局，GPU及背后的思考。

01

那些容易被混淆的概念

GPU（Graphics Processing Unit，圖形處理器）又被稱作顯示核心、視覺處理器、顯示芯片，是一種專為并行處理而設計的微型處理器，非常擅長處理大量簡單任務，包括圖形和視頻渲染。GPU能應用在臺式機、筆記本電腦、工作站、游戲機、嵌入式設備、數據中心等各種需要渲染圖形或高性能計算的場景。

在生活中，我們普遍把GPU叫成顯卡。不過事實上，GPU和顯卡在術語上有細微差別，GPU指的是負責處理各種任務的那顆芯片，顯卡指的是把GPU芯片、顯存、接口等集合在一起的那張板卡。

GPU根據接入系統的方式分為集成型GPU（Integrated GPU，iGPU）和離散型GPU（Discrete GPU ，dGPU）兩種，前者就是我們日常所說的集成顯卡/核芯顯卡，后者就是我們日常所說的獨立顯卡，兩種類型GPU均有各自的特點和使用場景。

GPU的兩種分類，制表丨果殼硬科技

集成型GPU中，GPU被嵌在CPU旁邊，且無單獨的內存組用于圖形/視頻，會與CPU共享系統內存。由于集成型GPU內置于處理器中，通常功耗更低，產生的熱量更少，從而延長了電池續航時間。

離散型GPU則完全以獨立板卡出現，通常被連接在PCI高速插槽內，就像主板包含CPU一樣。離散型GPU除包含GPU芯片以外，還包括允許GPU運行并連接到系統其余部分所需的大量組件。離散型GPU有自己的專用內存，同時也擁有自己的內存源和電源，因此其性能比集成型GPU更高。但由于與處理器芯片分離，因此會消耗更多功率并產生大量熱量。［2］［3］［4］

02

從專用到通用再到融合

現代的GPU擁有兩大功能，一是充當強大的圖形引擎，二是用作高度并行的可編程處理器，處理各種神經網絡或機器學習任務。

圖形計算是GPU的拿手絕活。當我們拖動鼠標時，GPU將需要顯示的圖形內容計算后呈現在屏幕上；當我們打開播放器觀看電影時，GPU將壓縮后的視頻信息解碼為原始數據；當我們玩游戲時，GPU將游戲畫面計算并生成出來。輕點鼠標的背后，是復雜的處理過程，包括頂點讀入、頂點渲染、圖元裝配、光柵化、像素渲染等。［5］

圖形GPU廣泛應用于游戲、圖像處理和加密貨幣等場景，關注圖像學的幀數、渲染逼真度、真實場景映射度等參數指標。［6］

對圖形API定義的流水線實現硬件加速的不同階段，制表丨果殼硬科技 參考資料丨《計算機體系結構基礎》［5］

通用計算是GPU并行計算優勢的最佳體現。科學家和工程師發現，只要數據以圖形形式存在，并將GPU基礎上增加部分通用計算能力，GPU就能勝任各種高性能模計算任務，也就是行業所說的通用GPU（GPGPU，General-Purpose Graphics Processing Unit）。本質上，通用GPU還是一種GPU，不過它會針對高性能計算、AI開發及許多其他驚人的突破上定制和靠攏，因此所使用的訓練集更大、訓練時間更短、分類/預測/推理功率更低、占用基礎設施更少。［7］

通用GPU主要應用在大規模人工智能計算、數據中心及超算等場景，以支持更大的數據量和并發吞吐量。［6］

兩大功能的背后，是一部漫長的發展史。

1962年， Ivan Sutherland（伊凡·蘇澤蘭）的論文《SketchPad：圖形化人機交流》和他錄制的Sketchpad操作視頻成為定義現代計算機圖形學的基礎［8］。之后的20年內，受精度和運行強度等限制，彼時的顯卡僅僅是將CPU計算生成的圖形翻譯成顯示信號，所以只能稱作圖形適配器（VGA Card）［9］。直到IBM在1984年推出了MDA和CGA兩款2D顯卡，才意味著行業產生雛形，雖然放到現在兩款產品只能算作是丑小鴨，但卻標志著GPU開始走向與CPU分庭抗禮之路。

