2026年全球新型算力芯片及未来关键技术发展行业研究报告_第1页
2026年全球新型算力芯片及未来关键技术发展行业研究报告_第2页
2026年全球新型算力芯片及未来关键技术发展行业研究报告_第3页
2026年全球新型算力芯片及未来关键技术发展行业研究报告_第4页
2026年全球新型算力芯片及未来关键技术发展行业研究报告_第5页
已阅读5页,还剩33页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

发展

(2026)摘要•AI时代下的全球及中国AI算力芯片技术形成两大阵营:GPGPU和新型算力芯片及三大路线:GPGPU、

ASIC/DSA

、

DATA

FLOW数据流•新型AI算力芯片具备五大核心特质,破解传统算力的通用性弱、计算效率低等痛点,依托政策自主可控、

AI算力需求爆发、摩尔定律瓶颈下的技术破局等多重因素驱动,成为全球差异化算力缺口的关键力量•AI时代下算力是数字经济的核心生产资料,新型AI算力芯片的商业前景持续向好,支撑未来万亿规模的商业前景03

新型AI算力芯片市场分析04

新型AI算力芯片市场竞争格局分析02

AI时代,全球及中国AI算力芯片技术两大阵营与三大路线01

AI时代,全球及中国AI算力芯片产业发展及机遇展望目录

门清微智能

BS

><小鹏

中国人工智能产业链全景图④z

Q京东云

亿信华辰ceos

ps

eet

天工YAyiC阿里云智谱·AGoer

teke套润泽科技管Tensor

Flow小抖音驱动引擎一:模型迭代大模型时代开始

技术架构革新

多模态能力融合•

模型参数从亿级到万亿级指数增长,实现从特定任务到跨场

景通用理解的飞跃。•

Transformer架构奠定基础,自注意力机制让大规模并行训

练成为可能,训练效率提升。•

融合文本、图像、音视频等多种信息,推动AI向更全面的感知与认知能力发展。驱动引擎二:需求落地生成式AI应用快速兴起

能力升级与场景扩展

产业渗透加速•

生成式AI推动应用从工具型

走向智能化•

早期形态以聊天机器人(

Chatbot)为主•

应用能力向自主规划、深度

推理演进域•

智能体(Agent)开始承担复

杂任务•

AI应用向千行百业加速渗透

,重塑产业格局•

成为业务流程与生产系统重

要组成部分Chatbot是一种通过自然语言处理和生成式AI技术,模拟与人类对话的智能程序,能够理解用户意图并生成自动化响应,广泛应用于企业客服、知识问答和业务流程自动化等场景。Agent能够通过感知环境中的变化,根据自身学习到的知识和算法进行判断和决策,进而

执行动作以影响环境或达到预定的目标,其核心特征在于具备自主完成任务的能力。•

模型能力向真实业务渗透•

AI从“工具”走向“生成主体”•

推动产业级规模化落地TransformerChatGPTGPT-4oOpenAI

o1DeepSeekV3/R1Gemini

3.0AIAgent应用与智能体阶段•

以规则与特征工程为核心•

聚焦单一任务与垂直场景•

应用以识别、分类为主•

以深度学习与大规模数据驱动•

模型参数与算力规模快速提升•

形成通用认知与生成能力2025年,AI产业已从传统判别式AI走进大模型阶段,

2026年向智能体阶段迈进人工智能发展路径演进大

模

型阶段判别式AI2021202220232024202520262027E2028E2029E2030E得益于人工智能应用加速落地、大模型训练与推理需求快速增长以及算力基础设施持续投入,

中国AI算力芯片市场保持高速扩张。

中国AI算力芯片市场规模由2021年的288.3亿元人民币增长至

2025年的2亿元人民币

2025年复合年均增长率达,.

%.

在大模型产业化、算力集群建设及行业数字化转型的推动下

,市场规模预计将进一步扩大至2030年的16,156.o亿元人民币

E

E年复合年均增长率为%整体来看

,

中国AI算力芯片市场正由早期探索阶段迈入规模化高强度算力需求驱动的快速发展阶段成为支撑AI产业持续演进的关键基础设施。中国

算力芯片市场规模亿元人民币,2021-2030ECAGR(2026E-2030E):48.8%1800013500900045000CAGR(2021-2025):64.0%16156.011269.0

695.4

288.3

7658.85188.93299.72088.01391.7435.5预计2029年中国AI算力芯片市场规模突破2021202220232024202520262027E2028E2029E2030E在训练算力与推理算力的双擎驱动下

,

中国智能算力需求进入高速扩容阶段。

2021-2025年

,

训练算力复合年均增长率(CAGR)达65,9%

I推理算力CAGR高至102%。

随着AI大模型研发、多模态技术迭代等对高算力训练资源持续刚性需求

,

以及智能制造、智慧城市等多行业场景的规模化落地

,

2026-2030年中国智能算力规模预计可从1,707.8EFLPOS增长至9,835.1EFLPOS

训练、推理算力的CAGR分别保持36.5%、

69.

