GPU行业市场分析

GPU行业市场分析一、数字经济、AI、智能驾驶视角下看算力需求1.1演变趋势：从通用计算到智能计算，从分散独立到云网边协同宏观角度下，数字经济建设及人工智能发展掀起了新一代算力革命，算力基建成为国家数字化转型和经济发展的重要竞争策略。从1964年戈登·摩尔提出著名的摩尔定律后，CPU性能的发展便遵循这一规律，但目前数字经济与人工智能的高速发展，基于CPU的摩尔定律已经失效，如何突破“算力墙”，满足新时代各种算力需求，成为各国主要的竞争焦点。微观角度下，算力形式逐渐由通用计算过渡为高性能计算，从分散独立的端计算向云网边协同计算演变。当前，常见的高性能计算可以分为科学、工程计算与智能计算；算力资源服务可以分为云计算、混合计算及算力网络。1）科学、工程计算。这类计算主要利用超级计算机实现并行计算，是一种算法优化和硬件集群结合的计算模式。高性能计算由于具有较高的性能、效率及计算精度，可以广泛的用于大规模复杂科学计算，比如工程模拟仿真、航空航天、地震预测等，同时也能支持人工智能、智慧城市等新兴领域。2）智能计算。智能计算以智能芯片为计算算力底座，可以较好的满足AI领域模型训练所需的智能运算需求，因此用于支持专一的人工智能应用场景。基于智能计算搭建的人工智能计算中心，通过将各种交叉技术集成，广泛的应用于智能语音处理、机器视觉、自然语言（文本）处理等不用的领域。3）云计算、混合计算、算力网络属于新型算力资源服务模式。云计算通过WorldWideWeb（万维网）向用户提供包括服务器、存储、数据库等在内的各项计算服务，因为万维网以网页为核心，因此云计算主要面向消费互联网；而算力网络主要以算法及算力协同为核心，通过协同联动云计算、边缘计算、端计算及通信网络，能够实现对复杂计算任务的分解及高效调度。1.2战略地位：算力属于基础设施建设，是智能时代发展的物理承载整体架构层面，算法、算力及数据是实现人工智能的三要素，其中算力是构筑智能时代的物理基础。人工智能离不开算力、算法及数据，其发展需要在建立在庞大的数据集、优秀的深度学习算法及强大的计算能力基础之上，而算力作为底层基础设施，是开启智能时代的关键因素，其核心于智能芯片的技术进步。实际发展层面，全球数据量正以指数级速度增长，“算力荒”问题日益凸显。据IDC数据显示，2018年至2019年全球大数据存储量分别为33ZB、41ZB，而2020年全球数据量达到了60ZB，同比增长46%；庞大的数据集必然依赖强大的数据处理能力，进而要求宏观算力快速发展，NTCysd预计2021-2028年全球算力规模将以超过40%的速度增长，2028年将达到7510EFlops。1.3应用驱动：数字经济搭建整体框架，AI大模型、智能驾驶持续拉升市场方面，数字经济建设、AI大模型、智能驾驶成为开启智能时代的确定性研究方向。其中，数字经济建设搭建数字化布局整体框架，并提供政策支持；AI大模型及智能驾驶率先落地，成为拉动算力需求的核心驱动力。1）全球正加快数字经济建设，算力发展成为主要战略竞争点之一。目前，全球正处于经济数字化转型阶段，据中国信通院发布的《全球数字经济白皮书》显示，数字经济已经成为各国发展GDP的核心战略，具体数据来看，2020年全球47个国家数字经济增加值达到32.6万亿美元，占GDP比重为43.7%，同比名义增长3%。此外，数字经济已经成为我国稳增长促转型的重要引擎，出台多项政策支持算力发展，截至2022年我国数字经济规模已达50.2亿元，数字基础设施规模能级大幅提升，在用数据中心算例总规模超180EFlops，位居世界第二。2）AI大模型的快速扩张是算力需求的关键驱动力。由于AI大模型通常需要在大规模无标注的数据集上进行重复的训练，因此相比于传统的小模型在应用场景上更具有普适性。但与此同时，数据集的快速增长以及模型不断迭代优化使得AI大模型尺寸快速膨胀，GPU算力也遵循着同样的增长规律。据OpenAI数据显示，GPT-3175B相比于GPT-3Small，总计算力(Flops)及参数量增长了约1400倍；而据Semianalysis最新分析指出，GPT-4模型尺寸进一步扩张，在其120层模型中总共包含了1.8万亿参数，约GPT-3175B参数量的10倍。