上世紀90年代，3D圖形加速興起。歷史上第一塊真正意義的3D圖形加速卡Voodoo問世后，S3又推出第一款同時擁有2D和3D圖形處理能力的顯卡S3 Virge［10］，此后行業便開始多點開花，逐漸誕生出NVIDIA的NV1、Matrox的Mlennium、Mystique、PowerVR的PCX1等優秀產品，一度顯現出百家爭鳴的盛況。繁華過后，便是殘酷的大魚吞小魚式并購和行業整合，形成英偉達、AMD兩家獨大的格局。自此之后，GPU也開啟了跨越式的迭代之路。

獨立顯卡發展歷史，制表丨果殼硬科技 參考資料丨IEEE Computer SOCIETY［11］，英偉達官網［12］，公開資料

GPU的通用性，是在迭代中逐漸表露出來的。20世紀90年代到21世紀初，為應對更為復雜和大量的圖形計算問題，GPU模式不再為固定圖形流水線模式，處于圖形流水線中的頂點處理器、幾何處理器、像素與子素處理器的可編程性得到增強，表現出通用計算能力。隨后，為解決GPU片內負載均衡問題，統一渲染處理器（Shader Processor）取代了各種可編程部件，同時流處理器（一種流計算模型上充分考慮并發和通信的計算體系）的應用奠定GPU通用計算的基礎。［13］

GPU在可編程性和計算能力上的快速增長，引得大批研究團體關注，爭相將大量需要計算的復雜問題映射到GPU上，并將GPU定位為未來高性能計算機系統中傳統微處理器的的替代方案［14］。英偉達所研發的Tesla架構正式標志著GPU朝向通用GPU發展，為后續在深度學習領域廣泛應用奠定了基礎。［15］

GPU從圖形顯示到通用計算之路［16］

時間回到現在，GPU在圖形計算上的專用性和面向人工智能的通用性上，引發科學界的爭論，是否要將GPU的AI和3D功能拆分成兩種DSA。GPU專用于圖形計算效率高，但只支持幾種特定的算法和模型，走通用計算兼容性好，但效率差，功耗也大。［17］

目前行業一致的觀點是GPU在圖形計算和通用計算表現出的“雙重人格”會逐步融合，未來將不再擁有功能界限，GPU也將擁有原生可微和張量加速能力。［18］

那么，再往后呢？從近幾年的大會來看，GPU將向大規模擴展計算能力的高性能計算（GPGPU）、人工智能計算（AI GPU）、更加逼真的圖形展現（Ray Tracing GPU，光線追蹤GPU）三大方向發展［16］。其中AI是關鍵，GPU硬件/軟件界面將使GPU成為“AI世界的CPU”，基于AI的渲染會讓張量加速成為GPU中的主流。［18］

GPU的兩大功能和應用［16］

03

GPU與CPU的搶婚者

GPU雖然好用，但它也脫離不開CPU。一方面，GPU無法單獨工作，需要依賴CPU控制調用；另一方面，二者的架構極為不同，構建目的也各有不同。

CPU會包含4個、8個、16個甚至32個以上的強勁內核， 同時一個內核之中便封裝了算術邏輯單元（ALU）、浮點處理單元（FPU）、 地址生成單元（AGU）、內存管理單元（MMU）等幾乎所有功能。一般來說，CPU中計算單元ALU約為25%，邏輯控制為25%，緩存Cache為50%。反觀GPU中計算單元ALU通常達到95%，緩存Cache則為5%。［19］

最初，GPU是為了幫助CPU加速圖形處理而設計的專用硬件。圖形渲染具備極強的并行性，需要非常密集的計算與巨大的數據傳輸帶寬，所以GPU被設計成包含成千上萬個較小內核的形式。每個GPU的內核都可以并行執行一些簡單的計算，內核本身算不上十分智能，但與“一核有難八核圍觀”的CPU不同，GPU能同時動用全部內核執行卷積、ReLU和池化等深度學習計算。除此之外，GPU采用了靈活的存儲層次設計以及兩級編程編譯模型。［20］［21］

GPU和CPU的不同點［22］

不同的結構設計使得GPU有了自己的專長。GPU的頻率只有CPU的三分之一，但在每個clock周期中，它能夠并行執行多于CPU將近100倍的計算，在大量并行度任務中，GPU比CPU快得多，對那些并行度很低的任務，顯現的速度就會慢得多。另外，相比CPU，GPU通常擁有5~10倍的內存帶寬，但在訪問數據時會有更長的延遲，這就造成GPU在可預測的計算上做得更好，但在不可預測的計算上做得更差。［23］