7%的高位水平。未来随着推理算力规模渗透率的持续提升

,各智能终端设备、边缘服务节点等推理场景的覆盖范围与应用深度不断拓展

,其对具备低功耗、低延迟、高可靠性等特质的AI算力芯片的依赖度将显著增强

,将直接推动适配推理需求的新型AI算力芯片的市场需求进入快速扩容阶段。CAGR2021-20252026E-2030E

训练算力规模65.9%36.5%

推理算力规模102%69.7%总计76.1%54.9%中国智算需求爆发,未来五年推理算力需求将保持年均70%增长中国智能算力规模EFLPOS(1018浮点运算/秒),

2021-2030E01

AI时代,全球及中国AI算力芯片产业发展及机遇展望02

AI时代,全球及中国AI算力芯片技术两大阵营与三大路线03

新型AI算力芯片市场分析04

新型AI算力芯片市场竞争格局分析目录通用性不同场景AI任务差异与模型迭代周期缩短

需兼顾多样化需求与快速迭代能力规模扩展能力AI计算集群向万卡级规模的扩张需强化网络互联以释放集群性能计算效率模型规模扩大与AI计算任务普及需提升计算效率降低成本AI算力芯片迭代方向取决于产业当下面临三大挑战资料来源:沙利文研究面向AI计算新范式,全球AI芯片产业2026年形成两大阵营:GPGPU

&

新型算力芯片为满足AI时代下爆发式增长的算力需求,

目前已形成以GPGPU

为代表的通用算力,和以数据流DATAFLOW、

ASIC/DSA

为代表的新型算力芯片两大技术阵营、三大核心路线齐头并进,共同构筑起人工智能产业发展算力底座是一种为特定的应用场景、计算任务或功能需求专门设计制造的集成电路,

能够在针对性的任务中实现高于通用芯片的运行效率与能效表现•

专用算子加速•

指令级优化•

模型-硬件协同设计✓

能效比高✓

计算效率优Х

场景适配灵活性较弱又称软件定义硬件SDH

,是一种可根据不同应用需求动态调整自身体系结构的计算系统,其利用灵活重组的硬件资源为特定应用提供与之匹配的硬件形态•

可重构算子阵列•

数据流调度•

软硬件协同编译✓

计算效率高✓能效比高、计算延迟低✓

高灵活性即通用图形处理器,最初是专门为了处

理计算机的图形渲染工作而设计的硬件

组件,

它可以快速完成图形数据的

计算、处理和输出基于SIMT架构实现大规模并行计算✓

通用性强✓适配多算法场景Х

特定任务下能效比有限路线2:数据流DATAFLOW定义

核心技术能力核心特征GP

GPU

阵营

新型算力芯片阵营路线3:ASIC/DSA资料来源:沙利文研究路线1:

GPGPU代表厂商………GPGPUDATAFLOWASIC/DSA如今算力爆发、推理需求激增,行业重新定义分类,将数据流架构独立出来以适配快速迭代的算法场景,同时FPGA

已基本退出主流训练

/推理应用,不再作为独立

赛道参与对比。FPGA

GPGPU

ASIC2026年之前

,技术路线尚未分化

,训练需求是核心,

FPGA

仍被视作通用计算的可选路径

,缺乏对推理场景的针对性

考量伴随技术演进及巨头入局AI算力芯片主流技术类型迭代为面向AI计算的新范式2025

20262027E2024-2025面向AI计算新范式全球AI芯片技术新体系形成三大路线DATA

FLOWGP

GPU

ASIC/DS

A面对产业挑战我们认为未来优秀算力芯片具备5大特质优质AI算力芯片5大核心特质AI算力芯片作为产业升级核心基础设施,只有兼备五大核心特质,才能攻克通用性弱、计算效率低与规模扩展能力弱三大核心痛点能效比成本与绿色发展可扩展性支撑大规模集群高算力核心性能基石灵活性适配算法迭代通用性融入主流生态1

