文章核心观点 - GPU在AI计算时代的重要性急剧提升，正成为数据中心和终端设备的核心算力驱动力，但CPU因其在通用任务处理和系统调度上的不可替代性，短期内不会被GPU彻底取代，未来更可能是协同与异构计算格局 [1][3][4] - 科技巨头为避免算力供应受制于人并控制成本，正积极推动自研AI芯片（包括GPU、NPU、专用加速器），英伟达虽处领先地位但难以独占市场，行业竞争焦点正从硬件性能转向完整的AI软件生态构建 [7][9][15] 美国政府政策与英伟达动态 - 美国政府允许英伟达向中国等地区的“获准客户”销售H200 AI芯片，但将获得其在该地区销售额的25%分成 [1] - 英伟达创始人黄仁勋公开质疑CPU在未来以加速计算和AI为主导的时代中的必要性，暗示GPU可能成为核心，这与其长期倡导的“加速计算”理念一致 [1] - 受益于AI大模型兴起，英伟达数据中心GPU收入从2023年的150亿美元暴涨至2025财年的1152亿美元，预计2026财年该数字将继续飙升 [1] GPU与CPU的技术角色与关系 - CPU优势在于强大的单线程性能、成熟的指令体系和完善的生态，擅长处理复杂逻辑任务、运行操作系统及进行系统调度，是各类智能设备不可或缺的“大脑” [4] - GPU优势在于极端的并行计算能力，拥有数千至上万个核心，在深度学习训练、图像渲染、科学计算等重复性矩阵化任务中，效率和速度远超CPU [4] - CPU与GPU是协同关系而非零和替代，CPU像“管理人员”进行任务调度，GPU像“熟练工人”进行批量处理，两者在系统中各司其职 [4][6] - 理论上GPU完全取代CPU需重构整个计算体系，包括设计专精通用任务的核心架构、更新指令集与系统架构，面临巨大生态阻力，实际难以实现 [6] 资本市场与行业热度 - 中国通用GPU公司摩尔线程上市首日股价从114.28元涨至约650元，显示资本市场对GPU企业的高度热情 [3] - 摩尔线程在上市后宣布将发布以MUSA为核心的全栈发展战略及新一代GPU架构 [3] 云计算与数据中心算力重构 - 为满足AIGC及大模型训练暴增的并行计算需求，云端基础设施正发生根本改变，GPU集群已成为各大云厂商的首选 [6] - 几乎所有头部云厂商在采购第三方GPU（如英伟达产品）的同时，都在推动自研芯片计划，根本目的是避免算力供应完全受制于人并优化长期成本与能效 [7][9] - 阿里云自研含光芯片并引入第三方GPU构建新集群 [7] - 百度自研昆仑芯片针对AI算力深度优化，拟拆分独立上市以分享AI计算红利 [7] - 亚马逊通过自研Graviton（ARM CPU）、Trainium、Inferentia等芯片构建异构AI算力集群 [9] - 谷歌云计算中心部分使用自研TPU和Axion CPU，推理集群正逐渐转向以自研芯片为主 [9] 终端侧计算架构演变 - 从PC、手机到汽车，越来越多的AI任务（如大模型推理、智能助手、实时生成内容）开始在本地执行，推动终端设备需要具备强大的高并行算力 [10] - 在手机领域，旗舰SoC通过强化集成GPU与NPU的加速能力来提升AI算力，AI算力已成为“AI手机”的核心卖点，许多系统级AI功能底层已从CPU迁移至GPU/NPU [10] - 在PC领域，“端侧AI算力”取代CPU主频成为关键指标，GPU承担了大部分高密度矩阵计算任务，厂商对核显的研发投入显著增加 [11][13] - 在自动驾驶领域，感知、融合、规划等任务需瞬时处理海量数据，天然依赖GPU高并行优势，主流方案（如地平线、特斯拉、英伟达）均采用围绕GPU构建的异构架构 [13] 行业竞争与生态格局 - 英伟达的核心优势在于其CUDA生态经过十余年沉淀已成为事实标准，构筑了强大的竞争壁垒 [15] - AMD通过力推更开放的ROCm生态来挑战CUDA，并在MI300系列上已获得不少厂商认可 [15] - 英特尔采取双线策略：一方面依靠Gaudi加速器冲击AI市场，另一方面利用PC生态领导地位在终端侧布局AI处理器 [15] - 华为已构建从底层硬件（昇腾芯片）、AI框架（昇思MindSpore、CANN）到操作系统（鸿蒙）的完整AI生态链条，在争夺行业话语权上具备优势 [15] - 行业竞争焦点在于谁能构建起完整的AI生态，从而在AI原生时代掌握主动权 [16]