由此可見，CPU和GPU是互補且不沖突的，前者專注串行運算，后者專注并行運算。打個比方來說，可以將CPU理解為博士，不僅知識淵博，諸多問題也鉆研得很深，沒有他許多難題都沒有辦法解決。而GPU就是上萬個初高中生，只會簡單的算術，但無論博士有多強大，也不可能在一瞬間計算出上萬道簡單的算術運算。［24］

CPU和GPU間的不同［22］

翻開計算簡史，誕生了豐富多樣的數字芯片，每種數字芯片都有一段沉淀良久的發展史。計算機背后就是計算問題，無外乎標量、矢量、矩陣、空間幾種數據類型，GPU與其他數字芯片難免會產生交集和重合。現在，CPU依然還是那個CPU，GPU卻可以不是GPU了。

長久以來，GPU與FPGA、ASIC的爭議不斷，它們可分別構成“CPU+GPU”“CPU+FPGA”“CPU+ASIC”的異構計算系統，同時FPGA和ASIC廠商時常將自家產品與GPU算力平行對比，如NVIDIA Tesla A100時常成為“戰力計量單位”，CPU的搶婚者們都在訴說著自己的優勢。

理性而言，GPU、FPGA、ASIC都是配合CPU計算的好能手，對廠商還是下游使用者而言，三者的特性截然不同，雖然可能會在部分應用場景下表現出更強的算力或更好的功耗，但部署過程難免要綜合考慮TCO（總擁有成本）、構建難度、系統兼容度等，很難評判孰強孰弱。

不同計算器件的對比，制表丨果殼硬科技

不過，GPU相對產品成熟，峰值計算能力優異，同時在圖形顯示的地位無可撼動，順理成章地搭上半導體熱潮，成為市場追捧的寵兒。

數據顯示，AI訓練階段，GPU約占64%市場份額，而FPGA和ASIC分別占比22%和14%；推理階段，GPU約占42%市場，而FPGA和ASIC則分別占比34%和24%。［25］

不同應用場景AI芯片性能需求和具體指標［25］

被國外壟斷的格局

GPU不僅在當下是一門空間廣闊的生意，未來更是潛力無限。

根據Verified Market Research數據顯示，從2021年到2030年，GPU將以33.3%的年復合成長率，從330億美元成長至4773億美元。［26］

GPU會按照平臺對功耗負載要求不同，制作成各種規格，如手機中GPU典型功耗為5W，筆記本電腦中典型功耗為150w，臺機能夠到達400W，數據中心全力追求性能。根據功耗大小，市場主要劃分為桌面級和移動級兩種應用。

兩個市場均呈現三足鼎立的態勢：桌面級GPU市場被英偉達、AMD和英特爾所壟斷，移動級GPU市場被Arm、Imagination和高通所壟斷。在軟件層面，上述國外公司也對如CUDA和OpenCL等一系列異構計算標準提供了支持。［27］

桌面級產品方面，面向PC或游戲的圖形卡占大多數市場，擁有50%以上的份額，數據中心。

Jon Peddie Research（JPR）數據顯示，2022年Q2，PC使用的GPU出貨量（包括集成和獨立顯卡）為8400萬塊，其中英特爾GPU市場份額高達68%，主要歸功于英特爾在臺式機/筆記本電腦CPU集成大量核顯；AMD以17%份額居于第二，這家公司既有核顯也有獨顯，但核顯明顯占大頭，獨顯只占整體PC市場約3%；英偉達則主攻獨顯市場，所以雖然看似只有15%市場份額，但基本稱霸獨顯市場。［28］

2022年Q2 PC市場GPU供應情況［28］

英偉達是全球獨立GPU的絕對領導者。初期，英偉達的重心是PC圖形處理業務，此后乘著GPU通用的熱潮，拓展至智能終端、自動駕駛、AI算法等領域。從2022年Q2財報來看，英偉達的主營業務包括游戲GPU、數據中心GPU、專業視覺設計GPU、智能駕駛GPU以及OEM和其他業務，占比依次為30.5%、56.8%、7.4%、3.3%、2%。［29］

