02 其实，GPU厂商是“软件公司”

国产创业项目还在追硬件指标，然而GPU竞争已经从硬件为主、软件为辅的比拼，转变为硬件+软件的综合生态能力较量。

深度学习爆火之前，通用GPU需求数量最多的应用方向是PC桌面显卡，英伟达、AMD、英特尔是主要玩家，其中英特尔主要在CPU上集成GPU，2022年又重回独显市场。三家提供的产品多，满足办公、游戏、图形等各类需求。

根据市场研究机构JPR的数据，PC显卡供应商市占率，英特尔凭借集成显卡出货占据68%份额位列第一

新入局者，想要在这样的市场上分一杯羹，不仅需要扎实的产品性能，更需要运行多年的成熟供应链体系支撑，难度极高。

就拿象帝先的天钧一号来说，不仅性能无法和同期国产产品抗衡，与国际市场上的对手差距在3年左右，这意味着新晋者连打价格战的实力都不具备。

更重要的是，桌面显卡聚焦图形处理能力，而深度学习兴起之后，基于并行计算优势，GPU找到了新的增长空间。

两个指标可说明GPU通用计算需求“暴增”——其一，“算力顶流们”的数据中心业务急剧膨胀；其二，“硅谷巨头”算力储备急剧膨胀。

一方面，截至到今年10月27日的第三财季，过去四年，英伟达的数据中心业务增长了约30倍，财季营收从11亿美元（占比25%）暴增到309亿美元（占比88%）。

另一方面，研究机构Omdia的数据显示，截至2023年第三季度，英伟达H100出货量达到65万张，其中Meta和微软分别拿下15万张，接近全部订单的一半。到2024年，微软的Hopper系列GPU储备量直接冲到了48.5万张，其AI数据中心支出超过300亿美元，位列所有硅谷巨头之首。

研究机构Omdia披露的近两年美国主要科技公司Hopper架构GPU的储备量

深度学习和人工智能为GPU带来了潜在的机会和蛋糕，但这不代表初创公司一定就有机会拿下，像AMD这样的GPU老玩家，一些产品算力指标都超越了英伟达，但在竞争中就是打不赢，以CUDA为代表的软件生态扮演了至关重要的作用。

有一个细节，今年的GTC大会上，黄仁勋说“英伟达是一家软件公司”，指的就是其GPU产品“统治”AI的关键因素之一，CUDA生态。这一点我在《没人能“杀死”1.5万亿美元的英伟达》一文中也解释过。额外插一句，这才过去半年多时间，英伟达市值已经冲破3万亿美元市值。

生态系统的统治力如何理解？可以类比用户对操作系统的偏好——苹果的macOS现在足够优秀了，过去10年其市场份额翻了一倍，但Windows仍然有先发优势以及用户的接受度，牢牢占据着70%的份额，这就是生态系统的力量。

基于GPU的通用计算，生态系统的重要性可能比操作系统还要极端——开发者一旦适应了英伟达的软件生态，就很难从其中切换出来。

举个例子，假设某个企业要采购国产GPU，首先就要解决代码兼容性问题，包括不兼容的库和函数都要替换或者修改，虽然国产厂商会提供迁移工具，这仍需大量的开发工作，迁移过程还会引发应用性能损失的问题，要减少这种损失，就得根据国产GPU的架构来调整优化算法，这又进一步增加开发工作量。

设备的稳定性也是影响效率的一个关键因素，之前Meta在论文中曾披露过——H100的万卡集群训练Llama 3.1，平均3小时故障一次，尽管很多问题都可以自动化处理，但依旧会增加人力和时间成本，最终影响效率。

而这还是H100这样市占率超高的产品，一些问题还有可能在线上社区找到解决方案，一旦换成国产设备，如果支持生态做得不好，快速定位问题并获取解决方案都不是一件容易的事情，用比较流行的话说，切换国产GPU的TCO（总拥有成本）太高。

