上海掀起GPU资本盛宴，国产算力崛起正当时

岁末年初，中国资本市场的目光聚焦在黄浦江畔，一场轰轰烈烈的“GPU旋风”正在席卷而来。不到一个月的时间，沐曦股份、壁仞科技、天数智芯三家上海的GPU企业相继登陆资本市场，而被称为“上海GPU四小龙”的燧原科技，也完成了IPO辅导，即将为这场盛宴画上圆满的句号。

从科创板首日暴涨692.95%的造富神话，到港交所超2300倍的惊人认购纪录；从百亿级的IPO募资规模到千亿市值俱乐部的批量诞生，国产GPU企业正以迅猛的资本攻势，宣告着国产算力产业新时代的到来。

这并非偶然的资本狂欢。沐曦股份凭借14.3亿元的订单和“千卡集群”的商业化落地，上市首日市值突破3000亿元，创下多项纪录；壁仞科技作为“港股国产GPU第一股”，获得23家基石投资者的支持；天数智芯则作为首家实现国产7nm训练推理通用GPU量产的企业，覆盖了20多个行业。

然而，光环之下亦有隐忧：天数智芯三年半累计亏损超28亿元，壁仞科技同期亏损超63亿元，揭示出这个高投入、高风险行业在抢占窗口期时的“流血冲锋”本质。

这是一场关乎智能未来的产业竞速赛：国际巨头以“黄氏定律”般的速度垒高技术壁垒，而中国本土力量在资本与政策的双重加持下集体破局。要理解这场竞赛的深层逻辑，我们必须回溯GPU从游戏配件到算力核心的蜕变之路。

01

定义核心：从图形助手到算力引擎的蜕变

在探讨这场席卷全球的算力革命之前，我们先明确一个核心概念——GPU。GPU全称Graphics Processing Unit，图形处理器。我们常提到的CPU（Central Processing Unit）是指中央处理器，它与GPU的核心差异在于架构设计：CPU通常拥有少数几个强大的核心，擅长处理复杂的通用串行任务；而GPU则集成数千个相对简单的核心，专为处理海量同质化的并行任务。

图：GPU在计算机中的位置，公开资料整理。

如果说CPU是计算机的“大脑”，负责决策与控制，那么GPU则是专精于“大规模重复劳动”的“肌肉”，其并行计算的天性使其在图形渲染和高效能矩阵运算（人工智能的核心）中的效率远超CPU。

随着5G与人工智能时代的到来，数据中心内机器学习等AI计算已占据总计算量的四分之一到三分之一，大数据处理的重任正从CPU向算力更强的GPU转移。GPU的应用早已超越传统的个人电脑图形显示，其形态按接入方式可分为独立与集成；其疆域已扩展至移动设备、数据中心服务器与个人电脑等多个场景。尤其在AI与云计算浪潮下，GPU凭借其与生俱来的并行计算优势，成为了数据处理的核心引擎。

02

GPU从哪来：一部从游戏显卡到AI基石的创业史

GPU产业的崛起是一部典型的硅谷技术创业史诗，而其主角无疑是英伟达（NVIDIA）。故事的开端可追溯至1989年——几位工程师共同勾勒了一款新图形加速器的蓝图。1993年，英伟达正式成立，创业之路充满坎坷。至1995年，公司面临设计出芯片却无资金建厂制造的困境。创始人黄仁勋致信台积电创始人张忠谋求助，并成功获得支持。

这段合作被黄仁勋视为关键转折：“如果当初我自己建厂生产GPU芯片，我现在可能就是一个守着几千万美元的公司的安逸的CEO。”台积电的代工模式让英伟达得以轻资产运营，聚焦设计与创新，从而快速迭代产品，抢占市场。

1999年，英伟达做出了两个定义行业的举动：一是彻底转型专注于显卡芯片；二是首次在全球提出“GPU”这一革命性概念。同年，公司在纳斯达克上市，市值达6.26亿美元，开启了长达二十余年的高速增长传奇。

然而，硬件性能的领先并非其构筑护城河的终极武器。真正的“神来之笔”发生在2006年，英伟达在推出新一代GPU的同时，发布了具有划时代意义的CUDA计算平台。CUDA即Compute Unified Device Architecture，统一计算架构，本质上是一套软件工具，它让开发者能够以前所未有的便捷性调用GPU的强大算力进行通用计算（GPGPU），这为后来深度学习的爆发埋下了伏笔。

图：关于CUDA的描述，来自英伟达官网

直到2014年前后，英伟达将CUDA与AI计算完美融合后，英伟达的腾飞才真正开始。如今，CUDA连接了全球数百万开发者，使英伟达GPU成为AI时代事实上的“计算货币”。

03

技术争锋：HBM、架构迭代与性能军备竞赛

驱动GPU产业以“黄氏定律”速度前进的是持续不断的技术创新与白热化的性能军备竞赛。当前的技术角逐主要集中在三个关键维度：

1、存储技术的跃迁

算力的爆炸式增长不仅需要强大的“引擎”（GPU核心），更依赖于能够实时“喂饱”引擎数据的“高速粮道”。自2017年起，英伟达便在高端AIGPU（如A100、H100）中率先采用HBM（高频宽存储器）技术。

图：H200，英伟达官网

以英伟达2023年底发布的H200 GPU为例，它首次搭载HBM3e显存带宽高达4.8TB/秒用于700亿参数大模型推理时速度是前代H100的1.9倍能耗却降低一半。这清晰表明突破“内存墙”是算力持续进化的生死线。

更多内容详见原文