技术层面:专业架构融合先进集成封装,能效比与扩展性更优AI算力芯片破局技术瓶颈:•通过可重构架构等技术实现更优的性能功耗比,实现高算力

输出,大大提高功效比•新型芯片适配晶圆级集成、先进封装等技术融合•

支持高速互联与规模化部署,系统扩展能力强Chiplet与先进封装1

技术层面:摩尔定律受限,效能提升乏力摩尔定律受

间已达物理瓶颈:•

摩尔定律失效,频率增长停滞•

GPGPU传统设计面临先进集成技术融合挑战•

高频技术依赖强,AI计算适配效能表现欠佳•

性能提升边际效应递减,系统级扩展遇瓶颈GPU架构3

发展现状:市场趋于成熟稳定,竞争格局已然明确•

市场已经成熟:从GPGPU赛道来看,其在通用算力、软件生态以及规模化部署方面逐步

建立起成熟路径•

竞争格局已明确:英伟达建立起高技术壁垒

,摩尔线程等国产头部企业突围,行业进入高度成熟阶段,竞争生态逐渐饱和✓英伟达以市值4.4万亿美元居全球

之首。

自1999年上市以来在GPGPU领域建立绝对统治

,

✓摩尔线程—国产GPGPU第一股上市首日股价涨幅达468%

,募集资金近80亿3发展现状:新型AI算力芯片技术路径逐步清晰,商业验证正在发生•商业模式可行性:新型

AI算力芯片进入资本视野,在Google

部分应用场景实现实际落地,开始形成可验证商业模

清微智能、

Groq、华为等头部企业已在新

式(清微智能可重构数据流、华为昇腾ASIC等)

型AI算力领域实现规模化商业部署2

政策层面:GPGPU面临外部严格进出口限制GPGPU面临“卡脖子”

困境:•

美国对高端计算芯片实施严格进出口管制和禁运•英伟达H200等芯片被美国商务部执行严格“逐案审查”•

制程代工厂和核心EDA工具等环节被锁定限制2

政策层面:国家政策大力扶持新型AI算力芯片产业,推动技术自主可控国家大力扶持AI算力芯片保障产业链可控安全:•《国家数据基础设施建设指引》提“多元异构算力协同”•《新时期促进集成电路产业和软件产业高质量发展的若干政策》聚焦高端芯片•

国家战略明确自主可控算力为核心目标到2030年,使中国人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心基于核心特质,新型AI算力芯片大概率将复制GPGPU的高速增长路径以新型AI算力芯片为核心的算力生态以GPGPU为核心的算力生态•

市场前瞻性:

在GPGPU已经取得阶段性成功背景下,市

门清微智能

gro场开始前瞻性关注新型算力芯片领域的创新机遇GPGPU市场竞争格局逐渐成熟稳定,技术及外部政策受限新型AI算力芯片是可复制GPGPU成功路径的关键领域他山之石:从中国新能源汽车产业的今天看见新型

算力芯片的未来新能源汽车百万辆

▲

新能源汽车渗透率

整体汽车出货量97.02020年渗透率4.2%

2025年至24.3%预计2030年可达较高

渗透水平全球碳排放预测2015-2100年一—

一切照旧

—

巴黎承诺

二度目标双碳政策背景下新能源汽车下游需求持续

爆发20152040206020802100新能源汽车同样通过软件定义硬件

,实现车辆功能持

续OTA迭代升级

,打破传统硬件限制新型算力芯片

▲

新型算力芯片渗透率

中国算力芯片市场规模2088.020202025

2030E渗透率近五年达60%30%中国推理算力市场规模占比持续提升22.7%39.2%68.4%

推理算力占比AI算力爆发驱动推理芯片需求激增2021

20252030E新型算力芯片通过软件定义硬件

,让芯片能根据不同AI

任务实时动态重组

,兼顾高效性与灵活性共同点从0到规模化的渗透率跃升

增长趋势一致受益于强力时代背景驱动

需求爆发逻辑一致软件定义硬件,构建和传统阵营

差异化竞争高壁垒市场渗透率下游需求端技术端新型算力芯片与新能源汽车突破逻辑高度一致亿元(人民币)180001350090004500288.302020

2025

2030E90.944.6%24.3%1,7501,4001,0507003500125100755025016156.060%76.74.2%0.5%30%Level2

自研功能完备软件栈·PyTorch、TensorFlow适配无缝对接主流框架,零改造接入模型生态国产芯片从“能用”到“好用”创新迭代提速,降低开发门槛,快速复制行业工具能力PTX级RISC-V指令集兼容*2026WAIC大会,清微智能正式发布全栈自研的RAISA软件栈(ReconfigurableAISystemArchitecture)。深度参与FlagOS