為了更好地應對競爭，英偉達每一代顯卡的架構設計變化都非常大。經過統計英偉達每一代架構情況來看，性能提升的核心兩要素流處理器（Streaming Multiprocessor，SM）和緩存（Cache）都有較大設計改動，這是為了在芯片有限的面積、功耗下，不斷調整各種組件配置比例，通過制程工藝迭代，尋求最優解法。［30］

英偉達架構變化［30］

英偉達是GPU概念的提出者，幾乎每一款產品都會引起游戲愛好者、設計者大規模討論。尤其在40系使用了全新Ada Lovelace架構，采用TSMC 4N定制工藝，著色器能力高達83TFlops，有效光線追蹤計算能力達到191TFlops，是上一代產品2.8倍。另有第四代Tensor Cores，FP8張量處理性能高達1.32PFlops，是上一代的5倍。［31］

英偉達30系和40系顯卡匯總，制表丨果殼硬科技

與此同時，英偉達還是數據中心GPU的倡導者。不僅在業界最先推出通用GPU產品，還在2006年發布并行編程模型CUDA。通用GPU與CUDA組成的軟硬件底座，構成了英偉達引領AI計算的根基。［6］

不過，英偉達的這幾個月也不好過。受半導體產業需求持續下滑影響，一度出現財報雪崩、股價大跌的情況。而新發布的40系顯卡也爭議滿滿，導致黃仁勛取消RTX 4080 12GB版本。［32］

AMD的GPU以性價比為主要競爭力。在獨立GPU上，同類產品價格普遍低于英偉達30%左右，在集成GPU上，其包含核顯的APU產品比包含核顯的英特爾CPU更便宜。［33］

核顯方面，據Tom‘s Hardware測試數據顯示，AMD銳龍系列的核顯在諸多游戲中表現優異。［34］

核心顯卡部分性能對比［34］

獨顯方面，AMD一直是英偉達的追趕者，僅從浮點算力來看，與英偉達有一定差距；從性能實際表現來看，與英偉達平分秋色。要說N卡（英偉達）和A卡（AMD）孰強孰弱，暫且沒有任何人能給出定論。［35］

獨立顯卡部分性能對比［35］

在大家的認知中，英特爾跟GPU似乎完全搭不上邊，但實際上它在GPU出貨量上卻是實實在在的老大，得益于其CPU在全球PC市場占據將近七成（包括移動筆記本、臺式機、服務器），其核顯也被順帶進入千行百業。

2009年Q2~2022年Q1全球PC圖形處理單元（GPU）出貨份額（按供應商劃分）［36］

但強如英特爾，也在獨立GPU上屢次折戟。

英特爾在GPU絕對不是新手或是業余選手。這家公司擁有業內最優秀的GPU工程師、最好的晶圓廠、別人只能幻想的銀行賬戶和響徹全球的品牌，甚至已經坐擁全球最大的GPU銷售商的稱號，出貨量比競爭對手的總和還要多。也許，對其他公司來說，有這樣的成就就已經很滿足了，但英特爾20年來，在獨立GPU上的屢屢失意讓這家公司意難平。［12］

1998年，英特爾就曾發布過一款產品Intel i740，這款產品的3D性能表現還不錯，但在ATI、英偉達、S3 Graphics等一眾產品中，只能算合格，無奈也只得暫時放棄獨顯之路。

之后在2009年，英特爾并沒有放棄獨顯的夢，計劃打造Larrabee圖形處理器。要知道，當時的GPU就是將簡單的小計算核心組合起來，而英特爾也剛好手握當年的奔騰一代處理器核心P54C。將這款在當時已有20多年歷史的核心集成起來做成顯卡聽起來容易，但顯然Larrabee研究項目還是給英特爾帶來諸多煩惱，無數次的跳票和研究經費不足的新聞之后，最終計劃宣告失敗。不過，英特爾在Larrabee研究基礎上，發展出了眾核架構（MIC）的Xeon Phi協處理器，并被天河2號所選用，因此英特爾這次也不算白忙活。［37］

