近日，武汉市科技局下达2023年度重点研发计划项目。攀升科技“基于国产GPU的显卡研制及产业化”项目位列其中。项目落地后，将解决潜在“卡脖子”产品——“显卡”的核心计算组件国产化难题。

2023年2月，中共中央、国务院印发《数字中国建设整体布局规划》，明确要夯实数字中国建设基础，并构建自立自强的数字技术创新体系。今年以来，在ChatGPT快速迭代的浪潮下，神经网络、深度学习和预训练大模型等人工智能技术进入井喷期，全球对超大规模并行算力需求暴增，独立显卡作为AI算力核心基础设施的重要性日益突出。

在GPU领域，我国一直缺少核心技术以及生产经验，与国际水平差距较大。国产品牌急需突破和壮大，解决潜在“卡脖子”产品核心技术，实施国产品牌替代，共建“光芯屏端网”产业链。

攀升科技此次立项成功的“基于国产GPU的显卡研制及产业化”项目，将解决各类计算“终端”的核心计算组件国产化问题，极大提升计算终端组件的国产化率；基于国家数字基础建设和独立自主技术创新的导向，向各领域提供所需的国产品牌显卡产品，为武汉市和国家的数字基础建设提供硬科技产品基础，解决潜在“卡脖子”风险。

本项目将实现从显卡核心软硬件设计、研发调试、生产制造到品控检验等全流程的核心技术国产化和经验积累，在诸如显卡PCB集成电路、供电模组、散热模组和显存、供电管理等关键技术环节进行创新和突破。


GPU研发技术壁垒极高

GPU的研发是一项大型的系统工程，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近二十年多次尝试征服高端GPU领域，曾在前两年专门成立加速计算系统与图形事业部（AXG），试图再度杀入高端GPU市场，却始终反响平平。甚至现在的GPU绝对霸主NVIDIA，从95年首款产品NV1正式诞生发展至今，也是在显卡领域耕耘了20多年才有当前的成绩。足可见GPU产业的门槛之高。

在硬件上，国产最大的问题就是IP，任何一款高端芯片的打造都离不开IP。但是，GPU IP的自研开发需要3-5年的周期，需要数百个专业领域的工程师。因此短时间内在硬件上实现完全国产化并不容易，国内GPU厂商如芯动、摩尔线程等几乎都是外购IP加上部分的自主研发。中天恒星刚发布的“天狼星”虽然实现了国产自主GPU架构，100%IP属于自主研发，但真正要完善软件生态，稳定商用，我想还需要很长的一段时间。

在软件上，国产难题主要涉及驱动开发、算法及软件生态。业内人士指出，计算芯片最大的门槛其实不是硬件，而是软件。目前业内GPU特别是用于通用算力的GPGPU，主流的软件架构是英伟达的CUDA，此架构在2006问世以来，与下游软件、驱动厂家已经有了深度合作。而且CUDA本身涵盖了多个技术领域，其开发与后续更新都与英伟达自家GPU高度绑定，从某种角度来看，英伟达在GPU领域的垄断很大程度上是通过CUDA平台上的软件生态实现。因此国内GPU厂商如果想真正对标英伟达，CUDA生态是绕不开的一环。


国产GPU整个商业生态尚未成熟

在芯片“断供”之前，国内购买海外高端GPU芯片之路畅通，很少有客户在重大项目采购时会考虑国产GPU，都普遍倾向海外最先进、最稳定的产品，以保证项目顺利完成。究其原因有二，一是毕竟国产GPU的发展才刚刚起步，在性能和稳定性方面尚未取得长时间，多项目的验证，不少国产GPU在实际应用中出现了工作负载低，芯片性能不稳定，兼容性差的情况。二是软件生态不够完善，如果一个芯片没有与之配套的软件生态，则很难真正形成大面积的应用。

