虽然A l芯片目前看有SPU、ASIC、CPU、FPSA等几大类，但是基于几点原因我们判断GPU仍将是训练模型的主流硬件：
1、Transformer架构是最近几年的主流，该架构最大的特点之一就是能够利用分布式 BPU进行并行训练，提升模型训练效率；
2、ASIC的算力与功耗虽然看似有优势，但考虑到AI算法还是处于一个不断发展演进的过程，用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险；
3、英伟达强大的芯片支撑、生态、算法开源支持。
模型小型化技术逐步成熟，从训练走向推理。云、边、端全维度发展。
1、GPU方面， 在英伟达的推动下，其从最初的显卡发展到如今的高性能并行计算，海外大厂已经具备了超过20年的技术、资本、生态、人才等储备，形成了大量的核心技术专利，而且也能充分享有全球半导体产业链的支撑，这都或是目前国内厂商所缺失的。
近几年在资本的推动下，国内涌现出数十家GPU厂商，各自或都具备一定的发展基础，但整体经营时间较短，无论从技术积淀、产品料号布局、高端料号件能夹说，与国外大厂仍具备较大差距。但国产化势在必行，国内相关产业链重点环节也积极对上游芯片原厂进行扶持，国产算力芯片需要不断迭代以实现性能的向上提升，后续持续关注相关厂商料号升级、生态建设和客户突破：
2、 Al在端侧设备应用普及是大势所趋，目前，知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟，Al在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外，更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容；
3、数据的高吞吐量需要大带宽的传输支持，光通信技术作为算力产业发展的支撑底座，具备长期投资价值；
4、 Chiplet技术可 以突破单一芯片的性能和良率等瓶颈，降低芯片设计的复杂度和成本。
来源：
算力专题：GPU芯片完全解析
GPU技术篇：
更新提醒：「 」和「 」已经更新发布，还没有获取的读者，请在点击「原文链接」在微店留言获取 （ PDF阅读版本 ）。
转载申明：转载 本号文章请 注明作者 和 来源 ，本号发布文章若存在版权等问题，请留言联系处理，谢谢。
推荐阅读
更多 架构相关技术 知识总结请参考「 架构师全店铺技术资料打包 (全) 」相关电子书( 41本 技术资料打包汇总详情 可通过「 阅读原文 」获取)。
全店内容持续更新，现下单「 架构师技术全店资料打包汇总(全) 」一起发送「 」 和「 」 pdf及ppt版本 ，后续可享 全店 内容更新「 免费 」赠阅，价格仅收 249 元(原总价 439 元)。
温馨提示：
扫描 二维码 关注公众号，点击 阅读原文 链接 获取 「 架构师技术全店资料打包汇总(全) 」 电子书资料详情 。