3）汽车智能化功能升级，智能驾驶将贡献算力需求的全新增量。汽车正逐渐步入智能化时代，传感器数量的增加及交互能力的提升，将带来数据的几何式增长，这必然要求车端拥有强大的数据分析和处理能力。据预测，2025年我国L3、L5级别智能驾驶渗透率将分别达到14%、1%，到2030年两者将分别达到40%、12%。而L3级别及以上智能驾驶汽车，不仅需要处理人机交互等指令，还需要与外界环境、云数据中心进行交互。据分析，L3、L5级别智能驾驶算力需求将分别达到30-60TOPS、100TOPS，未来随着智能驾驶汽车渗透率的提升，将会持续带动智能驾驶市场整体算力需求的增加，预计2025、2030年智能驾驶市场算力需求达到1.9万、19万TOPS，2021-2025CAGR达112%。1.4优化路径：提升芯片性能及创新存算架构是研究主流系统算力主要受处理器性能与数据传输能力影响，当数据处理能力与传输能力不匹配时，计算能力由两者中较低者决定。处理性能主要与指令复杂程度、频率、并行度有关，一般来说，指令越复杂、计算频率越高、并行程度越大，处理器性能就越好；而数据传输的能力与处理器内部存算架构有关，在计算机体系里，根据访问延迟及容量大小将存储结构分为寄存器、缓存、内存、外存与远程存储，而这种存算分离的架构形式，通常使得数据传输成为限制系统算力的因素。1）指令的复杂程度。指令系统是连接计算机软件和硬件的桥梁，一般来说，指令的复杂程度于处理器运算性能有关，指令越复杂，其性能就越好。典型的处理器平台大致可以分为CPU、协处理器、GPU、FPGA、DSA、ASIC，其中CPU为通用软件平台，支持包括整形计算类、浮点类、数据传输类、控制类等在内的通用指令，而其余处理器为硬件加速平台，用于执行各类复杂指令。2）计算频率。一般来说，处理器计算的速度于频率呈现正相关关系，计算频率越高，速度越快。以CPU为例，执行一条指令需要依次经过取址、译码、地址生成、取操作数、执行、写回阶段，每个阶段需要消耗一个时钟周期，上个阶段执行完毕后才会进入到下个阶段。在此基础上，时钟周期的设定便取决于各阶段用时最大者，而提高时钟频率大致有两种方法：一是通过超流水线架构提高处理器主频，通过增加多级流水从而细化每个阶段；一是通过优化工艺技术降低各阶段逻辑门处理延迟。3）并行度。并行度是指在计算机体系中，指令并行执行的最大数目，并行度越大，意味着系统能够同时处理更多指令，其运算速度越快。常用的并行设计包括指令并行、处理器核并行、芯片级并行及服务器并行。4）数据传输能力。数据传输能力并不直接影响处理器性能，但复杂的存储分层结构会使得系统功耗、延迟及访问宽带增加，从而限制算力的提升。优秀的计算系统应使得处理器性能与数据传输能力尽可能匹配，以减少“木桶效应”对于算力的限制。目前，数据传输能力的优化方向主要包括近存计算及存算一体化架构。二、算力需求视角下看GPU发展的必然趋势2.1性能：GPU技术发展迅速，高并发计算能力契合算力需求1）横向比较，GPU较CPU而言，更符合深度学习算法的高度并行计算需求。一方面，CPU性能提升已达到瓶颈，与高速增长的算力需求脱节。CPU作为第一代高效计算平台，目前无论从不管是从架构/微架构设计、工艺、多核并行等各种角度出发，其性能都难以提升，2016年之后，CPU性能每年提升仅3.5%。随着数字经济、AI大模型、智能驾驶等算力需求的推动，CPU性能已无法满足上层软件算力需求。另一方面，GPU较CPU具备更多的算术逻辑单元、控制单元与内存缓存，其SIMD架构与深度学习算法需求更吻合。CPU为线程级并行的MIMD架构，其核心少但性能强，可以用来处理复杂的控制逻辑、预测分支、乱序执行、多级流水等，而GPU为数据级并行的SIMD架构，其核心多但性能弱，用于优化具有简单控制逻辑的数据并行任务。而神经网络算法数据要求量大，并行计算程度高，与GPU高并行计算能力、高内存带宽相适配。