学习库/ AI Infra 转型/ 02 · 02 GPU 厂商产品全景与市场格局
🧠 AI Infra 转型 · 第 3 / 17 篇

02 GPU 厂商产品全景与市场格局

3804 字· 阅读约 9 分钟· 2026-08-23 更新

02 GPU 厂商产品全景与市场格局

上一章讲了 GPU 是什么。这一章补齐你缺的行业知识：有哪些公司、各自什么产品、架构代际、市场地位、中国特供版、出口管制脉络，以及非 GPU 的 AI 加速器（TPU / Trainium / ASIC）。这是 AI Infra 工程师和算法/业务方对话的「共同语言」。

⏱️ 数据截至：2026-08。AI 硬件季度级迭代，份额/型号会漂移，学方法比背数字重要；遇到最新机型以一手官网/财报为准。本章数字来自 IDC 2025-2026 报告及公开新闻。

2.1 全球格局一句话（2026 现状）

英伟达（NVIDIA）在数据中心 AI GPU 市场约占 85–90%（全球），处于绝对主导；AMD 以性价比为矛追赶；国产阵营（华为昇腾、寒武纪、平头哥等）在信创/政府/央国企项目中快速替代；同时 Google TPU、AWS Trainium 等 ASIC 在超大规模场景持续蚕食。中国市场是「异构 + 国产替代」最激烈的战场：2025 年国产芯片已拿下约 41% 份额，NVIDIA 约 55%。

记住这个基线，后面所有产品细节都在这个格局下理解。

⚠️ 内幕：份额数字要看口径。**「全球 AI 加速器」口径下 NVIDIA 约 85%（含 Broadcom 给超大规模客户做的定制 ASIC 占约 10%）；「数据中心 GPU」口径下 NVIDIA 约 90%；「中国市场」**口径下 NVIDIA 约 55%、国产约 41%。面试时说清楚口径，比报一个数字专业得多。

2.2 NVIDIA 产品线（你必须最熟）

架构代际（理解「代」比背型号重要）

架构（Architecture） 是 GPU 芯片的设计代号，每一代架构升级带来算力/能效跃迁。记住代际顺序，看到任何型号就能定位它「老还是新」。

架构 年份 代表数据中心卡 关键特性
Turing 2018 T4 入门推理
Ampere 2020 A100（40G/80G）、A30 首次 MIG、TF32
Hopper 2022 H100、H200 Transformer 引擎、HBM3/HBM3e
Blackwell 2024 B200、GB200 第二代 Transformer 引擎、FP4/FP8 强化
Blackwell Ultra 2025 B300、GB300 288 GB HBM3e、推理强化
Rubin（下一代） 预计 2026 H2 Rubin GPU / Rubin Ultra FP4 ~50 PFLOPS，较 Blackwell 再翻倍级

名词解释：

  • MIG（Multi-Instance GPU）：硬件级把一张卡切成多个独立实例，详见 05。
  • TF32（TensorFloat-32）：NVIDIA 自创的中间精度，用 Tensor Core 加速，详见 03。
  • Transformer 引擎（Transformer Engine）：Hopper 起内置的硬件单元，自动为 Transformer 模型选择最优精度（FP8/FP16/BF16）以加速。Transformer 是当今大模型（GPT/DeepSeek 等）的核心网络架构。
  • FP4/FP8：4 位/8 位浮点数格式，精度低但省显存、算力高，详见 03。

主力数据中心卡

型号 显存 定位 备注
A100（80G） 80GB HBM2e 训练/推理主力（上一代） 支持 MIG 切 7 份
H100（SXM/HBM3） 80GB 大模型训练旗舰 Hopper，Transformer 引擎
H200 141GB HBM3e 大模型训练/推理 显存带宽大增
B200 192GB HBM3e 新一代旗舰 Blackwell，算力翻倍级
GB200 Grace CPU + 2×B200 超级芯片 高带宽 CPU-GPU 互联（Grace CPU 是 NVIDIA 自研的 ARM 架构 CPU）
B300 / GB300（Blackwell Ultra） 288GB HBM3e 2025 下半年量产，推理/大模型强化 相较 B200 多出 50% 片上内存
L4 / L40S / T4 24G/48G 推理/图形/小模型 性价比、低功耗

名词解释：

  • HBM2e / HBM3 / HBM3e：HBM 的不同代际，越新越快。HBM 由 SK hynix、三星、美光供应，2025-2026 产能紧张，是 GPU 供货瓶颈之一（见 2.7）。
  • SXM：NVIDIA 服务器形态的卡（直插在专用主板上，配 NVLink），比 PCIe 卡互联更强。PCIe 是通用总线接口。

