雖然Al芯片目前看有SPU、ASIC、CPU、FPSA等幾大類，但是基于幾點原因我們判斷GPU仍將是訓練模型的主流硬件：

1、Transformer架構是最近幾年的主流，該架構最大的特點之一就是能夠利用分布式BPU進行并行訓練，提升模型訓練效率；

2、ASIC的算力與功耗雖然看似有優勢，但考慮到AI算法還是處于一個不斷發展演進的過程，用專用芯片部署會面臨著未來算法更迭導致芯片不適配的巨大風險；

3、英偉達強大的芯片支撐、生態、算法開源支持。

模型小型化技術逐步成熟，從訓練走向推理。云、邊、端全維度發展。

1、GPU方面， 在英?偉達的推動下，其從最初的顯卡發展到如今的高性能并行計算，海外大廠已經具備了超過20年的技術、資本、生態、人才等儲備，形成了大量的核心技術專利，而且也能充分享有全球半導體產業鏈的支撐，這都或是目前國內廠商所缺失的。近幾年在資本的推動下，國內涌現出數十家GPU廠商，各自或都具備一定的發展基礎，但整體經營時間較短，無論從技術積淀、產品料號布局、高端料號件能夾說，與國外大廠仍具備較大差距。但國產化勢在必行，國內相關產業鏈重點環節也積極對上游芯片原廠進行扶持，國產算力芯片需要不斷迭代以實現性能的向上提升，后續持續關注相關廠商料號升級、生態建設和客戶突破：

2、 Al在端側設備應用普及是大勢所趨，目前，知識蒸餾、剪枝、量化等模型小型化技術在逐步成熟，Al在云、邊、端全方位發展的時代已至。除了更加廣泛的應用帶來需求量的提升外，更復雜算法帶來更大算力的需求也將從另一個維度推動市場擴容；

3、數據的高吞吐量需要大帶寬的傳輸支持，光通信技術作為算力產業發展的支撐底座，具備長期投資價值；

4、 Chiplet技術可以突破單一芯片的性能和良率等瓶頸，降低芯片設計的復雜度和成本。

審核編輯 ：李倩