2020年，英特爾浴火重生，把獨立顯卡的一切都押注在了新推出的Xe架構上。2022年，英特爾Arc（銳炫）系列顯卡橫空出世，移動、桌面、工作站、數據中心全覆蓋。這次英特爾能不能成功，還是要看后續的市場反饋。

移動級產品方面的故事就不像桌面級GPU那樣豐富多彩了，尤其是在手機、平板、可穿戴設備上，GPU與架構高度綁定，Arm、Imagination、高通Adreno等IP架構各有擁躉，格局恐難巨變。［38］

從產品上來看，聯發科、三星的手機SoC所用GPU IP大部分來自于Arm；蘋果和高通的GPU IP則為自研（蘋果的GPU較大程度沿襲自Imagination）；紫光展銳的手機SoC則使用了Imagination的GPU IP。［39］

智能手機和平板GPU基準測試排名［40］

04

國產GPU有什么機會？

“英偉達的數據中心GPU的價格，貴得驚人，國產還替代不了。”經濟觀察網此前援引從業者的話表示，英偉達A100 GPU售價要三千美金左右，還沒有什么替代，并且在今年6月，英偉達通知對A100 80G GPU芯片漲價20%。

行業早已苦壟斷久矣，近兩年，國內掀起GPU融資潮，項目一個接一個地融資。

從2020年開始，GPU行業融資總額已超過200億元。僅2020年~2021年，通用GPU領域就有近20起融資事件發生，這些公司所追求則主要是桌面級的獨立顯卡市場。據Verified Market Research數據顯示，2020年中國大陸的獨立GPU市場規模為47.39億美元，預計2027年將超過345.57億美元。［41］

為什么國內新創企業獨愛獨立顯卡？一方面，集成型GPU與CPU高度綁定，基本都是CPU廠商進行設計生產，如英特爾和AMD兩家公司的核顯，再如國產CPU廠商龍芯7A2000內部集成的自研GPU［42］；另一方面，獨立顯卡屬高性能器件賽道，不僅技術領先于集成顯卡，而且應用面更寬，反觀集成顯卡大多是作為亮機卡或低負荷的日常卡使用。

目前來看，獲融的初創公司如芯瞳半導體、芯動科技、摩爾線程、天數智芯、壁仞科技均已陸續推出產品，甚至已進入一些整機，龍芯中科、海光信息、寒武紀、芯原股份幾家上市公司也持續耕耘GPU業務（包括集顯和獨顯）。

但總體來看，國產GPU產品仍處在起步階段，缺乏應用場景，產品性能與英偉達、AMD產品有一定差距，軟件和生態較難競爭。雖然優勢并不明顯，但在國際間不可抗力因素驅使下，國內不得不考慮國產平替問題。

國內GPU融資上市情況，制表丨果殼硬科技 參考資料丨《科創板日報》［43］、首創股份［44］

為什么GPU會如此吸金？因為GPU真的很難設計和制造，它與CPU并稱兩大最難芯片。行業人士一致認為，造GPU比造CPU還難，對運算性能、安全性、穩定性要求極高，要復雜完整的系統設計，才可能完成。［45］

國產GPU還有哪些困境和機遇？果殼硬科技團隊認為：

先確定做什么

實際上，GPU在不同應用場景，也有不同的要求，選好切入點至關重要。目前來說，主要包括AI人工智能、FP雙精度浮點運算和圖形渲染三類產品，其中圖形渲染最難。［46］

另外，還要考慮算力成本。在如今動不動幾納米的制程工藝下，半導體生產必然存在良率問題，很難做到分毫不差。考慮到納米制程越小代工難度越大，全部都追求最好最穩定并不現實，同時最終成本也會反應在消費端，想立足市場就要考慮算力成本，為不同需求的客戶提供多種可選項。［47］

英偉達以刀法精準著稱。其GPU會在生產初始階段，掃描流處理器壞區并將這些電路關閉，根據壞區多少分為三六九等，質量高且穩定的核心便是價格更高的數據中心處理器，質量不錯但相對次之的便分別出貨給4090、4080［30］。這樣的好處是既能做到數據中心、工作站、個人計算機的低中高端全覆蓋，又能給不同需求的提供不同的成本選項。

英特爾、AMD、英偉達官網顯示，三家的產品不僅價格檔位分類清晰，也覆蓋諸多場景。反觀國內GPU廠商，也主要分為數據中心GPU和消費級GPU兩個檔位，但起步階段尚不能覆蓋全部場景。