开源生态建设目前,新型算力芯片企业适配模块数量领先彰显新型架构在开源生态中的成长潜力成为国内AI生态第一梯队选手Level

1CUDA代码零成本迁移兼容CUDA

API存量代码无缝迁移开发迭代移植

优化省力省事自研推出AI计算芯片及配套软件栈,可实现存量CUDA程

序的快速迁移与自动化移植

,显著降低代码改造工作量

与迁移成本。大模型训练与推理编译器与编程生态通信与算子库新型AI算力芯片如何破解9软件生态之困9携手产业联盟深度参与开源生态建设Level

3实现全栈兼容能力省心省时•

摩尔线程上市首日表现不俗•

上市首日高开468%,盘中一度升至688元/股,此后逐渐回落,当天收报600.50元/股,上涨

425.46%,市值达到2822.52亿元,为后续股价走势奠定了良好基础。•

天数智芯股价涨幅显著•

上市两个多月时间,股价涨幅高达55.2%

,如此快速的上涨反映出公司上市后,其市场价

值得到了市场高度认可。•

壁仞科技上市首日表现亮眼•

上市首日高开82.14%,盘中一度升至

42.88港元

/股,此后震荡回落,当天收报34.46港

元

/股,上涨75.82%,市值达到826亿港元,为后续股价走势奠定了初始基础。自研全功能GPU

,单芯集成AI计算、

图形

渲染等多元算力~3,000亿元中国领先的通用GPU芯片及

AI

算力解决方

案提供商。~1000亿港元专注通用计算,

以Chiplet和光互连等系统

级架构创新,~1000亿港币致力于为异构计算提供全栈GPU芯片及解决

方案~2800亿元英伟达为补齐自身在AI推理赛道的短板、锁定LPU架构核心技术与顶尖团队

,选择收购Groq;此次交易对价达200亿美元

,较Groq三个月前69亿美元的估值近乎翻三倍

,溢价幅度显著AI计算芯片企业爆发式增长的核心动因需求端:AI

算力缺口供给端:国产替代与技术断供训练算力指数级增长:大模型参数量从数

十亿级飙升至万亿级推理场景爆发:AI

Agent等应用使推理算力

需求超训练10倍以上海外垄断:英伟达占据绝大多数市场份额,

形成卡脖子风险政策驱动:

中国将AI芯片纳入国家战略,

地方政府推出“算力券”无论是GPGPU企业,还是新型算力芯片企业,均受市场追捧获高估值红利相关企业资本市场表现国产GPGPU企业核心业务布局与估值概览新型算力芯片企业有望复刻英伟达并购Groq路径,达成GPU企业高估值

~200亿美元01

AI时代,全球及中国AI算力芯片产业发展及机遇展望02

AI时代,全球及中国AI算力芯片技术两大阵营与三大路线03

新型AI算力芯片市场分析04

新型AI算力芯片市场竞争格局分析目录可重构数据流的核心技术特征超低延迟✓可扩展的分布式系统

,直连数千个芯片

,让计算流

持续在芯片间流动

,从而避免了传统架构因频繁访问外部内存带来的能耗与延迟模型推理准确性✓原生支持等多精度格式

,依托可重构计算引擎对

算法的精准适配能力

,减少精度转换损失

,可承

载万亿参数模型全量部署

,实现低精度下近乎无

损的推理精度表现。高能效✓软件定义硬件的可重构架构

,能实时重组内部硬

件资源适配任务需求

,结合存算一体设计降低内

存带宽依赖。相较于传统GPU架构

,无需为通用性

冗余功耗

,实现算力释放与能耗控制的精准平衡。可重构数据流芯片架构示意图可重构数据流的定义与优势定义优势可重构数据流是依托可配置计算单元阵列与数据流驱动执行的计算范式。通过硬件可编程性实现计算单元运算逻辑重组、数据路径重构

,无需硬件迭代即可让通用硬件平台精准匹配多类算法数据流特征。该技术打破传统专用芯片场景局限

,兼具专用计算架构的高效能与通用计算平台的灵活适配能力

,可覆盖大模型训推等多元场景

,其核心是通过软件定义计算逻辑

,在保障计算性

能与能效比的同时,

降低算法迭代与硬件适配成本

,构建兼顾灵活性、算力密度与部署效

率的新一代计算架构。数据存储器配置存储器计算列阵可重构数据流通过可重构计算阵列CGRA,实现兼具高效能与通用灵活适配的双重优势可重构控制器PEPEPEPEPEPEPEPEPE资料来源:沙利文研究可重构数据流技术特性分析•能效与资源利用:可重构数据流依托通用计算阵列的动态重组能力实现PPA极致优化

,保障海量计算单元(

PE

)

