GPU的技术壁垒到底有多高？景嘉微之实力体现

GPU的技术壁垒到底有多高？——强如Intel，可望不可即

1. 投资策略

GPU技术壁垒极高，国产化之路道阻且长。GPU设计是一项系统工程，包含硬件架构、算法、软件生态等多个组成，缺一不可，壁垒极高，CPU巨头Intel近二十年多次尝试踏足高端GPU领域，皆未成功。相对于FPGA和ASIC，不论是从功能上，还是硬件上，GPU设计难度都更高。GPU的自主研发之路是艰难且漫长的，由于没有像ARM一样的第三方IP授权厂商，GPU设计商必须完全自主研发，从零做起，难度较大。国内唯一一家实现GPU大规模商用生产的厂商景嘉微，技术完全自主研发，产品性能领先。

2. 为什么GPU这么难做？

GPU的设计，是一个系统工程，需要硬件、算法、生态相互勾稽支持，才能显示出最强的性能。

2.1. 硬件结构精密复杂

GPU硬件构成极其复杂，仿若浩瀚的宫殿。高级图形处理是十分复杂的流程，主要包括：

1）顶点处理，读取描述3D图形外观的顶点数据，建立3D图形骨架

2）光栅化，把一个矢量图形转换为一系列像素点

3）纹理贴图，将多边形的表面贴上相应的图片

4）最终输出，由ROP（光栅化引擎）最终完成像素的输出。

支持这些强大功能的，是硬件层的复杂系统结构，几乎每一步都有专门的硬件单元支持。我们以英伟达采用Turing架构的TU102 GPU为例，它包含4608个CUDA Core（普通运算单元，包含1个INT32单元和1个FP32单元），576个Tensor Core（深度学习矩阵运算单元），72个RT Core（光追单元）等细微构成，相互协同工作，完成复杂的并行运算。

每个硬件单元之间的协同调度都是长期改进的结果，是工程技术的积淀。GPU复杂而精密的硬件结构不是一蹴而就的，是经过数十年不断改进而来的。从英伟达2010年发布第一个完整的GPU计算架构Fermi以来，英伟达架构每两年更新一次，不断改进原有架构，加入新的单元，才造就如今英伟达GPU的霸主地位。如2012年加入了GPUDirect技术，对计算进行加速；2014年强化了计算核心；2016年加入了NVlink，实现了多GPU协同工作；2017年加入了Tensor Core用于深度学习，2018年加入了RT Core，在硬件上支持了光追技术等。

2.2. 软件技术与生态攀枝错节

图形渲染要用到计算图形学。计算机图形学主要研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。计算图形学是一个广泛的学科，其中包括物理模拟、模型处理和渲染，需要运用大量的数学和物理知识。

GPU巨头积累了大量的算法库。模拟真实世界是十分困难的，树叶抖动、头发丝被风吹起、水波荡漾这样看似平常的场景，在计算机上实现的背后是大量的图形算法。英伟达除了硬件上对图形计算做了支持，在算法上也进行相应配合，积累了大量的算法库，例如光追技术，NVIDIA不仅在硬件上加入了RT Core，对光影计算算法也进行了大量研究，最终才显现出了逼真的光影效果。

软件生态构建一：与行业伙伴形成合作，互相授权。英伟达与微软的DirectX图形接口适配，实现对在Windows上运行的游戏支持；与Autodesk，Adobe等工商业软件商达成合作，支持其基于英伟达最新产品进行算法开发；与各种游戏厂商达成协议，让游戏开发使用英伟达最先进的技术，同时，英伟达支持其新版游戏运行在其产品；与Intel相互授权，允许Intel售卖搭载英伟达GPU的产品。