从心理上说，应该有很多企业愿意支持国产芯片，采购成本不便宜也可以接受，但是从商业的角度来说，如果开发特别麻烦、使用出现问题，占用了研发团队过多精力，这样的商业合作很难维持下去。

抛开市场需不需要这么多英伟达的问题来看GPU、AI芯片创业，现在很多新项目一亮相就是数十倍的“吊打”英伟达，硬件指标看上去不用担心了，但除了纸面数据要好外，一开始就要想好如何做生态。而一旦涉及做生态，对于“400人算不算多”这类问题，就会好回答很多——我所知道的是，英伟达这样的企业，在大客户那里一般都会安排数十人的驻场支持团队。所以，GPU厂商是“软件公司”这个观点现在来看非常贴切。

03 只做“替代”很难上牌桌

没有生态支持的GPU通用计算项目，开局可以说是机遇与挑战并存。

由于美国限制高性能AI芯片向大陆出口，客观上给国产厂商打开了机会之门。当所有企业都拿不到，或者很难通过正常渠道采购海外先进产品时，能够稳定供货的国产GPU就会成为争抢对象，而且现在政策和机构也在鼓励这件事，这也会加速国产半导体生态的成熟与进化，华为在手机芯片上已经验证这一点。

与手机芯片不同，GPU作为“大芯片”，die size都在500mm²以上，比如RTX 4090是600mm²，H100是800mm²+，如果采用高带宽内存，还要着重考虑先进封装技术。

用于通用计算的主流GPU（右侧），die size为826mm²，Cerebras WSE-2（左侧）专用芯片达到了46225mm²

所以，除了前面说的战略误判，影响国产GPU成功的因素还包括IP、设计、制造、销售等环节之中，并且环环相扣。

在设计环节首要面对的就是IP授权和设计工具的问题，象帝先、摩尔线程都是拿Imagination的IP授权，然后采用海外公司的设计工具，如果这两个领域得不到持续的更新支持，就存在断供风险。

设计的下一个环节就是制造。很多企业的产品硬件指标，无论单项还是多项都很优秀，但能否流片成功，并且以高良率量产也很关键。

单就流片这个环节的单次费用就高达上亿元，如果流片失败就得额外再支付费用，之前英伟达的Blackwell芯片遭遇“跳票事故”，一度带崩其股价，英伟达可以扛得住这种风险，创业团队未必能经受住。

好消息是，在制造端，过去几年在美国的极限施压之下，国产制造工艺和设备已经有了很大进步。9月份，工信微报披露了国产光刻机的进展，按官方提供的数据，纯国产设备已经可以覆盖65nm工艺的芯片，这对于中国芯片产业具有很大的意义。不过，虽然大陆自主晶圆制造技术进步迅速，但先进产能也相对有限。

所以，现阶段大陆的fabless，也还离不开对台积电的依赖。而且，因为创业团队体量与需求量的差异，代工费用会有差别，同等工艺代工费用可能是台积电的1.5倍左右，这也会影响初创公司的毛利率。

设计、制造之后，就是如何把产品卖出去，实现正循环。一些现在还活跃的头部创业团队，很多背后都有上市公司的支持，这些上市公司在各地推动构建智算中心，对于创业团队来说，它们既是投资人，又是客户。这种逻辑还可以类比云计算厂商——自研AI芯片更容易成功，自己就是自己的客户，能形成很好的自循环。

很多人问中国芯片的出路在哪里，从一个外部观察者的视角，短期的确要实现自主替代，长期则需要参与到对产业的标准制定当中，这样才能够影响到全球产业。我想举一个大疆的例子，它也被纳入了实体清单，可结果呢？美国要制裁它，又不得不想办法来买它的产品。

过去，行业看到“美国禁令”的大利好之后，感觉机会来了纷纷行动、融资开跑，是可以理解的冲动。但最终，创业团队与资本在普及认知、达成共识之后，结合产业发展窗口来攒局，才能更好地准备应对挑战，在未来中国芯片生态“大成”之时，成为胜利者中的一员。如果上述条件都不具备，更多的“中国英伟达”可能会迎来不确定性。