的高利用率

,实现算力与能效的精准匹配;•架构灵活性与扩展性:其原生兼容RDMA技术实现低延迟直连协同

,无需额外互联设备即可高效构建万卡级算力集群,

同时硬件可编程性支持计算单元动态重组、在线配置

,能快速适配不同算法(如CNN到Transformer),

匹配算法高频迭代的技术趋势;•场景与生态适配性:

它既能覆盖云端、工业、科学计算等多场景算力需求

,又天然兼容RISC-V指令集及CUDA、主流AI框架等生态

,并能兼容Triton等AI软件工具可直接复用开源体系与工具链,保障算力在开放生态中充分释放。高能效比

3

可扩展性4

灵活性

5

通用性可重构数据流在五大维度均展现优良特征和开发潜力存算融合降低单

次访存代价灵活适配高速迭

代的算法逻辑多元化下游场景适配兼容主流AI开发生态高算力

2高计算单元利用率集群构建难度低PPA极致优化芯片级直连资料来源:沙利文研究三维集成算力拓展的关键载体高算力:通过垂直堆叠计算单元3D

DRAM与高密度互连,既能为可重构数据流的动态并行调度提供充足的计算单元资源池,又能突破平面架构的互连瓶颈算网融合天然适配芯片级直连扩展性强:适配算网融合实现芯片直连

,集群构建难度从指数级降为线性级高能效:减少存储/传统网络依赖

,优化芯片

间传输晶圆级高算力集群核心支撑晶圆级集成达成高算力与能效比:通过整片晶圆构建的互联结构,以高一致性、高密度的通道资源,匹配可重构数据流大规模动态并行调度对高互联带宽的核心需求可重构数据流的高度进化潜力可重构的技术特性天然适配算网融合、三维集成和晶圆级等未来芯片技术算网融合技术与可重构数据流优势分析融合路径✓实现方式:计算任务的数据流图直接映射至可编程计算单元阵列

,动态重构芯片内部及芯片间的物理连接路径✓核心优势:大幅提升高性能计算集群的吞吐效率、

降低端到端时延与能耗数据延迟低✓将计算任务直接编译为芯片间的专属数据通道,

实现超低延迟传输。✓突破了传统GPU在规模扩展时的通信瓶颈

,使万级芯片集群能像单芯片般高效协同。适配多场景应用✓通过软件指令动态重构芯片内部的计算单元

,使同一硬件可实时切换为最适合当前任务的专用处理器。✓实现了从“一芯一用”到“一芯多用”的跨越

,支撑差异

化任务的高效并行

,提升资源利用率。RDMA与传统数据传输模式对比示意图RDMA:即远程直接内存访问,是跨设备内存直连读写、无需CPU与存储中转的高速数据

传输技术算网融合的定义与优势算网融合是一种实现计算与网络协同的架构级技术

,核心是通过在芯片内原生集成RDMA(远程直接数据存取)模块,达成芯片级高速直连,实现计算单元与网络的直接数据交互。相较于传统数据传输模式,

RDMA技术支持计算机系统内存间直接读写,无需主机CPU

、网卡、交换机及共享存储单元参与处理。这种技术既能够通过直连节点内存交互、减少链路层级实现极低传输延迟,又能依托标准化硬件互联与协同调度逻辑,摆脱外接存储依赖,高效搭建并稳定运行万卡级集群,提升系统可扩展性。App

Buffer

RDMABufferAdapter传统数据传输模式Adapter

Buffer算网融合:更低数据延迟、更多场景适配OSOS

AppRDMA数据传输模式优势定义TCP/IPTCP/IP

Buffer

Driver

BufferBuffer三维集成技术是达成高算力的关键路径破解内存墙,释放算力上限✓可重构数据流架构通过计算流动态映射,天然适配3D

DRAM的垂直堆叠与近存计算,大幅降低数据搬运延迟与能耗,从而支撑万亿参数模型训练提升密度与能效,适配高集成需求✓垂直堆叠在提升单位面积存储密度的同时,结合可重构数据流对计算资源的灵活调度,缩短数据路径、降低功耗,解决2.5D封装中的面积与布线瓶颈。平衡成本与可扩展性,支撑规模部署✓可重构数据流支持对3D

DRAM的存储容量进行任务感知的定制化配置,从而适配多场景需求,并通过高带宽低功耗特性、先进封装技术支撑大规模部署。三维集成技术与可重构数据流优势分析融合路径实现方式:通过硅通孔垂直堆叠技术

