摘要：9月19日，上交所官网公告显示，上市审核委员会定于9月26日召开审议会议，审核摩尔线程智能科技（北京）股份有限公司的首发事项。摩尔线程2020年6月成立于北京，是国内全功能GPU领域重要参与者。它借自主研发的MUSA架构与快速迭代产品，在AI算力爆发和国产替代

9月19日，上交所官网公告显示，上市审核委员会定于9月26日召开审议会议，审核摩尔线程智能科技（北京）股份有限公司的首发事项。摩尔线程2020年6月成立于北京，是国内全功能GPU领域重要参与者。它借自主研发的MUSA架构与快速迭代产品，在AI算力爆发和国产替代浪潮中崛起。其创始人张建中曾任英伟达全球副总裁，核心团队多来自国际GPU大厂，2024年末研发人员占比近80%。本次冲击上市，摩尔线程拟募集资金约80亿元，将用于摩尔线程新一代自主可控AI训推一体芯片研发项目、摩尔线程新一代自主可控图形芯片研发项目、摩尔线程新一代自主可控AI SoC芯片研发项目、补充流动资金。

极具前瞻性的布局，让摩尔线程的业务及技术积累，与当前AI算力爆发背景下的产业需求高度契合，或许很快“国产GPU第一股”就将诞生。国产替代浪潮下，市场、政策、资本对“卡脖子”技术的集中支持，让国产GPU等硬科技企业相继跨越技术验证期，在成熟度达标后迈入规模化发展的下一程。

今天就来为大家解读一下GPU芯片行业

GPU的定义与核心功能

GPU（Graphics Processing Unit，图形处理器）是一种专为并行计算设计的通用计算芯片，最初主要用于图形渲染，现已发展为支撑人工智能、科学计算等多元场景的核心算力载体。其核心功能体现在两方面：一是，通过对几何数据、纹理信息的并行处理，实现三维场景的实时绘制，支撑游戏、影视制作等领域；二是，依托海量计算单元的并行架构，处理大规模数据密集型任务，如AI模型训练、分子动力学模拟、密码破解等。随着技术演进，GPU已从“图形加速器”升级为“通用计算引擎”，成为数字经济时代的关键基础设施组件。

GPU（图形处理器）可以根据其应用端的不同，主要分为移动端GPU和桌面端GPU两大类。移动端GPU专为移动设备设计，如智能手机和平板电脑，注重功耗控制和便携性。而桌面端GPU则进一步细分为服务器GPU和PC GPU。服务器GPU主要用于数据中心和高性能计算场景，提供强大的计算能力和稳定性；PC GPU则应用于个人电脑，满足游戏、图形设计等高性能需求。这种分类体现了GPU在不同应用场景下的专业化发展，以适应多样化的市场需求。

GPU与CPU的本质区别

GPU与CPU（Central Processing Unit，中央处理器）在架构设计、任务定位上存在本质差异，核心区别体现在以下维度：
1）CPU采用“少量核心+复杂缓存”架构，通常包含4-64个高性能核心，配备多级缓存以减少数据访问延迟，适用于串行指令的高效执行；GPU采用“海量核心+简化缓存”架构，包含数千甚至数万个轻量级计算核心，通过并行调度提升数据吞吐量，牺牲单核心串行性能换取多任务并行效率。
2）CPU擅长处理逻辑复杂、分支密集的串行任务，如操作系统调度、程序控制流管理；GPU擅长处理数据并行、逻辑简单的重复任务，如矩阵运算、像素渲染，可同时对海量数据执行相同操作。
3）CPU是计算机系统的“控制中枢”，负责统筹各类任务的调度与执行；GPU是“算力加速器”，专注于图形渲染、AI计算、科学计算等特定领域，需与CPU协同工作，形成“CPU控制+GPU计算”的分工模式。