⭐ 中国特供版与出口管制（2026 最新，必懂）

出口管制（Export Control） 是美国限制高端 AI 芯片对华销售的政策。脉络（详见 2.7）：

  • H20 / L20 / L2：因美国出口管制，H100/H200 不能原样卖中国，NVIDIA 推出刻意下调算力/带宽/互联的特供版。
  • H20 显存大但算力被砍，专为中国市场训练/推理合规需求设计。
  • 2025-04：美国禁 H20 对华出口 → NVIDIA 中国份额一度从约 95% 暴跌到接近 0%。
  • 2025-07：H20 恢复出口（许可证制）。
  • 2025-12：H200 也被放行对华出口（特朗普宣布）。
  • NVIDIA 计划推出 B30 / B40 作为新一代中国特供版。

⚠️ 行业内幕：即便放行，H200 进入中国也受多重制约——美国加征 25% 关税、中国网信办约谈 NVIDIA 审查 H20 安全风险、新建数据中心审批优先采用国产算力。所以「特供版 + 国产替代」仍是长期主线。你在中国做 AI Infra，H100/H200 直接买不到是常态，要么用特供版，要么用国产卡。

消费卡（个人学习用，注意边界）

  • RTX 4090 / 5090：个人跑小模型/微调/学习可用。
  • 不支持 MIG，驱动有数据中心限制，不适合生产集群。

2.3 AMD（性价比追赶者）

产品 显存 定位
MI250X 128GB HBM2e 上一代，Frontier 超算
MI300X 192GB HBM3 高算力密度，对标 H100，显存更大
MI325X 256GB HBM3e 新一代，主攻大显存推理
MI350X / MI355X（CDNA4，2025.6） 288GB HBM3e 2025 新旗舰；MI350X 风冷 1000W / MI355X 液冷 1400W；配套 ROCm 7
MI400（预计 2026） 更大 CDNA 下一代，对标 Rubin 时间窗

名词解释：

  • CDNA：AMD GPU 计算架构代号（类似 NVIDIA 的 Hopper/Blackwell）。CDNA4 是 MI350 系列的架构。
  • 风冷 / 液冷：散热方式。液冷散热能力强但成本高，高功耗卡（如 MI355X 1400W）必须液冷。
  • 软件栈 ROCm：对标 CUDA 的生态（HIP 语言、MIOpen 等库）。生态成熟度是最大短板——很多框架对 ROCm 的支持滞后于 CUDA。ROCm 7（2025）在算子覆盖和易用性上明显进步。
  • 在 AI Infra 视角：AMD 卡要进 K8s，靠 ROCm Kubernetes device-plugin / AMD GPU Operator，机制与 NVIDIA device-plugin 同构（呼应 04）。

⚠️ 内幕：AMD MI308（中国特供版）也曾被禁后又恢复。AMD 在中国 2025 年出货约 16 万张、份额约 4%，体量远小于 NVIDIA 和国产阵营。

2.4 Intel（生态早期）

  • Gaudi 2 / Gaudi 3：专为训练/推理加速的 ASIC（专用芯片），主打性价比与以太网互联，对标 GPU 训练。Gaudi 3 已实际出货。
  • Xe 数据中心 GPU（Max 系列）：通用 GPU 路线。
  • 现状：生态和份额都小（全球 <2%），但在特定性价比场景有一席之地。

名词解释：ASIC（Application-Specific Integrated Circuit，专用集成电路） 是为某类任务专门设计的芯片，不像 GPU 那样通用，但在固定任务上能效/成本更优。Gaudi、TPU、Trainium 都属此类。与之相对的是 FPGA（现场可编程门阵列，可重新编程的芯片，AI 里较少作主力）。

2.5 国产阵营（信创核心，必须了解）

厂商 训练卡 推理卡 软件栈 2025 出货（约）
华为昇腾 昇腾 910B / 910C（910C 用 7nm） 昇腾 310 / 710；2026 发布 950PR（号称 ~3×H20） CANN + 昇思 MindSpore ~81.2 万张（国产第一）
阿里平头哥（T-Head） 真武 810E GPU — 阿里栈 ~26.5 万张（国产第二）
百度昆仑芯 昆仑芯 2 / 3 昆仑芯 百度栈 ~11.6 万张
寒武纪 思元 590（MLU590） MLU370 寒武纪 NeuWare ~11.6 万张
海光 / 沐曦 / 天数智芯 / 摩尔线程 / 壁仞 各有产品 — 各自生态 合计约 12%