,将计算单元与

存储器集成为立体结构

,动态配置三维空间中的计算与数据传输路径。核心优势:实现了数据在三维空间内的近存、并行、可重构流动

,实现了能效与计算密度的跨越式提升。高能效高密度计算将计算、存储与互连的三维融合

,任务动态调度,大幅降低访存延迟与能耗。创造了超高带宽、低延迟的立体数据通路

,彻底打

通了平面架构的互连瓶颈

,实现硬件资源的动态高

效利用。三维集成的定义与优势芯片级的三维封装技术

,通过垂直堆叠多颗裸片

,实现芯片内部的立体集成。

以垂直堆叠构建高密度信号通道

,缩短芯

片内部互连路径。传统芯片面临集成瓶颈、传输延迟的痛点

,而三维堆叠芯片

通过垂直堆叠裸片与高密度互连设计

,并集成3DDRAM作为

高带宽低延迟的存储单元

,以立体布局替代平面铺陈

,大幅

缩短信号传输距离

,突破摩尔定律的物理限制

,为高算力场景提供了核心技术支撑。三维集成芯片架构示意图三维集成:大幅降低访存延迟与能耗,创造超高带宽、低延迟的立体数据通路优势定义晶圆级技术与可重构数据流优势分析融合路径✓实现方式:

以整片晶圆构建全局互连基板

,集成海量计算单元

,形成统一的计算平面

,依据任务实时配置数据

通路与计算资源。✓核心优势:提供超高互联带宽与高一致性互连

,支撑大

规模动态数据流调度

,显著提升计算能效。系统级协同✓将整片晶圆构建为统一计算平面

,通过晶圆级互连实现超短距离数据交换

,完全规避片间长距传输。✓单晶圆可替代传统多卡集群,

以极低延迟完成大规模

并行计算

,实现计算架构与算法调度的系统级协同优

化。高资源利用率✓将整片晶圆构建为统一可重构资源池

,按任务动态划分计算单元与互连网络

,支持算力资源的实时配置与

重组。✓实现多任务高效并行与算力配比动态调整

,提高资源

利用率与吞吐效率。晶圆级芯片制造流程示意图晶圆级的定义与优势是以整片晶圆而非单颗芯片作为计算系统基本单元的集成技术

,核心是在整片硅片上

完成海量芯粒互连

,构建高密度、高一致性的互联链路

,实现

“一片晶圆即一颗芯片”

的高度集成形态。突破传统单芯片面积限制

,通过晶圆级集成提升晶体管规模

,实现高算力;

以直接

互连替代多层级链路

,缩短传输路径

,达成低延迟、低能耗;单晶圆可对标多个多

卡服务器

,减少集群节点数量

,且通过全栈协同调度计算、存储、通信资源适配算

力密集型场景,

降低节点故障影响

,保障高稳定性

,适配大模型训练与推理等算力

密集型场景。晶圆级:实现超高系统级协同和资源利用优势定义

新型算力芯片

■

GPGPU数百亿量级数干亿量级万亿量级60,000亿15,000亿1,000亿2025当前阶段✓

生态体系打磨✓

具备初步商业化能力✓

GPU核心技术国外垄断✓

算力需求以训练为主✓

商业化成本较高早期商用阶段,渗透率低2030-2035E短期-中期阶段✓

合作共研,软件生态体系基本建立✓

特定场景积累产品能力✓

逐步探索,实现同水平算力✓

算力需求从训练转移至推理场景✓

供给端形成初步规模商业化落地,关键客户部署渗透率逐步攀升2035E-2040E中长期阶段✓

依托规模效应与协同深化,全栈成熟生态落地✓

满足多元AI场景,精准支撑复杂需求✓

多领域取得原创性突破,实现换道超车✓

需求侧重构,推理需求占大比例✓

供给侧实现形成系统生态集群技术成熟、

大规模铺量渗透率接近峰值*新型AI算力芯片市场规模空间=AI计算芯片市场规模×新型AI算力芯片渗透率中国新型算力芯片市场规模未来五年突破万亿人民币量级(含GPGPU与新型AI算力芯片)

