目前国产 GPU 厂商大多仍处于早期发展阶段，仍需要在技术、产品商业 化落地等方面不断努力：
1）核心技术人才招募。（a）从英伟达 GPU&AMD 的发展历史来看，公司 GPU 架构 基本可以做到两年更新一代，这对于架构师对于芯片研发的理解和应用场景的全判断要求 较高。如：Jim Keller 于 2012 年左右加入 AMD，帮助涉及了 Zen 微架构，大幅提升公司 产品在数据中心领域的竞争力。（b）GPU 下游应用领域，并非是单纯的硬件算力比拼， 对于软件开发及软件生态的建设亦相对重要。未来如何招聘大量的软件&AI 人才，仍是国 产 GPU 厂商目前需要面临的重要问题。
2）产品设计、流片、客户验证，再到量产交付的全流程跑通。（a）GPU 是一种技术 门槛极高的细分赛道领域，前期投入资金成本相对较高，这对于企业的融资能力要求相对 较高。（b）从 GPU 的开发及使用流程来看，GPU 从最初设计到制造、流片、量产，周期 通常不会低于 18－24 个月。从产品点亮到推出，再到后续的大量出货和用户验证，再到 后续找到可持续落得的应用场景，仍面临着较多的挑战。
技术路线选择：AI 为中短期最可能突破&落地场景，并可逐步向图形渲染、复杂科学 计算等领域扩展。目前 GPU 的应用场景，主要应用于图形渲染、AI 训练&推理、复杂科 学计算等领域，结合市场规模、客户结构、技术特性等要素，对于本土 GPU 厂商而言， 我们判断，AI 将是最可能率先获得突破的领域，并在此基础上，不断向图形渲染、复杂科 学计算等领域进行延伸：
AI 训练：大模型逐步成为 AI 领域的主流，叠加下游自然语言理解、计算机视觉、 推荐系统等应用场景的不断扩展，AI 训练料将成为中期国内 GPU 最大的需求领 域。同时 AI 模型更多基于神经网络结构，因此对计算精度要求并不严苛，亦使 得本土 GPU 厂商面临的技术门槛相应降低，我们预计这将是本土 GPU 厂商最容 易实现突破的领域。
AI 推理：从英伟达&谷歌等科技巨头的产品参数来看，AI 推理环节对计算精度的 要求显著低于 AI 训练环节，一般 4~8 位即可满足，但 AI 推理本身对实时性要求 较高，且下游场景过于碎片化，如何实现灵活性、细分场景之间的有效平衡，是 当前面临的主要难题，因此初创企业更多在自动驾驶、安防等领域寻找市场机遇。
图形渲染：主要场景包括游戏画面渲染，以及专业图形创作&渲染等领域，作为 典型的 2C 市场，客户更专注产品的性价比、品牌、生态支持等，且 GPU 图形 管线设计复杂度相对更高。
复杂科学计算：主要应用场景包括国防、航天、气象等高性能计算领域，为控制 累计误差，需要较高的计算精度，一般需要 64 位双精度运算，整体技术架构复 杂性远大于 AI 训练、推理环节。