神经网络的训练环节需要处理大量的数据，并且其结构非常统一，每一层成千上万个相同的人工神经元都在执行相同的计算操作，具有高效并行计算能力与内存带宽的GPU，不仅能够更快的完成数据的读取与写入，还能实行多条指令并行计算。2）纵向比较，GPU架构技术仍在演进，其高性能计算与智能计算能力不断优化GPU最早作为显卡的核心零部件，专用于图形渲染及处理。GPU（GraphicProcessingUnit），即图形处理单元，英伟达公司在1999年发布GeForce256图形处理芯片时首先提出GPU的概念，GeForce256作为专门负责计算机图形显示的计算机零部件，通过T&L及其他多项技术引擎，减少了显卡对于CPU的依赖。GPU组成中通常包含一个显存、一个主频、一个VRAM、一个显存速率以及一个显存位宽。GPU架构迭代频繁，已从从专用图形处理器发展为高效的通用计算平台，向外拓展人工智能计算及高性能计算领域。当GPU引入可编程特性，将图形硬件的流水线作为流处理器来解释，基于GPU的通用计算也开始出现，即GPGPU。英伟达产品在2008-2022年内，架构迭代调整了8次，其在2010年推出具有完整GPU架构的Fermi，在2017年Volta架构中首次推出Tensor内核以支持深度学习算法，而目前Hopper架构的GPU已广泛的应用于AI大模型训练与推理环节。英伟达Tensor核心持续升级，智能计算及高性能计算能力得到不断优化，已成为AI模型推理的关键张量核心。英伟达Tensor核心最初在Volta架构上推出，在后续推出的Turing、Ampere、Hopper上不断优化，Tensor核心能够加速矩阵运算，大幅增加浮点计算吞吐量。具体来看，拥有Tensor核心的V100相比于P100其混合精度运算速度提高了9倍，而英伟达推出的第四代Tensor核心其FP8性能较AmpereFP6提高16倍，而在AI大型语言模型推理方面，性能比Ampere高出30倍。2.2灵活性：GPU可编程优势明显，通用灵活性适配AI应用端拓展GPU拥有相对较优的性能及灵活性。常用的计算平台包括CPU、FPGA、GPU、DSA以及ASIC，一般情况下随着芯片性能的提升，其灵活性会逐渐下降。CPU为软件加速平台，通过标准化的指令集使得CPU平台的硬件实现与软件编程完全解耦，灵活性最高；ASIC为专用集成电路，是一种为专门目的而设计的集成电路，不支持硬件编程，灵活性最差。1）ASIC、DSA设计成本高、周期长，其灵活性难以满足应用层及宏架构趋势的需求。DSA与ASIC属于专用领域定制类型芯片，其中ASIC属于完全定制性化芯片，其晶体管根据算法定制，流片量产后算法便不可编辑；DSA在ASIC基础上回调，保留一定编程能力，但其功能覆盖的领域成具有较大的局限性。ASIC与DSA的通用性是限制其应用的关键因素。首先，通用性限制了ASIC与DSA的应用领域，与芯片高企的研发成本相矛盾。据估计，5nm制程的芯片研发成本已经超5亿美元，高企的研发成本需要具有充分量产能力芯片来摊薄，而ASIC与DSA芯片均为面向特定领域专用芯片，不同领域则面临重新设计的问题，尤其是在AI应用领域，ASIC与DSA的研发周期和成本并不能满足其AI应用及算法迭代优化的速度。其次，专用性使得ASIC与DSA芯片与算力融合的宏架构趋势相矛盾。数字经济的建设需用云、网、边各部分资源协同融合，从而组成庞大的算力网络，然而不同计算引擎、平台、设备以及数据中心的芯片应用场景具有较大的差异，这使得DSA、ASIC芯片难以成为数字经济时代的整体解决方案。2）CUDA、OpenCL技术持续为GPU赋能，GPU性能提升潜力大、应用拓展力强。一方面，CUDA生态为GPU提供各种数据接口（API）、算法库与工具、跨平台支持以及大规模集群计算支持，CUDA使得开发人员能够使用流行的编程语言对英伟达GPU进行编程，同时还集成包括TensorFlow、PyTorch和MXNet在内的所有深度学习框架；另一方面，随着深度学习算法和模型的收敛，GPU可以通过对算法进行手工优化实现资源的高效调度，充分释放出硬件的性能，每一代CUDA升级都会带来约10-20%的性能提升。