AI芯片行業(yè)市場分析

AI芯片行業(yè)市場分析1AI芯片——人工智能的基石1.1AI大模型推動算力需求爆發(fā)AI已經進入了“大模型”時代。自2018年GPT-1.0模型首次發(fā)布以來，OpenAI不斷迭代模型，最近發(fā)布了GPT-4.0模型，它擁有更大的參數量、更長的迭代時間和更高的準確性。隨著人工智能的快速發(fā)展，算力的提升也被加速推動。人工智能非常依賴于相關基礎設施，包括計算、儲存和網絡等。隨著數據不斷增長和算法復雜度提高，人工智能對計算力提出了更高的要求。全球人工智能算力基礎設施產業(yè)正在加速發(fā)展，為人工智能技術在更廣泛場景中落地創(chuàng)造可能。釋放算力的價值對國家整體經濟發(fā)展將發(fā)揮推動作用。計算力指數每提高1點，數字經濟和GDP將分別增長3.5‰和1.8‰?？梢?，國家計算力指數越高，對經濟的拉動作用越強。在業(yè)界，人工智能的應用產生了很多需求，其中最直接的賽道是企業(yè)數字化轉型。據IDC統(tǒng)計，全球范圍內，企業(yè)在人工智能（AI）市場的技術投資從2019年的612.4億美元增長至2021年的924.0億美元，預計到2022年（同比）將增長26.6%至1,170.0億美元，并有望到2025年突破2,000億美元，增幅高于企業(yè)數字化轉型（DX）支出整體增幅。中國的智能算力規(guī)模正在快速增長。算力是實現人工智能產業(yè)化的核心力量，其發(fā)展對人工智能技術的進步和行業(yè)應用起著決定性作用。隨著人工智能向多場景化、規(guī)?；⑷诤匣雀邞秒A段發(fā)展，數據體量呈現出急劇增長態(tài)勢，算法模型的參數量也呈指數級增加，以加速計算為核心的算力中心規(guī)模將不斷擴大。在科技興國政策驅動下，人工智能在提升中國核心競爭力的重要支撐作用得以確立。結合新基建、數字經濟等利好政策，中國人工智能市場穩(wěn)中有進，凸顯在數字經濟時代中技術的力量。據IDC預測，到2022年，中國的智能算力規(guī)模將達到268.0EFLOPS，超過通用算力規(guī)模。預計到2026年，智能算力規(guī)模將進入ZFLOPS級別，達到1,271.4EFLOPS。在2021-2026年期間，中國的智能算力規(guī)模年復合增長率預計將達到52.3%，而同期通用算力規(guī)模的年復合增長率為18.5%。根據《IDC中國服務器市場季度跟蹤報告》及CPU雙精度（FP64）運算能力數據，測算了中國通用算力規(guī)模。2021年中國通用算力規(guī)模達47.7EFLOPS，預計到2026年通用算力規(guī)模將達到111.3EFLOPS。2021-2026年期間，預計中國智能算力規(guī)模年復合增長率達52.3%，同期通用算力規(guī)模年復合增長率為18.5%。中國人工智能的發(fā)展正在向城市覆蓋面更廣泛的地區(qū)擴展。未來預計將涌現出更多具有城市特色的人工智能示范區(qū)，為產業(yè)發(fā)展樹立標桿。根據2022年中國人工智能城市排行榜顯示，北京排名第一，杭州、深圳、上海和廣州分別位居第二到第五名，這些城市均為發(fā)展較好、經濟水平高的一、二線城市，而天津、成都和南京等城市則進入了前十名。不同地區(qū)都在提升城市算力基礎設施水平的同時，也推動產業(yè)智能化的發(fā)展以適應自身的發(fā)展需求。