软件生态构建二：构建开发者生态社区。2006年，英伟达推出了兼具图形显示和AI计算的GPU，同时发布了具有划时代意义的CUDA计算平台，该平台让开发者可以便捷的使用GPU进行深度学习开发。刚开始市场并不接受，但英伟达颇具战略眼光地采取了一系列措施推广CUDA，学术上，鼓励高校和研究所用CUDA从事GPU相关研究工作，设立CUDA研发中心；商业上，资金支持创业公司使用CUDA；内容上，开源许多软件库，吸引开发者；硬件上，即使是便宜的Gefore游戏卡也支持CUDA，把CUDA的入门设备降到千元级别。CUDA逐渐成为高端计算和图形领域的权威标准，一举奠定了英伟达的霸主地位，现在，CUDA在全球的影响堪比IOS，即使AMD的GPU和英伟达GPU性能相差不多，但是在人工智能领域的受欢迎的程度却有天壤之别。

2.3. 图形显示技术壁垒高于AI计算

硬件结构上，图形显示功能模块更多。图形处理和高性能计算本质都是大规模的矩阵运算，但是图形处理需要专门针对于图像处理的硬件单元，如光栅处理单元，纹理单元，光线追踪核心等，硬件结构更为复杂。从功能模块上来看，AI计算芯片可以看作具有图形显示功能GPU的“删减版”。

算法上，图形处理需要涉及计算图形学，要求更高。AI计算，主要是解决数学问题，而图形处理需要涉及计算机图形学，计算图形学涉及物理模拟、模型处理、渲染等步骤，需要综合物理、光学等多个学科，算法难度更高。

2.4. GPU比FPGA和ASIC更强也更难

GPU通用性最强，应用最广。GPU芯片硬件结构为多核并行结构，计算通用性最强，适用于单指令多线程的多种算法。FPGA灵活性最高，可以实现硬件编程，但是单核性能上不如GPU。ASIC专为特定算法设计，性能极致优化，但灵活性较差，算法一旦改变，性能大幅下降。目前深度学习算法尚未固定，GPU应用最为广泛，需求最大。

GPU研发更难。功能上，GPU兼具图形显示与AI计算，性能更强。相比于纯做FPGA和ASIC，GPU还具有图形显示功能，硬件结构更为复杂。图形显示模块涉及到物理、数学等多个学科，算法和硬件单元设计难度更高。算力上，GPU内核算力更强。GPU做图形渲染需要双浮点精度，而仅用于AI计算的FPGA和ASIC最多只需要单浮点精度，GPU单核算力高于FPGA和ASIC。

2.5. GPU研发是一条孤独的奋斗之路

GPU的研发是没有第三方授权IP的。不像CPU领域，有ARM这样的第三方IP授权厂商，可以帮助芯片设计公司做CPU设计，桌面级GPU领域并没有第三方IP授权厂商，英伟达和AMD分别有自己的硬件架构和指令集，不对外授权。也就是说，如果新的厂商想研发GPU，必须完全自研，从零做起。

Intel一直想踏足高端GPU领域，但仍未成功。英特尔最早的GPU研发可以追溯到1997年，英特尔通过收购C&T获得了2D显示核心技术，3D技术源于拥有20%股权的Real3D。1998年，依靠Real3D的技术，英特尔推出了第一款独立GPU i740，但后续因为研发结果不理想等原因，Intel未再继续研发独立GPU。2007年，看到英伟达开启GPGPU战略、推出CUDA，英特尔为保持优势，计划重新推出独立GPU产品Larrabee，但由于研发进度不及预期、性能不佳等原因，Intel于2010年5月宣布取消独立GPU研发计划。2020年，Intel又推出了全新的独立GPU架构Xe，但直到2021年10月，Intel仍未推出自己消费级的独立GPU产品。

3. GPU投资机会及相关标的

GPU技术壁垒极高，国产化之路道阻且长。GPU设计是一项系统工程，包含硬件架构、算法、软件生态等多个组成，缺一不可，壁垒极高，CPU巨头Intel近二十年多次尝试踏足高端GPU领域，皆未成功。相对于FPGA和ASIC，不论是从功能上，还是硬件上，GPU设计难度都更高。GPU的自主研发之路是艰难且漫长的，由于没有像ARM一样的第三方IP授权厂商，GPU设计商必须完全自主研发，从零做起，难度较大。国内唯一一家实现GPU大规模商用生产的厂商景嘉微，技术完全自主研发，产品性能领先。

4. 风险提示

国产化政策低于预期；GPU新品研发不达预期。