GPU的发展阶段与关键里程碑

GPU行业历经四十余年发展，可划分为四个关键阶段：
1）早期GPU为专用图形芯片，功能固化，仅支持简单的几何变换与像素填充。1985年，ATI推出首款单芯片图形控制器ATi-1000，标志着GPU雏形出现；1999年，英伟达发布GeForce 256，首次提出“GPU”概念，集成几何、光照、纹理等处理单元，实现图形渲染流水线的硬件化。
2）2001年，微软DirectX 9引入可编程顶点着色器与像素着色器，GPU进入可编程时代。2006年，英伟达发布CUDA架构，首次为GPU提供通用计算编程接口，打破图形渲染的功能局限，推动GPU在科学计算领域的应用。
3）AI浪潮推动GPU向通用计算深度转型。2016年，英伟达Pascal架构引入张量核心，专为深度学习矩阵运算优化；2018年，图灵架构加入光线追踪核心，实现逼真的实时光照渲染，GPU同时支撑图形与AI双重场景。
4）GPU与CPU、FPGA、ASIC等芯片形成异构计算体系。2022年，英伟达Hopper架构推出H100 GPU，集成Transformer引擎，进一步提升AI算力；2024年， Blackwell架构实现4位精度计算，能效比较前代提升6倍，推动通用计算芯片向“高性能+低功耗”方向演进。

GPU的核心组件

GPU核心架构由多种专用组件协同构成，各组件承担特定计算功能：
1）流处理器（Stream Processor，SP）：基本计算单元，负责像素渲染、通用计算等基础指令，通过数千个 SP 并行调度实现海量数据同步处理。
2）张量核心（Tensor Core）：深度学习专用计算单元，支持矩阵乘法 - 累加运算，加速 AI 模型训练与推理。
3）光线追踪核心（Ray Tracing Core）：实时光线追踪专用单元，模拟光线物理效果，提升图形渲染真实感。
4）纹理单元（Texture Unit）：负责纹理采样与过滤，将纹理映射到三维模型表面，提升渲染细节丰富度。

并行计算架构原理

GPU并行计算的核心架构是，其原理可概括为“指令广播+线程并行”：
GPU将大量轻量级线程划分为“线程束（Warp）”，通常每个线程束包含32个线程。当执行任务时，GPU控制器向一个线程束中的所有线程广播相同指令，线程束内的线程同时执行该指令，但操作各自的数据（即“同指令、异数据”）。若线程束中存在分支指令（如if-else），则需按分支路径串行执行，会产生一定性能损耗，因此GPU更适合逻辑简单的并行任务。为提升并行效率，GPU采用“延迟隐藏”策略：当部分线程因等待数据访问（如显存读取）而停滞时，调度器会切换至其他就绪线程束执行，避免计算单元闲置。这种多线程并发调度机制，使GPU在面对高延迟内存访问时仍能保持较高的计算利用率。

显存技术

显存是GPU与外部数据交互的关键介质，其性能直接决定GPU的计算效率，核心技术参数包括类型、带宽、容量：
1）主流类型包括GDDR系列（如GDDR6X、GDDR7）和HBM系列（如HBM3E）。GDDR显存侧重高带宽，适用于消费级GPU；HBM显存采用3D堆叠技术，在有限空间内实现大容量、高带宽，且功耗更低，主要用于数据中心级GPU（如英伟达H100配备HBM3E显存）。
2）带宽指单位时间内显存与GPU核心的数据传输速率，单位为GB/s。显存带宽通过“位宽×核心频率×数据率”计算，例如GDDR6X显存位宽256bit、频率21GHz，带宽可达1008GB/s。高带宽确保GPU核心在并行计算时能及时获取数据，避免“算力空转”。
3）容量指显存可存储的数据量，单位为GB。显存容量需匹配任务的数据规模，例如训练千亿参数的AI模型需80GB以上显存（如H100显存容量80GB），而消费级游戏GPU显存容量通常为8-24GB，满足游戏纹理、模型数据的存储需求。

GPU产品类型和应用

1）消费级GPU： 面向个人用户，主打游戏、内容创作场景。代表产品包括英伟达GeForce系列（如RTX 4090）、AMD Radeon系列（如RX 7900 XTX），支持4K/8K游戏渲染、视频剪辑、3D建模等，兼顾性能与成本。
2）数据中心级GPU：面向企业级AI训练、推理、科学计算场景，强调高算力、高显存。代表产品有英伟达H100/A100、AMD MI300X、华为昇腾910B，广泛应用于ChatGPT等大模型训练、自动驾驶算法研发、气候模拟等领域。
3）专业级GPU：面向专业图形设计与工程计算，通过ISV（独立软件供应商）认证，确保专业软件兼容性。代表产品包括英伟达Quadro系列、AMD Radeon Pro系列，用于影视渲染（如Maya、3ds Max）、工业设计（如CAD）、医疗影像分析等高精度场景。
4）嵌入式GPU：集成于嵌入式系统，侧重低功耗、小型化，应用于物联网、自动驾驶、边缘计算等场景。代表产品有英伟达Jetson系列、高通Adreno GPU，支撑智能摄像头、车载娱乐系统、工业机器人等终端设备的图形与AI处理需求。