1.2高算力需求催生AI芯片興起面向人工智能領域的芯片均被稱為AI芯片。廣義而言，AI芯片指的是專門用于處理人工智能應用中大量計算任務的模塊，除了以GPU、FPGA、ASIC為代表的AI加速芯片，還有比較前沿性的研究，例如：類腦芯片、可重構通用AI芯片等。狹義的AI芯片指的是針對人工智能算法做了特殊加速設計的芯片?！盁o芯片不AI”，以AI芯片為載體實現的算力是人工智能發(fā)展水平的重要衡量標準，發(fā)展更注重超速運算能力的AI芯片成為推動人工智能產業(yè)爆發(fā)的關鍵核心要素之一，其快速發(fā)展對人工智能技術的進步和行業(yè)應用起到了決定性的作用。AI芯片的興起源于AI對算力的高需求。算力是實現AI產業(yè)化的核心力量，隨著人工智能應用場景的不斷拓展和數據規(guī)模的急劇增長，算法模型的參數量呈指數級增加，特別是深度學習成為當前AI研究和運用的主流方式，加速計算成為不可或缺的需求。雖然CPU可以拿來執(zhí)行AI算法，但因為內部有大量其他邏輯，而這些邏輯對于目前的AI算法來說是完全用不上的，所以，使用CPU并不能達到最優(yōu)的性價比。因此，AI芯片應運而生，它們被設計出來適配海量并行計算能力，進而可以加速AI計算。AI芯片的維度。以部署位置（云端、終端）和承擔任務（訓練、推理）為橫縱坐標，可以清晰的劃分出AI芯片的市場領域。根據部署的位置不同，AI芯片可以分為：云AI芯片、端AI芯片。云端即數據中心，在深度學習的訓練階段需要極大的數據量和大運算量，單一處理器無法獨立完成，因此訓練環(huán)節(jié)只能在云端實現。云AI芯片的特點是性能強大、能夠同時支持大量運算、并且能夠靈活地支持圖片、語音、視頻等不同AI應用?；谠艫I芯片的技術，能夠讓各種智能設備和云端服務器進行快速的連接，并且連接能夠保持最大的穩(wěn)定。終端即手機、安防攝像頭、汽車、智能家居設備、各種IoT設備等執(zhí)行邊緣計算的智能設備。終端的數量龐大，而且需求差異較大。端AI芯片的特點是體積小、耗電少，而且性能不需要特別強大，通常只需要支持一兩種AI能力。根據承擔任務的不同，AI芯片可以分成：訓練芯片、推理芯片。訓練芯片主要用于構建神經網絡模型，即用大量標記過的數據來“訓練”相應的系統(tǒng)，使之可以適應特定的功能。訓練需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。對于訓練芯片來說，更注重絕對的計算能力；推理芯片主要用于利用神經網絡模型進行推理預測，指利用訓練好的模型，使用新數據推理出各種結論。即借助現有神經網絡模型進行運算，利用新的輸入數據來一次性獲得正確結論的過程。推斷芯片更注重綜合指標，需要全面考慮單位能耗算力、時延、成本等等。以部署位置（云端、終端）和承擔任務（訓練、推理）為橫縱坐標，可以清晰的劃分出AI芯片的市場領域。1.3GPU為當前AI芯片領導者在短期中，GPU仍延續(xù)AI芯片的領導地位，FPGA增長較快。GPU短期將延續(xù)AI芯片的領導地位。目前GPU是市場上用于AI計算最成熟應用最廣泛的通用型芯片，在算法技術和應用層次尚淺時期，GPU由于其強大的計算能力、較低的研發(fā)成本和通用性將繼續(xù)占領AI芯片的主要市場份額。在長期中，三大技術路線互補，會長期并存。