三、GPU市场：供给推动市场，技术及产能是核心驱动力3.1需求端：移动端兜底，自动驾驶及数据中心建设贡献增量GPU下游目前主要应用于移动端、数据中心服务器以及车规级芯片。其中，移动端应用又可以分为PCGPU、手机GPU，主要用于加速图形处理，以提高计算机游戏的图像质量及性能，目前随着深度学习及人工智能的发展，移动端GPU也可以用于加速深度学习、计算机视觉和自然语言处理等人工智能应用；数据中心服务器又可以分为高性能计算服务器与智能计算服务器，由于GPU具有高并发的计算能力，因此被广泛的用于数据中心建设；在汽车领域，GPU主要应用于车端及其配套设施智能芯片，负责处理来自摄像头、普通雷达、激光雷达等传感器数据，实现智能驾驶。1）个人电脑为GPU移动端主要市场，智能手机及可穿戴设备有望渗透。GPU作为图形处理加速硬件，其最常见的应用即为个人电脑、智能手机等游戏设备，不限于创建图像、图像处理、计算摄影、手势识别的视觉处理需求。但目前随着消费电子需求减弱，尤其是个人电脑市场下滑的影响，PC端显卡需求处于下行区间，据JonPeddieResearch数据统计，2023年第一季度全球PC桌面显卡销量约630万块，同比下降52.9%。手机游戏图显需求及终端AI架构，有望打造移动端GPU增长新引擎。一方面，手机端游戏市场规模逐渐增大，NEWZOO数据显示，2022年全球移动游戏市场规模已达1035亿美元，约占游戏市场总规模53%；另一方面，手机端GPU光线追踪技术尚未普及，未来随着手机端游戏图形渲染需求的提升，对GPU性能要求将逐渐增加，目前高通、联发科、英伟达、AMD、ARM等著名芯片厂商均开始布局手机GPU，有望加速移动端GPU扩量。移动端作为AI架构的终端设备，有望承载部分AI计算功能。随着AI技术的快速发展，以及计算需求的提升，AI处理须分布在云端及终端进行，这种混合AI架构可以根据模型和查询需求的复杂度等因素，选择不同方式在云端和终端侧之间分配处理负载。未来，随着终端侧AI处理需求的提升，将对终端设备，包括手机、电脑、汽车、XR等便携设备以及物联网设备的AI计算及推理性能提出新的需求，有望带动移动端GPU需求的提升。2）自动驾驶贡献GPU全新增量，蓝海广阔。车载芯片的架构模式经历分布式架构向混合式架构转变，未来将向中心计算架构演进。计算架构将随着自动驾驶升级进行优化，不同的计算架构，对于车载芯片的要求具有差异。分布式架构计算需求小，仅通过CPU控制；混合式架构为实现部分自动驾驶功能将引入GPU来辅助计算；而中央计算架构中，汽车端计算将升级为更加通用的计算平台，进而保证了整车架构的稳定性和功能的扩展性。分布式计算架构中，每个ECU负责特定的功能如灯光控制、门控制、车轮控制等等，随着汽车功能的增多，分布式架构需要配置更多的ECU及线束，将会使得汽车内部架构复杂，不利于汽车架构及功能扩展。混合式计算架构减少了ECU数量，根据汽车各部分功能进行划分，如博世将汽车控制分五个功能域（动力域、底盘域、车身域、座舱域、自动驾驶域），每个功能域设置域控制器，再通过以太网和CANFD相连。不同功能域所需算力不同，座舱域及自动驾驶域由于要满足人机交互、机器视觉等需求，其算力要求较高，通常通过DPU（CPU+GPU+FPGA）架构来满足算力需求。中央计算架构或汽车云计算架构，将功能域深度融合，升级为更加通用的计算平台，将显著增加车端的计算需求。在这种架构中，区域控制器平台相当于局部中央计算平台，与混合式架构区域控制器的不同在于，中央计算架构中的区域控制器需要独自处理局部区域传感器、执行器、ECU等部件传回的数据，而混合式架构中的区域控制器需将这部分数据传输至中央计算平台处理；同时还需承担控制和协调本区域执行单元及网络协议转换的责任。国内外厂商车载芯片多数采用含GPU架构，随着智能驾驶升级，有望拉升车端GPU需求。智能驾驶时代，车端芯片承载的功能增加，不仅需要处理各环节传感器收集的环境数据、地图定位数据、V2X信息通信数据，还需要通过各种智能算法规划最佳决策，同时控制执行单元。