名词解释：

  • CANN（Compute Architecture for Neural Networks）：华为昇腾的对标 CUDA 的软件栈。昇思（MindSpore） 是华为开源的深度学习框架（对标 PyTorch/TensorFlow）。
  • 信创（信息技术应用创新）：中国推动关键领域用国产软硬件替代的政策，政府/央国企/金融/电信是主战场。
  • 共同点：受制裁催化加速，在政府、央国企、金融、电信等信创项目占比高；2025 年起各地智算中心采购普遍倾向国产。
  • 最大短板：软件生态（编译器、算子库、框架适配）远不如 CUDA 成熟，需要更多「适配层」工作——这恰恰是 AI Infra 工程师在国产卡场景的痛点与价值。
  • 昇腾 910B/910C 是国内训练主力替代，CANN 对标 CUDA，但开发者体验和算子覆盖仍有差距。
  • 华为路线（重要内幕）：2025 年 9 月华为全联接大会上，轮值董事长徐直军明确不兼容 CUDA，理由是「CUDA 现在也不能随便用、都是过去版本，长远要自建生态」。而摩尔线程（MUSA）、沐曦（MXMACA）等则选择兼容 CUDA 以降低迁移成本。两条路线并存。

⚠️ 内幕：国产卡主流用 7nm 或 14nm 制程（如昇腾 910C 是 7nm），而 NVIDIA Blackwell 已是 4nm。先进制程受限直接影响算力密度和能效比——这是国产卡单卡性能落后的根因之一，也是国产方案常靠「堆卡数」补单卡性能差距的原因。

2.6 市场格局与份额（2025-2026）

全球（IDC 2025 数据）

厂商 数据中心 AI 加速器份额（约） 趋势
NVIDIA（GPU） ~85% 绝对主导，受管制 + ASIC 挤压
Broadcom（给超大规模客户做定制 ASIC） ~10% 云厂自研 ASIC 崛起
AMD ~2-4% 性价比 + 大显存抢份额
Intel / 其他 <2% 早期

中国（IDC 2025 数据，约 400 万张加速卡出货）

阵营 份额 出货（约） 说明
NVIDIA ~55% 220 万张 较禁令前 95% 腰斩
国产合计 ~41% 165 万张 华为 ~20%（81.2 万）、平头哥 ~6.6%、昆仑芯/寒武纪各 ~2.9%、海光/沐曦/天数智芯合计 ~12%
AMD ~4% 16 万张 MI308 禁后恢复

⭐ 重点：「GPU 份额」与「全部 AI 加速器份额」口径不同——后者因 TPU/Trainium/Broadcom 定制 ASIC 增长，NVIDIA 占比被摊薄。面试说份额务必带口径。

2.7 出口管制脉络（理解「为什么有特供版/国产替代」）

时间 美国动作 NVIDIA 应对
2022.10 首次对 A100/H100 级对华出口设算力/带宽阈值 推 A800/H800 降规版
2023.10 进一步收紧，覆盖更多型号，设「灰度规则」 推 H20/L20/L2 特供版
2025.04 禁 H20 对华出口 NVIDIA 市值蒸发 ~1600 亿美元；推 B30/B40 计划
2025.07 批准 H20 出口许可证 恢复对华销售
2025.12 放行 H200 对华出口（许可证制） 中国海关先拒后放，加 25% 关税

直接影响：

  1. 中国大模型公司拿不到顶级卡 → 用特供版 + 国产卡组合。
  2. 国产替代加速（昇腾订单大增，2025 国产份额冲到 41%）。
  3. 集群调度更复杂：异构、受限制、需更精细的算力分配。

⭐ 重点：作为 AI Infra 工程师，「异构 + 受管制 + 国产替代」是中国场景的真实约束。你在 04/08 学的多厂商接入、qGPU 等，很大程度是为这个现实服务的。这恰恰是你相对欧美工程师的差异化经验。

2.8 各公司生态与路线（理解护城河）

公司 护城河 路线
NVIDIA CUDA 生态 + NVLink + 全栈软件（cuDNN/TensorRT） 硬件+软件双锁定，难以替代
AMD 性价比 + 大显存 + 开放 ROCm 靠价格 + 容量抢推理/性价比市场
华为 昇腾硬件 + CANN + 昇思 + 华为云一体 国产全栈自主，不兼容 CUDA
Google（TPU） 软硬一体（JAX/XLA）+ 超大规模部署 ASIC 路线，云上对外
国产其他 单点性能/特定场景 信创适配为主

名词解释：cuDNN、TensorRT 是 NVIDIA 的深度学习算子库/推理加速库，属 CUDA 生态。JAX / XLA 是 Google 的数值计算框架/编译器，TPU 用它编译执行。