GPU因為高性能計算能力較強，在設計方面通用性強，可以高效完成不同調用需求，適合主攻高級復雜算法和通用型人工智能平臺；FPGA受益于獨一無二的靈活優(yōu)勢，適用于變化多的垂直細分行業(yè)，開發(fā)周期遠小于設計一款通用芯片；ASIC芯片則是全定制芯片，長遠看適用于人工智能，因為算法復雜度越強，越需要一套專用的芯片架構與之對應。在未來，當人工智能技術、平臺和終端的發(fā)展達到足夠成熟度，人工智能應用的普及程使得專用芯片能夠達到量產水平，此時ASIC芯片的發(fā)展將更上一層樓。第一波人工智能浪潮是基于ASIC（專用集成電路）架構。在算法穩(wěn)定的情況下，專用芯片的性能和功耗優(yōu)勢顯而易見，能夠滿足企業(yè)對極致算力和能效的需求。然而，下游AI算法的演進速度遠遠超過了人們的想象。專用芯片在特定場景下能夠實現更高的算力和能效，但難以適應算法種類快速增加和迭代速度的情況。因此，通用性更強的GPGPU（通用圖形處理器）長期是AI芯片的首選。第二波浪潮中主流技術路徑是GPGPU（通用GPU）。國內初創(chuàng)公司集中于2017年-2020年期間啟動自研GPGPU芯片的研發(fā)。由于GPGPU難解高功耗與低算力利用率問題，ASIC和GPGPU在應對生成式AI及大模型正對算力基礎設施提出的新要求時都顯得有些捉襟見肘。第三波浪潮的基礎是存算一體等新興技術。不同于ASIC與GPGPU，這些新興技術路線跳出了馮·諾依曼架構體系，理論上擁有得天獨厚的高能效比優(yōu)勢，又能繞過先進制程封鎖，兼顧更強通用性與更高性價比，算力發(fā)展空間巨大。隨著新型存儲器件走向量產，存算一體AI芯片已經挺進AI大算力芯片落地競賽。全球人工智能芯片市場高速增長。由IDC預計，到2025年人工智能芯片市場規(guī)模將達726億美元。人工智能芯片搭載率（attachrate）將持續(xù)增高，目前每臺人工智能服務器上普遍多配置2個GPU，未來18個月，GPU、ASIC和FPGA的搭載率均會上升。IDC數據顯示，2022年加速服務器市場規(guī)模達到67億美元，同比增長24%。其中GPU服務器依然是主導地位，占據89%的市場份額，達到60億美元。同時NPU、ASIC和FPGA等非GPU加速服務器以同比12%的增速占有了11%的市場份額，達到7億美元。雖然NPU、ASIC、FPGA在市場上的占比相對較低，分別為9.6%、1.0%、0.4%，但它們在特定領域的應用和發(fā)展?jié)摿Σ豢珊鲆?。隨著人工智能技術的不斷深入和應用場景的多樣化，AI芯片市場的競爭和格局也將會不斷發(fā)生變化。中國市場呈現出顯著的增長趨勢。根據市場規(guī)模分析，隨著越來越多企業(yè)將人工智能應用于終端產品，人工智能芯片的需求快速增長。AI芯片廣泛應用于云計算、數據中心、邊緣計算、消費電子、智能制造、智能駕駛、智能金融及智能教育等領域。近年來，我國的AI芯片行業(yè)備受關注，不斷涌現出新的生產設計商，市場規(guī)模也不斷擴大。據數據顯示，2021年我國AI芯片市場規(guī)模達到427億元，同比增長124%。預計到2023年，市場規(guī)模將進一步擴大至1206億元。2突圍國外巨頭圍獵，國產替代初迎曙光2.1國內外AI芯片差距較大，科技巨頭展開布局決定計算能力的關鍵是芯片。中美兩國人工智能領域的競爭，算法主要看設計團隊的智慧和靈感，雙方沒什么差距；大數據資源中國占據絕對優(yōu)勢；大數據分析技術雙方相近；但決定人工智能產品表現的關鍵要素還包括“算力”，通俗描述就是“運算能力、計算能力”。