在当下GPU应用最火的AI大模型训练中，腾讯云新一代HCC（High-Performance Computing Cluster）高性能计算集群使用的是英伟达最新代次H800 GPU；阿里曾在 2018-2019 年采购了上万块英伟达的V100和T4 GPU用于近年来的云计算和大模型训练，其他字节、百度、美团、B站等都清一色采购英伟达的A100、H100 GPU或是去年禁令后英伟达专门推出的减配版 A800、H800 GPU。

这使得国产GPU在国内鲜有大企业应用成功的案例，大部分还仅仅围绕在PC、图形渲染领域，或是应用在专门的军事、政府等部门。商业市场的大门，只是开了一条缝。

另外，国产GPU厂商的硬件架构，软件API接口不尽相同，客户基本只能多选一，兼容和替换都不够灵活，比较难实现技术生态的统一。

短期难盈利

对于GPU创企而言，巨大的研发费用和资本开支是必需，但长期、持续的利润支撑才是GPU跨代发展的强劲驱动力。

尽管近几年因为AI人工智能的火爆，使得GPU创企的融资环境变得相对宽松，但由于国内近几年批量的GPU创企涌入，使得竞争激烈，加上研发投入巨大，在规模市场打开之前，GPU厂商在短期内难以实现量产盈利，令一众大VC和PE机构望而却步。

芯片市场上，OPPO上个月关停了手机芯片自研公司哲库，便是因为短期难盈利，倒在了黎明前。同样，对于部分GPU创企来说，也面临着资本市场洗牌的风险。


种子选手的秘密

在目前国内一票GPU的“种子选手”中，一家名叫壁仞科技的企业引起了人们的注意。原因很简单，那就是其产品BR100不仅创下了全球算力纪录，并且宣称其峰值算力达到了英伟达A100的3倍，甚至还能对标没发售的H100。

然而，稍微了解过国内芯片行业的人都知道，在芯片领域，国内的炒作太多了，徒有其表的例子也太多了。

那么，做出这个“媲美英伟达”GPU的企业，究竟是什么来头？其自主研发的BR100，是否真的像其宣传的那样出色？

要回答这个问题，我们不妨先看看壁仞科技的创始班底，技术背景究竟如何。

作为一家通用智能芯片设计研发商的壁仞科技，成立于2019年，团队由国内外芯片和云计算领域的专家和研发人员组成。其创始人张旭博士，不仅拥有清华大学和斯坦福大学的博士学位，还曾是英伟达的高级架构师，负责Volta架构的设计和开发。

除此之外， 团队其他成员的技术身份，也颇为亮眼。

李新荣，联席CEO，曾任AMD全球副总裁、中国研发中心总经理，负责AMD大中华区的研发建设和管理工作。

洪洲，CTO，曾在NVIDIA、S3、华为等工作操刀GPU工程项目，拥有超过30年的GPU领域经验。

焦国方，软件生态环境主要负责人，曾在高通领导和产品研发了5代Adreno移动GPU系统架构。

这样的团队背景，决定了壁仞科技的技术底色。

依据之前在英伟达、AMD、高通、商汤科技等知名企业的研发经验和技术积累，壁仞科技研发了自主原创的芯片架构——壁立仞。壁立仞架构基于SIMT（单指令多线程）模型，针对AI场景进行了专用的优化和定制。其最大的特点，就是可以将多个小芯片拼成一个大芯片，每个小芯片只做一部分功能，然后通过高速互连组合成一个大芯片。这样可以提高芯片的良率和可靠性，同时降低成本和功耗，实现更强大的算力和扩展性。

这就是壁仞科技所谓的Chiplet的设计理念。

这种技术的难点在于如何保证芯片之间的高速通信和协作，同时避免信号干扰和功耗过高。因此，如何设计合适的芯片分割和组合方案，使得每个芯片都能发挥最大的效能，同时减少电磁干扰和热耗散，就成了Chiplet能否成功的关键。