2025-2040E注:以上内容仅供参考,最终研究成果以沙利文公司最终报告为准。ASIC的核心技术特征算法硬件固化✓将目标算法逻辑直接固化为专用硬件电路

,无任何可编程接口。这种深度绑定模式让硬件与算法精准匹配

,运算效率达到极致

,但也决定了ASIC

仅能支持特定算法或同类算法

,通用性

受到限制芯片架构极简✓在设计阶段剔除所有与目标算法无关的冗余组件

,包括通用芯片必备的复杂指令集模块等。

这使得芯片的硬件面积被大幅压缩

,运算过程中的无效功耗被最大限度削减高效组网能力✓基于算法的并行特性

,ASIC通过集成标准化互联

接口和轻量化调度逻辑

,实现多芯片快速组网。该设计能高效分配任务、优化数据传输

,支

持高算力集群的拓展ASIC架构示意图ASIC的定义与优势ASIC是面向特定算法需求定制开发的集成电路

,基于目标算法的运算逻辑

,在硬件

层面固化计算路径、数据通路与控制逻辑

,并对非必要模块进行裁剪

,实现硬件架构与单一算法运算需求的完全匹配。ASIC通过硬件级算法适配

,剔除冗余模块

,实现了高能效比、高稳定性与低单位算

力成本,

同时突破了全场景兼容但单场景低效的局限

,使其能够为高密度、高并发的单一算法场景提供持续且可靠的专用算力支持。ASIC/DSA概览:通过“非必要裁剪”,实现硬件架构与单一算法运算需求完全匹配优势定义02

AI时代,全球及中国AI算力芯片技术两大阵营与三大路线01

AI时代,全球及中国AI算力芯片产业发展及机遇展望04

新型AI算力芯片市场竞争格局分析03

新型AI算力芯片市场分析目录代表企业SambanovaGroq清微智能华为寒武纪成立时间2017年2016年2018年1987年2016年产品布局可重构数据流可重构数据流可重构数据流ASICASIC主要产品DataScale系统

(搭载RDU芯片)LPU芯片TX5、TX8系列昇腾系列(Ascend)MLU系列(思元)融资及上市状态暂无上市计划核心技术被英伟达收购筹备上市暂无上市计划已上市(688256.SH)ASIC/DS

A新型算力芯片厂商DATA

FLOW全球新型AI算力芯片领域主流厂商全景图……数据流路线AI算力芯片市场竞争排名,全球,

2025排名No.1No.2No.3No.4No.5No.6No.7企业名称收入(亿美元)谷歌Groq清微智能Sambanova中昊芯英Tenstorrent鲲云150-180~10.80.5-0.8~0.5~0.5<0.12025年全球数据流架构AI算力芯片赛道呈现一超四强的差异化竞争格局。谷歌凭借TPU系列产品稳居行业龙头地位,全年相关业务收入达150-180亿美元

,体量领先。

除谷歌以外,

Groq以约1亿美元营收排名第二,

国内厂商清微智能以约0.8亿美金的收入紧随其后

,跻身全球前三。整体来看

,

当前赛道特征鲜明:头部谷歌依靠自有云生态形成断层式优势;其余玩家大多为面向AI推理场景的新兴芯片企业体量尚处在早期商业化阶段

相互之间份额接近海外初创厂商起步更早

,而清微智能作为国内代表企业

,在这条差异化架构赛道中拥有本土竞争席位

,有望依托国内算力需求持续提升市场影响力。新型AI算力芯片市场竞争格局分析全球数据流路线AI算力芯片竞争排名,海外厂商有谷歌、Groq、Sambanova,国内厂商有清微智能、

中昊芯英等清微智能主营产品清微智能围绕可重构数据流架构

,构建覆盖端侧、边缘与云端的大算力产品体系

,重点面向大模型训练、推理及高能效集群部署场景。产品系列芯片架构应用场景TX8系列可重构数据流(采用自研TSM-LINK

算力网格技术)云端场景:基于TX81芯片架构的REX1032训推一体服务器,支持数据中心大模型训练TX5系列可重构数据流边缘端场景:安防监控、机器人

……清微智能发展历程2018-2022年

2022-2024年2024年至今●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国

●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国企业成立✓

品牌成立,完成科研团队

向公司主体转型✓

明确以“可重构数据流”为

核心技术路线战略方向✓启动云端大算力芯片布局,强化芯片间互

联与集群能力✓推进软件栈与工具链建设发展迅速✓

品牌发展迅速,TX8云端

芯片进入量产✓支持万卡级集群部署,大模型训练推理应用,推动高阶国产替代企业名称:北京清微智能科技股份有限公司成立时间:

2018年公司总部:中国北京•清微智能源于清华大学可重构计算研究,

2018年成立公司

,作为国产原创可重构芯片(

RPU)架构的开创者与引领者

,专注芯片研发和产业应用,

已经形成了覆盖“云—边—端”

的完整产品矩阵

,客户与落地场景包括智算中心、能源、金融、互联网等。截至目前

,清微可重构芯片累计出货量超3000万颗

,算力卡订单累计3万张,

已在全国十余座千卡智算中心实现规模化落地。全球AI算力芯片市场代表厂商:清微智能

清微智能成立于2018年(前身为清华体系内可重构计算研究团队),以国产原创的底层架构为核心,致力于打造自主可控的可重构通用计算生态,是国内少数已在大模型训练与推理场景实现规模化落地的可重构计算芯片厂商。Groq主营产品Groq