計算能力是計算機的核心能力，這也是中美兩國在超級計算機領域競爭多年的原因之一。在AI芯片領域，國外芯片巨頭占據了大部分市場份額。全球范圍內主要布局人工智能芯片的廠商有Intel、NVIDIA、Qualcomm、Google等。無論是在人才聚集、公司合并等方面，都具有領先優(yōu)勢。特別是美國的巨頭企業(yè)，憑借著多年在芯片領域的領先地位，迅速切入AI領域并積極布局，目前已經成為該產業(yè)的引領者。此外，在GPU和FPGA方面，它們更是處于完全壟斷地位。我國AI芯片產業(yè)起步較晚，技術上與世界先進水平也還存在著較大的差距。國內AI芯片市場也較為分散，集中度低。隨著數字經濟的興起，人工智能已經深入滲透到各個行業(yè)，特別是在互聯(lián)網等科技公司中更為普及。這些公司對于計算機軟件技術和存儲設備的要求極高，因此對于底層技術的布局和提升更為重視，尤其是在人工智能芯片領域。國內各科技巨頭都在這個領域展開布局。例如，百度于2011年成立了昆侖芯，開始探索芯片領域；阿里巴巴在2018年成立了平頭哥，專注于AI芯片市場。華為一直在人工智能芯片領域進行布局，早在2017年就推出了基于神經網絡處理器的Ascend芯片，主要面向人工智能推理場景。2019年，華為又推出了面向全場景的AscendAI處理器，具有更高的性能和更廣泛的適用性，可應用于智能手機、云計算、自動駕駛等多個領域。此外，華為還推出了AtlasAI計算平臺，提供完整的AI計算框架，以支持用戶進行高效的AI開發(fā)。華為在人工智能芯片領域的不斷投入和創(chuàng)新，使其成為全球領先的人工智能技術供應商之一。國內AI芯片廠商以中小公司為主，多集中于設備端AIASIC的開發(fā)，并已有所建樹。其中寒武紀成為全球AI芯片領域第一個獨角獸初創(chuàng)公司，其NPUIP已被應用于全球首款手機AI芯片——麒麟970。全球GPU領域處于寡頭壟斷的局面。近年來GPU市場由英特爾、英偉達和AMD三分天下，其中英特爾的市場占比份額在60%以上，其次是英偉達和AMD。英特爾的身位領先主要得益于在家用機的集成GPU芯片市場的絕對主導地位，而在AI及高性能計算方面，則英偉達憑借其自身CUDA生態(tài)占據絕對主導地位。從細分市場來看，英偉達和AMD在獨立GPU芯片市場基本包攬全場，英特爾占比極小。國產GPU在性能方面與國際領先水平的差距在加速縮小。在圖形渲染GPU方面，景嘉微的JM9系列圖形處理芯片將支持OpenGL4.0、HDMI2.0等接口，以及H.265/4K60-fps視頻解碼。其核心頻率至少為1.5GHz，配備8GB顯存，浮點性能約1.5TFlops，與英偉達GeForceGTX1050相近。雖然景嘉微的產品與國際尖端GPU存在著極大的差距，但作為一顆由中國企業(yè)完全獨立研發(fā)、采用正向設計、具有自主知識產權的GPU，已經有長足的進步。GPGPU方面，國內外廠商仍存在較大差距。制程方面，目前Nvidia已率先到達4nm，國內廠商多集中在7nm；算力方面，國內廠商大多不支持雙精度（FP64）計算，在單精度（FP32）及定點計算（INT8）方面與國外中端產品持平；生態(tài)方面，與NvidiaCUDA的成熟生態(tài)相比，差距較為明顯。