对此，壁仞科技使用了两种关键的技术2.5D CoWoS和BLink，来攻克这一难关。

简单地说，2.5D CoWoS技术是一种把多个芯片堆叠在一起的技术，它利用了一个硅基板作为中介层，缩短了芯片之间的距离，从而提高了信号的传输速度和质量。而BLink则在中介层上，建立了一个专用的接口，它可以让多个芯片之间直接传输数据，而不需要经过其他的电路或芯片，从而减少了延迟和功耗。然而，尽管2.5D CoWoS、BLink这些技术，让壁仞科技打造出了算力更强的BR100，但这些技术，目前在国际上并不罕见，其他GPU厂商也有过类似的设计。

例如，Nvidia的A100和H100 GPU都采用了CoWoS技术，把GPU芯片和HBM内存堆叠在一起，提高了内存带宽和计算性能。而Nvidia还开发了自己的NVLink接口，类似于BLink接口，可以让多个GPU之间高速互联。

此外，AMD也有自己的Infinity Fabric接口，可以实现类似的功能。

那既然这是一种“大家都能用”的技术，那壁仞科技怎么就做到让BR100算力达到A100三倍的呢？而英伟达真就会坐视着自己被超越了？

其实，这样的结果，是二者在不同数据格式下的表现所致。

具体来说，BR100的巨大算力，更多是在矩阵FP32数据格式下的表现。

一般来说，数据格式占用的位数越多，它的范围和精度就越高，但是也会消耗更多的空间和电力。而矩阵FP32其实就是一种特殊的FP32数据格式，它只用了19位来存储一个浮点数，这样做的目的是为了让矩阵FP32能够兼容Tensor Core这种专门用于加速矩阵乘法的硬件单元。矩阵乘法是深度学习中最常见和最重要的计算操作之一，所以使用矩阵FP32可以大幅提升深度学习的性能。但是，矩阵FP32也有一个缺点，就是它的精度比向量FP32低，也就是说它能表示的浮点数的范围和细节程度比向量FP32小。这样就会导致一些误差和损失，在某些情况下可能会影响模型的质量和效果。

因此，矩阵FP32和英伟达A100的向量FP32并不等价，因为矩阵FP32只适用于矩阵乘法这种特定的计算操作，并不能代表GPU的整体性能。


国产力量的崛起

这些国产GPU厂商的崛起，对英伟达的AI算力市场份额构成了一定的挑战和威胁。

一方面，国产GPU厂商可以提供更高性价比、更低能耗、更灵活定制的产品和服务，满足国内客户的多样化需求和预算。

另一方面，国产GPU厂商可以避免受到美国政策的影响和干扰，保障国内客户的数据安全和供应稳定。

因此，国产GPU厂商有望在国内市场占据更大的份额，甚至在国际市场上与英伟达展开竞争。

当然，英伟达也不会坐以待毙，它仍然拥有着强大的技术优势、品牌影响力、生态合作力等资源，可以继续保持其在AI算力领域的领先地位。英伟达不断推出新一代的GPU芯片和加速卡，如Ampere（安培）架构的A100、Grace（格雷斯）等，提升其在AI训练和推理方面的性能和效率。英伟达还不断拓展其在AI应用领域的布局，如收购Arm、DeepMap等公司，加强其在自动驾驶、物联网、边缘计算等领域的竞争力。英伟达还不断完善其在AI开发生态方面的支持，如推出Jetson Nano、JetPack SDK等工具，降低AI开发者的门槛和成本。

国产显卡的发展未来对英伟达显卡AI算力需求的替代前景是一个值得关注和探讨的话题。

从目前的情况来看，国产显卡已经取得了显著的进步和突破，对英伟达形成了一定的竞争压力。但是，英伟达仍然保持着其在AI算力领域的领导地位，对国产显卡也有着自己的应对策略。

未来，随着AI技术和应用的不断发展和创新，GPU市场将呈现出更加多元化和激烈化的态势，这将对各个GPU厂商提出更高的要求和挑战，也将为用户带来更多的选择和价值。