随着AI技术的进步，基于深度学习算法的智能驾驶方案成为汽车制造商的布局重点。目前国内芯片制造厂商普遍采用GPU加速深度学习算法，例如英伟达ORIN采用CPU+GPU+ACCEL架构，其算力由GPU及DLA提供。根据测算，预计2023年全球自动驾驶领域GPU市场空间将达到24亿美元。3）受益于数字经济及人工智能，数据中心市场GPU加速放量。高性能计算中心及智算中心建设属于数字经济建设重要的一环，二者的建设将带动GPU市场增长。据Hyperion研究显示，2025年全球高性能计算市场规模将达到199亿美元，2022-2025年CAGR约为5.5%，此外，根据超算top500统计，全球前500超级计算机中56%算力由GPU提供，GPU需求将随着高性能计算市场增长同步提升，预计2023年全球高性能计算中心GUP市场空间约为21亿美元。不同于高性能计算中心，智算中心是利是用先进的人工智能算法和芯片进行智能算法模型训练和推理。总量方面，根据IDC及中商情报网数据预测，2023年全球AI服务器市场规模将达到211亿美元，同比增长15%，而据AletheiaCapital最新报告分析，2025年AI服务器市场规模将激增至1350亿美元，2023-2025CAGR高达152%；价值方面，由于智能算法具有计算难度小、计算量大等特点，对于计算任务的高并发能力及吞吐量要求较高，因此对于GPU的需求更大，据统计，机器学习型AI服务器中，GPU成本占比约为72.8%。未来，随着智算中心建设有序推进，GPU有望迎来量价齐升，预计2023年AI服务器领域GUP市场空间约为187.8亿美元。3.2供给端：英伟达独占鳌头，国内技术追赶空间广阔英伟达市场份额独占鳌头，国际呈现三强格局，国内厂商加速布局。英伟达凭借技术及产能优势，在移动端、AI服务器、自动驾驶领域具有较大话语权。国际市场方面，根据JonPeddieResearch调查数据显示，2023年第一季度，全球桌面级显卡销量约为630万块，其中英伟达显卡销量约为529万张，以84%的市场份额占据领先地位，此外销量位居前三的GUP供应商还包括AMD及Intel，其销量分别为76万张、25万张；国内市场方面，我国厂商GPU市场份额较小，正处于技术追赶及国产替代环节，目前国产GPU在数据中心、人工智能以及通用计算型GPU领域均实现产品布局，未来随着国内数据中心、智能驾驶及终端侧GPU市场需求的提升，国产GPU市场份额有望实现渗透。1）游戏市场。产品及技术方面，GeForce是英伟达游戏业务的核心产品，增强技术协同打造游戏生态圈。英伟达在游戏显卡入门级到专业级领域布局广泛，目前GeForce系列游戏已成为全球最大的游戏平台，拥有超过2亿的游戏玩家，其最新产品GeForceRTX40系列，采用新型SM多单元流处理器及第四代TensorCore，可以通过AI增强图形渲染，多项技术业界领先。国内的桌面级显卡的主要研究厂商包括芯动科技、摩尔线程以及凌久电子，部分产品已对标国际中高端产品。其中，芯动科技先后推出“风华1号”、“风华2号”GPU，其产品支持包括智能座舱、桌面办公、笔记本、服务器等应用在内的各个领域以及Linux、Windows、Android等系统；而摩尔线程首款桌面级游戏显卡MTTS80，在1.8GHz的主频下，能够提供14.4TFLOPS的单精度浮点算力，根据PassMark的测试结果，MTTS80显卡的性能已达到英伟达中端显卡GeForceGTX750Ti的性能水平。盈利能力方面，英伟达2024财年第二季度游戏业务实现营收24.9亿美元，同比增长22%。疫情期间由于PC出货量的下滑，对于公司游戏业务影响较大，2023财年英伟达游戏业务实现营收22.4亿美元，同比下滑38%，随着疫情影响退出，游戏业务迎来回暖。权威机构JonPeddieResearchGPU市场统计数据显示，2023第二季度英伟达以68%的PC显卡市场份额占据市场第一。2）数据中心市场。英伟达凭借GUP硬件实力以及数据中心强大产品矩阵，占据市场领导地位。