海光DCU系列產品以GPGPU架構為基礎，兼容通用的“類CUDA”環(huán)境以及國際主流商業(yè)計算軟件和人工智能軟件，對標目前國際主流NVIDIAA100產品，海光DCU單芯片產品基本能達到其70%的性能水平，但是公司DCU產品的片間互聯(lián)性能還有較大的提升空間。FPGA發(fā)展機遇大。與其他AI芯片相比，FPGA芯片開發(fā)門檻較高，前期需要投入大量資源，存在壁壘。全球FPGA芯片市場主要由賽靈思和Altera針鋒相對，共占據77%的份額，其中賽靈思以52%的份額領先。剩下的約10%的市占率則由Lattice和Microsemi瓜分，呈現“兩大兩小”的格局。中國FPGA廠商仍處于起步階段，但是隨著5G、AI產業(yè)化帶來的巨大需求，國內FPGA企業(yè)技術有望不斷實現突破，迎來快速成長。ASIC國產替代正當時。ASIC市場未形成壟斷，國產廠商仍存在可觀的機會搶占市場。2.2人才+資本雙驅動，AI芯片國產化有望加速美國“卡脖子”加速AI芯片國產化。美國從2018年開始的反華貿易戰(zhàn)和科技封鎖戰(zhàn)，以及三年疫情的疊加影響，對我們高科技產業(yè)的發(fā)展造成了一定的影響。美國陸續(xù)收緊中國獲得國際先進芯片的能力，不僅限制中國進口尖端芯片，還限制中國獲得最新的芯片生產工具。同時，在芯片設計制造領域，中國也缺乏設計軟件，先進制程及設備與世界領先水平之間有差距，非常依賴進口。中國在FPGA、GPU領域缺乏有競爭力的原創(chuàng)產品，只是基于FPGA/GPU做進一步開發(fā)，這主要與我國在芯片領域一直缺乏關鍵核心自主技術有關，FPGA/GPU的技術壁壘已很高，很難有所突破。為了打破以美國為首的國家的技術封鎖和制裁，中國對AI芯片領域的資源投入不斷走高。人才缺口仍然較大，國家對于教育資源的投入也不斷增加。中央及各地方政府出臺了多個人才培養(yǎng)與引進相關政策；在2018-2021年，超過300所高校開設了人工智能專業(yè)；部分企業(yè)也開始與高校進行合作，以產學研合作教學模式共同培養(yǎng)綜合能力突出的優(yōu)質人才。但是目前來看，相關企業(yè)在人才招聘中仍然遇到阻礙，其中人才缺乏、成本高是主要的問題。根據工信部人才交流中心發(fā)布的數據顯示，人工智能不同技術方向崗位的人才供需比均低于0.4，其中人工智能芯片崗位人才供需比為0.32，機器學習、自然語言處理等技術人才供需僅0.2。當前，中國數字化的變革方向驅動了底層技術的逐漸提升，國際影響力也在逐年上漲，同時，在大數據、芯片設計及應用落地方面，逐步建立起了優(yōu)勢地位。產業(yè)發(fā)展也吸引更多海外人才回國創(chuàng)業(yè)、就業(yè)。中國人工智能芯片市場在政策的引導支持下持續(xù)快速發(fā)展。芯片產業(yè)是信息產業(yè)的核心部件與基石。當前，我國芯片高度依賴進口非常不利于國家安全與行業(yè)發(fā)展。因此，近年來國家高度關注人工智能芯片產業(yè)的發(fā)展，發(fā)布一系列產業(yè)支持政策，為人工智能芯片行業(yè)建立了優(yōu)良的政策環(huán)境，促進行業(yè)的發(fā)展。2021年，《“十四五”規(guī)劃綱要和2035年遠景目標綱要》指出，“十四五”期間，我國新一代人工智能產業(yè)將聚焦高端芯片等關鍵領域。從國家戰(zhàn)略高度為人工智能芯片行業(yè)建立了優(yōu)良的政策環(huán)境。各地方也根據各自的背景與條件，發(fā)布促進和扶持人工智能產業(yè)發(fā)展的方案方針。