CUDA 是 NVIDIA 真正的护城河——不只是芯片快，而是所有框架、算子库都先适配 CUDA。这也是 AMD/国产卡「卡」在软件上的根本原因。你学 AI Infra，本质是学「如何在这套异构现实上把算力用起来」。

2.9 ⭐ 非 GPU 加速器：TPU / Trainium / ASIC（AI Infra 必懂的「另一半」）

前面都是 GPU 系。但 2025 起，ASIC（专用芯片）阵营突破明显，AI Infra 工程师面对的真实异构远不止 N 卡：

加速器 厂商 形态 软件栈 特点
Google TPU Google 云端 ASIC JAX / XLA / PyTorch-XLA 为 TensorFlow/JAX 深度定制；实测同代 1.5–2x GPU 速度、能效更优；v5e/v6/Trillium 供 GCP
AWS Trainium / Inferentia Amazon（Annapurna） 云端 ASIC Neuron SDK 主打训练(Trainium)/推理(Inferentia)性价比；Trainium2 已大规模部署
Broadcom 定制 ASIC Broadcom 为超大规模客户定制 客户自研栈 给 Meta/Google 等做定制，占全球加速器约 10%
Meta MTIA Meta 自研 ASIC 内部栈 大模型推理规模化自研
Tesla Dojo Tesla 自研训练 ASIC 内部栈 自动驾驶训练专用
Qualcomm AI200/250 Qualcomm 推理 ASIC — 2026-27 主攻高显存低功耗推理

对 AI Infra 工程师的意义：

  • 「类 TI-ONE 的多云/异构平台」必答题就是接入非 N 卡加速器：资源注册（device-plugin 思路同构）、调度亲和、框架编译（XLA/Neuron）、监控指标差异。
  • TPU 用 JAX + XLA 编译执行，不依赖 CUDA；Trainium 用 Neuron 编译器把 PyTorch 模型转成 Neuron 可执行。接入层的「标准化」思路（见 04）完全可迁移。
  • 面试加分点：能说清「GPU 通用 vs TPU/ASIC 专用」的取舍——GPU 生态通用、易上手；ASIC 在固定负载下能效/成本更优，但软件栈封闭、灵活性低。

⭐ 重要心智：AI 加速器 = GPU（通用） + ASIC（TPU/Trainium 等，专用）。你的转型目标里「异构算力池化」的「异构」，正包含这两者。

2.9 实战：GPU 规格对比与市场调研

2.9.1 构建 GPU 规格对比表

python3 -c "
cards = [('A100',80,2.0,312,600,'Ampere'),('H100',80,3.35,989,700,'Hopper'),('H200',141,4.8,989,700,'Hopper'),('B200',192,8.0,1800,1000,'Blackwell'),('L4',24,0.3,30,72,'Ada'),('H20',96,4.0,900,400,'Hopper')]
for c in cards:
    print(f'{c[0]:>6} | {c[1]:>3}GB | {c[2]:>5.1f}TB/s | {c[3]:>5}TF | {c[4]:>4}W | {c[5]}')
"

2.9.2 在线调研练习

搜索以下信息并记录：

  1. NVIDIA H20 在中国最新售价（查阿里云/腾讯云 GPU 实例）
  2. 华为昇腾 910B 规格（对比 H100）
  3. Google TPU v5p 算力
  4. 2025 中国 AI 芯片市场份额最新数据

目的：AI 硬件季度迭代，学方法比背数字重要。

2.10 自测题

  1. 说出 NVIDIA 近几代架构（Turing→Ampere→Hopper→Blackwell→Blackwell Ultra→Rubin）及代表卡。
  2. H100、H200、B200、B300（Blackwell Ultra）的主要区别是什么？
  3. 什么是「中国特供版」？为什么会有 H20/L20/L2？2025 年 H20 经历了什么？
  4. AMD MI350X/MI355X 相比 H100 的最大卖点是什么？它的短板是什么？
  5. 国产训练卡主力是哪款？软件栈叫什么？华为为什么选择不兼容 CUDA？
  6. 2025 年中国 AI 加速卡市场，NVIDIA 和国产分别占多少？「GPU 份额」和「全部加速器份额」有何不同？
  7. 出口管制对中国 AI Infra 工程师的工作产生了什么实际影响？
  8. 国产卡主流制程是多少？和 NVIDIA 的差距意味着什么？
  9. ⭐ Google TPU / AWS Trainium 分别用什么软件栈？为什么 AI Infra 工程师必须懂 ASIC？

能答上，说明行业全景已建立（含异构加速器与 2026 内幕）。下一步 03 学「怎么看指标、怎么选型」。

← 返回专栏