提供软硬一体的全栈式AI

算力基础设施

,产品涵盖底层AI

处理器、标准加速卡、预集企业级服

务器以及大规模计算集群

,并配套软件开发平台。产品系列核心架构制程工艺功耗范围应用场景GroqChipProcessorLPU(语言处理单元)14nm高实时性计算场景~185W:自然语言处理、计算机视觉GroqCardTM

Accelerator软件定义网络(SDN)架构14

nm(基于单颗GroqChip封装)标准服务器环境:~240W

金融服务、政府机构及企业数据中心Groq发展历程2016-2019年

2020-2023年

2024年至今●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国

●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国企业成立战略方向

发展迅速✓

由谷歌核心团队创立,确

立张量流芯片技术路线;✓获得早期资金支持,开启AI芯片研发✓锁定三星

4nm先进工艺,推出GroqCloud转

型云服务;✓

C轮融资晋升独角兽✓获

D

轮及海外巨额注资;✓最终与英伟达达成200亿美元资产收购协议,创并购纪录企业名称:

Groq,

Inc.成立时间:

2016年公司总部:美国加州山景城•

Groq

成立于2016年

,总部位于美国加州山景城

,专攻

AI

实时推理领域。其核心架构基于张量流处理器

(TSP)

构建

,并针对大模型演进为高性能语言处理单元

,通过编译器全权调度实现极致的确定性低延迟。Groq最终被英伟达以约

200

亿美元收购

,验证了新型算力芯片企业达成

GPU

级高估值的商业路径。全球AI算力芯片市场代表厂商:

GroqGroq2016年成立于美国加州山景城,专注支持AI推理速度与确定性,提供软硬一体的全栈式

AI算力基础设施,是新型

AI算力芯片企业实现高溢价价值的标杆案例。SambaNova主营产品SambaNova专注于AI算力领域,提供从芯片、系统到软件的全栈解决方案,主要产品可按产品类型、核心架构、制程工艺、性能特点及应用场景进行划分。产品系列核心架构制程工艺性能特点

应用场景Cardinal系列可重构节点7nm低功耗云端AI训练场景SN40L系列自研Cerulean架

构计算核心5nm+2.5DCoWoS封装高能效云端大规模AI训练

与推理场景、

HPC

高性能计算SambaNova发展历程2017-2019年2020-2021年

2022年至今●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国

●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国发展迅速✓

品牌发展迅速,面向企业和定制化用途的产品不断实现落地,持续迭代芯片斯阿拉莫斯实验室达成合作性能企业名称:SambaNovaSystems成立时间:

2017年公司总部:美国加州帕洛阿尔托•

SambaNova

总部位于加州帕洛阿尔托

,专注企业级AI

训练与推理

,定位高端数据中心

,客群为金融、

医疗、政府超算中心。公司自研可重构数据流架构

CardinalSN芯片及DataScale一体化服务器

,实现“开箱即用”AI算力

,在全球超过200家数据中心部署系统

,稳定服务企业客户150余家。全球AI算力芯片市场代表厂商:

SambaNovaSambaNova2017年成立于美国加州帕洛阿尔托,面向企业级

AI训练与推理场景,目标客群为金融、医疗、超算中心。截至2025年累计融资已超10亿美元,部署系统覆盖北美、欧洲等200+数据中心。企业成立✓

品牌成立,7nmCardinal

SN10流片成功,SambaFlow初版发布战略方向✓完成D轮6.76亿美元融资✓与劳伦斯利弗莫尔

/洛华为主营产品华为提供覆盖“云、管、端、芯”的全栈ICT解决方案,其AI计算产品可按产品系列、核心架构、功耗

范围、制程工艺及应用领域进行划分。产品系列

核心架构功耗范围制程工艺应用场景昇腾310系列自研达芬奇架构6.5W~15W12nm

FinFET边缘端AI推理昇腾910系列32核自研

达芬奇架构310W~620W7nm+EUV7nm

(N+1/N+2)云端大模型AI训练与推理昇腾920系列达芬奇架构

+Chiplet~310W7nm

(N+2)超大规模AI集群昇腾950/960系列(规划中)第四代达芬奇

架构<300W5nm下一代AI超算华为发展历程1987-2011年2012-2018年2019年至今●

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

-

国

●

-

-

-

-

-

-

-

-

-

-

-

-

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论