截止2021年9月，包括北京、天津、上海、江蘇、福建等20余省、市、地區(qū)發(fā)布人工智能相關政策，進一步支持引導人工智能及芯片產業(yè)發(fā)展。資本持續(xù)進入AI芯片市場，單筆投資投資規(guī)模在不斷走高。截止2022年1月，2021年中國人工智能芯片相關領域融資事件共計92起，總金額約300億人民幣。企業(yè)方面，中國的科技巨頭如百度、阿里巴巴、華為等都在人工智能芯片領域進行了大量的投資。此外，還涌現出了許多專注于人工智能芯片研發(fā)的創(chuàng)業(yè)公司，如寒武紀、HorizonRobotics、Cambricon等。這些創(chuàng)業(yè)公司大多得到了風險投資機構的支持，如IDG、高瓴資本、啟明創(chuàng)投等。中國的人工智能芯片市場投資情況非?；钴S，政府、企業(yè)和風投機構都在加大對人工智能芯片領域的投入。這也進一步促進了中國人工智能產業(yè)的發(fā)展和創(chuàng)新。3國內AI芯片上市公司開啟國產替代征程3.1海光信息：國產CPU+DCU龍頭海光信息主要從事高端CPU、DCU等計算芯片產品和系統(tǒng)產品服務。公司成立于2014年，總部設于天津，于2022年8月在科創(chuàng)板上市。公司核心技術儲備較為雄厚，已經掌握了如高端處理器核心微結構設計、高端處理器SoC架構設計、處理器安全、處理器驗證等關鍵技術。同時，海光信息也建立了完善的高端處理器研發(fā)環(huán)境和流程，產品性能逐代提升，綜合競爭力較強。海光CPU產品性能在國產CPU中較為領先。海光CPU系列產品是在x86指令集的基礎上建立的，性能優(yōu)異，生態(tài)成熟，安全可靠，得到了下游用戶的一致認可，已經廣泛應用于電信、金融、互聯(lián)網、教育、交通等重要行業(yè)。目前，海光CPU系列產品海光一號、海光二號、海光三號已經實現商業(yè)化應用，海光四號、海光五號處于研發(fā)階段。公司于2020年發(fā)布的海光7285CPU擁有32核心、64線程、2.0GHz主頻，保證了運算速度；128PCIe通道保證了帶寬，在系統(tǒng)交互方面具備優(yōu)勢；DDR4相比DDR3在提高傳輸速度的同時降低功耗。持續(xù)加大研發(fā)投入，產品線不斷豐富。海光信息秉承“銷售一代、驗證一代、研發(fā)一代”的產品研發(fā)策略，已經建立完善的高端處理器的研發(fā)環(huán)境和流程，產品性能逐代提升，功能不斷豐富。2022年，海光信息研發(fā)費用為14.14億元，營收占比高達27.59%。3.2寒武紀：ASIC路線先行者寒武紀成立于2016年3月，致力于打造人工智能領域的核心處理器芯片，讓機器更好地理解和服務人類。寒武紀聚焦云邊端一體的智能生態(tài)，進行應用于各類云服務器、邊緣計算設備、終端設備中人工智能核心芯片的研發(fā)、設計和銷售，為客戶提供豐富的芯片產品與系統(tǒng)軟件解決方案。寒武紀的主要產品包括終端智能處理器IP、云端智能芯片及加速卡、邊緣智能芯片及加速卡、配套的基礎系統(tǒng)軟件平臺等。產品布局全面覆蓋云端、邊緣端和終端場景。22年寒武紀的云端產品線思元290、思元370等產品成功導入了阿里云等多家頭部客戶。云端訓練新品思元590芯片快速迭代中，該芯片浮點運算能力較上一代290產品有較大提升，云端產品線有望更進一步。