关键技术指标与性能衡量

衡量GPU性能的核心技术指标包括：
1）算力单位：衡量计算能力的指标，包括FLOPS（浮点运算次数/秒）、TOPS（整数运算次数/秒）。AI算力常用FP16/FP8精度的TFLOPS（万亿次浮点运算/秒），图形算力常用FP32精度的TFLOPS，数据中心GPU算力已达PetaFLOPS级别（如H100 FP8算力4 petaFLOPS）。
2）显存带宽与位宽：显存带宽决定数据传输效率，位宽是影响带宽的关键因素（位宽越大，带宽潜力越高）。高带宽对AI训练、高分辨率渲染等数据密集型任务至关重要。
3）核心频率与Boost频率：核心频率指GPU核心的基础工作频率，Boost频率是负载较高时的动态加速频率，频率越高，单线程指令执行速度越快，但受限于功耗与散热。
4）功耗与能效比：TDP（热设计功耗）表示GPU的最大散热需求，能效比（每瓦性能）衡量单位功耗下的算力输出。随着环保要求提升，能效比已成为GPU设计的核心指标，如Blackwell架构较Hopper架构能效比提升6倍。

GPU产业链分为上游芯片设计、中游制造封装、下游应用三大环节：
上游负责GPU架构设计、指令集开发、软件生态构建，是产业链的核心环节。代表企业包括英伟达、AMD、英特尔、华为等，需投入巨额研发资金（年均研发费用超百亿美元），技术壁垒极高。

中游分为晶圆制造与封装测试。晶圆制造由台积电、三星等代工企业承担，采用7nm、5nm、3nm等先进制程；封装测试由日月光、长电科技等企业负责，将晶圆切割为芯片并进行性能测试。制造环节依赖高精度光刻机等设备，产能受半导体行业周期影响显著。

下游涵盖消费电子、数据中心、汽车、工业等领域。下游企业包括PC厂商（如联想、戴尔）、云服务提供商（如AWS、阿里云）、汽车制造商（如特斯拉）等，通过采购GPU组件或解决方案，集成至终端产品或服务中。

2020年至2024年全球GPU市场规模展现出显著的增长趋势，年均复合增长率高达62.4%。具体来看，从2020年的较低起点开始，市场规模逐年攀升，预计到2029年将达到35,000亿元。这一增长态势反映了GPU在各个领域的广泛应用和需求增加，包括但不限于人工智能、高性能计算、数据中心以及消费电子市场。数据预测显示，未来几年内，全球GPU市场的扩张速度将持续加快，预示着该行业具有巨大的发展潜力和广阔的市场前景。

中国GPU市场规模呈现出显著的增长趋势。从2020年到2025年，市场规模预计将持续扩大，具体表现为：2020年市场规模约为350亿元，2021年增长至约450亿元，2022年进一步提升至约600亿元，2023年则达到约800亿元。预计到2024年，市场规模将突破1000亿元，而到2025年，市场规模更是有望达到1200亿元。这一数据反映了中国GPU市场在近年来的快速发展和未来巨大的增长潜力，显示出该领域在技术进步和市场需求驱动下的强劲势头。

1）供应链稳定性与产能限制：GPU制造依赖台积电、三星等少数代工企业，先进制程产能紧张（如3nm产能优先供给苹果、英伟达），导致GPU产品常出现“供不应求”现象。地缘政治冲突进一步加剧芯片原材料（如光刻胶、高纯硅）的供应风险。
2）技术垄断与市场竞争格局：英伟达凭借CUDA生态形成“硬件-软件-应用”闭环，新进入者需突破生态壁垒，难度极大。全球GPU市场呈现“一家独大”格局，不利于行业创新与价格竞争，欧盟已对英伟达展开反垄断调查。
3）高性能与高功耗的平衡难题：GPU算力提升伴随功耗激增，数据中心级GPU TDP已超700W（如H100），导致散热成本高企。尽管能效比持续优化，但高性能场景下的“功耗墙”仍是技术瓶颈。
4）专利与知识产权壁垒：GPU核心技术（如并行架构、图形API）积累了大量专利，新厂商易陷入专利诉讼。例如，英伟达与AMD曾因显卡技术专利多次对簿公堂，知识产权成本成为行业准入的重要门槛。

欢迎评论、点赞、收藏和转发！ 有任何喜欢的行业和话题也可以查询行行查。

来源：行行查