本土厂商快速崛起，产品亦逐步上市。
国内 GPU 厂商：开始快速崛起，大多数企业目前已发布 1-3 款相关产品，大部分核 心团队具有英伟达、AMD 工作经历。1）2014-2020 年，国内成立若干 GPU&云端 AI 芯 片相关企业，目前此类企业已发布 1-3 代产品，产品落地进度不断加快。2）从国产 GPU 相关企业创始人的团队背景来看，大部分企业创始人团队均有在英伟达、AMD 等企业有 多年的工作经验。
产品竞争力：国内厂商产品核心参数约落后英伟达、AMD 1~2 代左右，正逐步从“可 用”走向“好用”。1）通过对比海外 GPU 厂商和国内 GPU 厂商相关产品的参数，可以看 出国内 GPU 厂商在半精度&单精度领域中的计算能力，相差约 1 代差距；国内 GPU 厂商 在双精度（64 位）计算领域能力近乎空白，但双精度运算更多应用于复杂科学计算。2） 考虑到英伟达、AMD 在 GPU 架构中加入了张量核 TensorCore 或 Matrix Core（可用于执 行融合乘法加法运算），这种计算单元层面的 DSA 架构设计，亦使得他们在 AI 训练、推 理环节具有更高的计算效率：
英伟达 Tensor Core：2017 年公司发布的 Volta 架构首次引入了张量核 Tensor Core 模块，用于执行融合乘法加法，支持 INT32 计算；2018 年公司发布的 Turing 架构对 Tensor Core 进行了升级，并增加了对 INT8、INT4、Binary(INT1)的计算 能力；2020 年公司发布的 Ampere 架构对 Tensor Core 再次升级，增加了 TF32 和 BF16 两种数据格式的支持，也增加了对稀疏矩阵计算的支持。2022 年公司 发布的 Hopper 架构对 Tensor Core 再次升级，增加了 TF8 数据格式的支持。
AMD Matrix Core：2020 年英伟达推出张量核 Matrix Core，对标英伟达 Tensor Core，并用于 MI100 加速器（可支持 FP64、FP32 计算格式）；2021 年底，AMD 发布 MI250/250X 加速卡，基于 Matrix Core 的加持下，FP64/FP32 计算能力可 提升一倍。