在上游，寒武紀與EDA廠商、晶圓供應商、封測廠商等保持良好的溝通與互動，保證寒武紀能持續(xù)獲取最新的技術和最好的服務支持；在下游，寒武紀與應用生態(tài)合作伙伴協(xié)同合作，形成一系列解決方案，更好地解決行業(yè)用戶的需求，積極實現新客戶的拓展。目前公司產品廣泛服務于知名芯片設計公司、服務器廠商和產業(yè)公司，輻射互聯(lián)網、云計算、能源、教育、金融、電信、交通、醫(yī)療等行業(yè)的智能化升級。智能芯片支撐多應用場景。寒武紀面向云端、邊緣端、終端推出了三個系列不同品類的通用型智能芯片與處理器產品，分別為終端智能處理器IP、云端智能芯片及加速卡、邊緣智能芯片及加速卡。3.3景嘉微：軍用為基，民用突破長沙景嘉微電子股份有限公司成立于2006年4月，業(yè)務聚焦于圖形顯控，小型專用化雷達領域的核心模塊及系統(tǒng)級產品，主要從事高可靠電子產品的研發(fā)、生產和銷售。圖形顯控是公司現有核心業(yè)務，也是傳統(tǒng)優(yōu)勢業(yè)務，小型專用化雷達和芯片是未來大力發(fā)展的業(yè)務方向。公司在軍品市場具有較大的競爭優(yōu)勢。公司的軍工業(yè)務主要分為圖形顯控領域產品和小型專用化雷達領域產品。軍工行業(yè)是行業(yè)壁壘較高，先發(fā)優(yōu)勢比較明顯的行業(yè)。在圖形顯控模塊領域，公司依托自身強大的自主研發(fā)力量率先研制出使中國擺脫外商依賴的M9GPU芯片，此后又研制出基于M9、M72和M96的系列開發(fā)平臺和系列產品線，極大提高了自身在市場上的核心競爭力。在GPU研發(fā)的先發(fā)優(yōu)勢帶動下，其圖形顯控模塊目前在國內機載航電系統(tǒng)圖形顯控領域占據大部分市場份額，具有較為強大的競爭優(yōu)勢。GPU向信創(chuàng)及民用市場滲透，打破國外芯片的市場壟斷。景嘉微研制出的M9芯片驅動程序擺脫了機載航電系統(tǒng)對外商的依賴，并且通過JM5400為代表的的圖形芯片打破國外芯片在我國軍用GPU領域的壟斷，實現巨農GPU國產化。除了上述軍用領域的產品，景嘉微以JM5400研發(fā)成功為起點，不斷研發(fā)更為先進且適用更為廣泛的一系列GPU芯片。民用領域不斷突破。子公司景美集成是國內首家成功研制國產GPU芯片并實現大規(guī)模工程應用的企業(yè)。近期，景美JM9系列GPU與歐拉開源操作系統(tǒng)完成相互兼容性測試認證，與浩辰CADLinux版V2023軟件完成產品兼容互認證，意味著景美JM9系列GPU的國產適配生態(tài)版圖進一步擴大。截至目前，景美系列芯片已完成與飛騰、龍芯、海光、兆芯、鯤鵬、麒麟等國內主要CPU和操作系統(tǒng)廠商的適配工作，支持昆侖、百敖等國產固件，與國內眾多主流計算機整機廠商建立了合作關系。4創(chuàng)業(yè)公司紛紛入局，與多方建立合作4.1沐曦科技沐曦于2020年9月成立于上海，致力于為異構計算提供全棧GPU芯片及解決方案，可廣泛應用于人工智能、智慧城市、數據中心、云計算、自動駕駛、數字孿生、元宇宙等前沿領域，為數字經濟發(fā)展提供強大的算力支撐。打造全棧GPU芯片產品，知識產權完全自主。沐曦推出MXN系列GPU（曦思）用于AI推理，MXC系列GPU（曦云）用于AI訓練及通用計算，以及MXG系列GPU（曦彩）用于圖形渲染，滿足數據中心對“高能效”和“高通用性”的算力需