GPU硬件产品方面，英伟达高性能计算GPU经历数十代产品迭代升级，其技术指标全面升级，公司于2022年发行的H100芯片，采用台积电4N工艺，集成最高可达18432个单精度和9216个双精度的CUDA核心以及576个第四代Tensor核心，为高性能计算及AI研究提供强大的支持，在算力上，H100的FP16、TF32以及FP64性能达到了其上一代产品A100的3倍，分别为2000TFLOPS、1000TFLOPS和60TFLOPS。此外，英伟达还在软件及技术产品方面提供支持，通过其丰富的产品矩阵搭建数据中心一站式解决方案。未来，随着AI及高性能计算市场计算需求的不断增长，GPU之间以及数据中心之间的通信传输需求也在增加，而英伟达NVLink技术可为GPU系统配置高更的宽带及增强的可扩展能力，NVLinkSwitch系统基于NVLink的高级通信能力构建，可为计算密集型工作负载提供更高带宽和更低延迟，从而显著增强服务器内及服务器之间GPU通信能力。国产厂商在高性能计算GPU布局者较多，产品性能逐渐向英伟达靠拢。以英伟达最新发布的数据中心GPU为参考，H100SXM采用台积电4N工艺，其单精度浮点算力已达到67TFLOPS，整型算力已达到3958TOPS，相比英伟达前序产品A100，H100的AI推理性能及HPC性能分别提升30倍与7倍；而目前国内算力较高的产品为壁仞科技推出的BR100P，采用台积电7nm工艺，峰值状态下单精度浮点算力达240TFLOPS，整型算力达1920TOPS，BR100芯片性能相比于英伟达A100性能提升3倍以上，向H100产品靠拢。盈利能力及产能方面，数据中心业务营收已超游戏业务，成为英伟达最高收入来源，但其产能受限于台积电工艺，短期供需缺口较大。据英伟达2024财年Q2报告，其数据中心营收已达到103.2亿美元，同比增长171%，约占总营收比例为76%；产能方面，英伟达H100均由台积电代工，其产能受到台积电工艺限制，据英伟达预计，H100芯片2023年全年全球范围出货量约为55万颗，但据GPUUtils数据统计，保守估计情况下，H100的供给缺口将达到43万颗。壁仞科技BR100P系列芯片同样由台积电代工，预计于2023年量产，若量产计划顺利推进，国产替代有望渗透。3）智能驾驶。产品及技术方面，英伟达Thor芯片领先市场，同时搭建完整的自动驾驶生态网络。英伟达于2022年9月宣布其车规级超级芯片Thor，Thor基于英伟达最新CPU与GPU打造，可提供每秒2000万亿次浮点运算性能，相比于前序产品Orin，性能提升8倍。此外，英伟达围绕自动驾驶搭建完整的合作网络与生态，通过包括自动驾驶汽车、卡车、出租车、Tier1供应商、仿真测试、传感器、软件、地图在内的合作网络，以及从原始数据采集到验证的自动驾驶技术、数据中心硬件、软件及工作流在内的生态环境，全方位加固自动驾驶领域护城河。目前，国内大多数智能驾驶车型选用英伟达产品，地平线与华为自研市场份额正在逐步扩大。国内蔚来、小鹏、理想等造车新势力车型普遍选用英伟达ORIN产品，比如，在理想的入门级车型中搭载的智能驾驶芯片为地平线征程5，而在其高配置Max车型中则搭载英伟达ORIN芯片，除此之外华为在自动驾驶领域同样具有布局，华为提供自动驾驶的全栈解决方案，其发布的昇腾610、MDC810已经量产，MDC610平台，单组算力为200TOPS，与英伟达ORIN产品差距较小。盈利能力及产能方面，英伟达智能驾驶业务2024财年2季度营收较一季度出现下滑，但同比增加15%，总营收达2.53亿美元。市场结构上，2023年度H1中国市场乘用车自动驾驶计算方案市场份额中，英伟达仍以52.57%的份额占据第一，地平线以30.71%的市场份额占据第二，华为海思则占据4.05%的市场份额。3.3GPU产业链概况及国内重点公司介绍GPU产业链上中下游分别为芯片设计、芯片制造及芯片封装与测试。产业链上游，GPU设计基本以英伟达、超微半导体、英特尔三强垄断，中下游台积电凭借先进的4nm、7nm工艺及CoWoS封装技术产能领