云瑞计算进入高性能计算时代，大横型训练仍以GPU为主。虽然AI芯片目前看有GPU、ASIC、CPU、FPGA等几大类，但是甚干几点原因我们判断GPU仍将是训练模型的主流硬件：1、Transformer架构是最近几年的主流，该架构最大的特点之一就是能够利用分布式GPU进行并行训练，提升模型训练效率；2、ASIC的算力与功耗虽然看似有优势，但考虑到Al算法还是处于一个不断发展演讲的过程，用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险；3、英伟达强大的芯片支撑、生态、算法开源支持。
博甜小型化妆术逐步成熟，从训练走向推理，云、边、端全维度发展。我们认为至少有四大投资主线应持续关注：1、GPU方面，在英
告诉的推动下，其从最初的显卡发展到如今的高件能并行计算，海外大厂已经具备了超过20年的技术、资本、生态、人才等储备，形
成了大量的核心技术专利，而且也能充分享有全球半导体产业链的支撑，这都或是目前国内厂商所缺失的。近几年在资本的推动下，国内涌现出数十家CPU厂商，各自或都具备一定的发展基础，但整体经营时间较短，无论从技术积淀、产品料号布局、高端料号性能来说，与国外大厂仍具备较大差距。但国产化势在必行，国内相关产业链重点环节也积极对上游芯片原厂进行扶持，国产算力芯片需要不断送代以实现件能的向上提升，后续排续关注相关厂商料号升级、生态建设和客户突破：2、 A在递侧设备应用普及是大垫所趋
目前，知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟，Al在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外，更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容；3、数据的高吞吐量需要大带宽的传输支持，光通信技术作为算力产业发展的支撑底座，具备长期投资价值：4、Chiplet技术可以突破单一芯片的件能和良率等瓶颈，降低芯片设计的复杂
度和成本。基于向Chiplet模式的设计转型，已经是大型芯片厂商的共识，相关产业链具备长期投资价值。建议关注：瑞芯微、晶晨股份、星宸科技（待上市）、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技风险提示：技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险。
GeForce 256是一款用于实时图形处理的专用处理器，GeForce图形处理器的发布，实现了顶点的矩阵变换和光照计算，图形实时处理应用需要高内存带宽和大量的浮点计算能力。2001年英伟达发布了第三代显示核心GeForce3，GeForce3不仅集成了来自之前GeForce 256和GeForce2芯片的“静态”座标转换和照明引擎，更增加了称为“顶点着色单元”的可编程顶点处理器功能。游戏开发者可借由加上顶点程序，让游戏产生令人惊艳的全新效果。
可编程性与浮点计算能力相结合，基于GPU的通用计算也开始出现，GPU朝着通用计算的方向持续演进。2006年，英伟达 CUDA（Compute Unified Device Architecture.统一计算设备架构），及对应工业标准的0penCL的出现，让GPU 实现更广泛的通用计算功能，GPGPU的概念落地。
本文来自知之小站
PDF报告已分享至知识星球，微信扫码加入查阅下载3万+精选资料，年享1万+精选更新
（星球内含更多未发布精选报告.其它事宜可联系zzxz_88@163.com）