比CPU更難

為什么國產難以攻破GPU？

首先，GPU專利壁壘極高，專利全球布局重心在美國，國際巨頭可以通過規模效應分攤研發成本，不斷在專利上埋雷，限制競爭對手發展。

其次，由于GPU沒有控制器，需要依賴CPU控制調用，無法單獨工作，因此國產GPU必須與國產CPU同頻共振。

從技術實現難度來看，GPU是一種比CPU還要難開發的芯片，國內缺乏領軍人物和工程師，一個經驗豐富的工程師至少要在大廠鍛煉10年以上。從目前國產企業情況來看，創始團隊基本均有英偉達、AMD的工作經驗。［25］

除此之外，軟件生態也是GPU的另一個門檻，軟件決定了GPU生態的能力上限，也是充分釋放硬件能力的必要條件［47］。英特爾也有類似的觀點，他們表示基于GPU構建的軟件生態，將為不同負載開發芯片提供解決之道，考慮到高性能計算、人工智能和游戲等諸多領域需求，軟件生態需要以高度協同的方式不斷演進。［47］

芯片可編程性不是決定性因素

《中國科學》一篇論文中指出［48］，有人將芯片可編程性當作芯片普及的重要指標，并表示不容易編程的芯片就不會在市場上取得成功。判斷邏輯就是簡單的“編程性不好=不好用=用的人少=市場小=失敗”。

實際上，DSP也好、NPU也好、還是以CUDA為代表的GPU等處理器芯片，在編程上都是有具有門檻的，但這并不妨礙它們擁有每年數千萬顆的出貨量和數百億美金的市場容量。

編程本來就是專業人士才要考慮的問題，對GPU來說，編程的難易程度不會直接影響市場需求的規模，性能、功耗、性價比才是拿下市場的關鍵。

消費電子需求下行影響

半導體行業在近期已進入第十七次下行階段，市場對GPU需求走弱，英偉達、AMD獨立GPU均受到較大波及。

除此之外，GPU在此前之所以出現價格瘋漲和缺貨漩渦，一方面，是線上辦公模式的興起，另一方面，是它不務正業的應用，挖礦。反觀現在發展態勢，線上辦公紅利期早已結束，加之加密貨幣亂象已終止，AMD也在財報中坦言其獨立GPU業務受挖礦影響較大。

按照這種邏輯來看，國產GPU大多數量產時間均處于下行周期內，且缺乏大規模應用契機，將會迎接不小的市場考驗。

何解？

一種解法是劍走偏鋒，逆向投資。果殼硬科技曾在歷史文章《半導體跑步進入大過剩時代》中提到，半導體行業存在逆向投資的策略。如三星半導體三次在全球半導體市場走弱的情況下逆向投資，擴大產能，擊敗美國、日本、歐洲玩家，在DRAM芯片市場拿下超40%份額，穩坐頭把交椅。

另一種解法是抓住現有空間，撐到市場反漲。現如今，算力成為重要生產力，每12個月便會增長一倍，同時每投入1元在算力上，就能帶動3～4元的GDP經濟增長，因此才會有東數西算這種重要策略。國產需要抓住現有機遇，期待下一個半導體上行周期。［49］

國產GPU需要更多時間沉淀

與此同時，國內GPU也存在一些有趣的現象。

科工力量曾指出，為了在宣傳中超越英偉達，國產GPU存在田忌賽馬式比拼，如某款標榜超越國際旗艦級算力的GPU，卻不支持雙精度浮點運算，只能用于人工智能方向。［50］

問芯Voice指出，號稱國產GPU有名不副實的情況，一種是內建AI加速器來跑個別性能指標的分數，并以此宣傳超過英偉達，但實際上AI應用覆蓋的是千行百業，不可能只為了跑一兩個性能指標，一顆好芯片的關鍵是通用性［51］；另一種是使用第三方的GPU IP授權，并宣稱是自研自主可控。［52］

事實上，半導體行業從來都不是浮躁心態的短線交易，而是一個需要長期技術沉淀與大魚吞小魚式洗牌的過程。對于難度極高的GPU，國產更需平心靜氣，超越英偉達并非一兩日的易事。

審核編輯 ：李倩