1.后浪未起，GPU将在数据中心长足发展
GPU在A.I数据中心领域对A.I专用芯片的技术突袭防御性较强。相比于由图形处理器演进而来的GPU，当前许多公司基于FPGA、ASIC从事A.I专用芯片研发，以挑战GPU在A.I领域的霸主地位，我们认为GPU在A.I数据中心领域对A.I专用芯片的防御性较强。GPU的性能特点与A.I数据中心对处理器的需求非常契合，并且在长时间的发展中已经形成了完整的生态，相比较而言，无论是FPGA、还是ASIC路线A.I专用芯片，都尚处于发展阶段，而要成功打造一款通用芯片，时间的积淀非常重要。
GPU具有较为完整的技术生态。高运算性能硬件、驱动支撑、API接口、通用计算引擎/算法库、较为成熟的开发环境都为应用GPU的深度学习开发者提供了足够友好、易用的工具环境。开发者可以迅速获取到深度学习加速算力，降低了深度学习模型从研发到训练加速的整体开发周期。
驱动程序，独立显卡厂商不仅提供高性能硬件，也一直提供配套驱动来支持其GPU调用计算资源。早期图形处理、游戏业务的优势地位使得英伟达一直在GPU驱动下了不少功夫，公司总部大多数员工都是从事驱动程序的研发工作。从图形接口API来看，不同的独立显卡厂商提供不同的图形标准API，而不同的API接口适应于不同的计算系统，如OpenGL标准支持Unix系统的服务器计算平台，Direct3D支持windows系统的PC。英伟达推出的CUDA(ComputeUnifiedDeviceArchitecture)通用并行计算平台，是为利用GPU并行运算能力开发的计算平台。可以让开发人员用C语言编写的程序在其处理器上高速运行，大大提升了通用GPU的易用性。
算法库，CUDA包括了大量的GPU加速库和基于C语言的编程工具，开发者可以在熟悉的编程环境下便捷地调用加速库。CUDA提供的算法库可以让应用程序像调用库函数一样简单实现一些深度学习算法。CUDA开发人员的数量在5年里增长了14倍，超过60万人，CUDASDK的下载量达到180万。众多CUDA开发人员对于维持英伟达GPU客户黏性非常重要。
GPU完整的技术生态，吸引了大量A.I企业采用GPU进行人工智能加速，建立了良好的行业生态。英伟达与科研机构开展合作项目，深入了解科研领域需要的运算问题，为其提供专业的超级计算加速解决方案。英伟达与不同应用领域的企业合作，如医疗、金融、天气等，开发面向不同领域的加速产品。截止2016年底，与英伟达合作开发深度学习项目的公司已经达到了19,439家。除了传统的互联网巨头公司以外，还有很多创业公司，用于图像识别、语音识别、自然语言处理、计算机视觉、搜索引擎、医学成像、机器人、数据挖掘等应用加速。
参考中国报告网发布《2016-2022年中国图形处理器（GPU）行业现状调查及竞争策略分析报告》
GPU的高运算性能使其迅速占领A.I数据中心市场，完备的生态环境可帮助其维持霸主地位。从上图可以看出，GPU的浮点运算能力一直保持着直线上升。英伟达在2017年GPU技术大会上发布的全新一代人工智能GPU芯片—TeslaV100能够达到15Tflops的单精度浮点性能，7.5Tflops的双精度浮点性能，可以满足当前A.I深度学习的运算能力。GPU持续提升的运算能力是其维持在A.I数据中心这一运算密集型应用场景中霸主地位的根本，而面对众多新兴A.I芯片的挑战，GPU已经建立起的完备的生态环境可帮助其提高防御能力。
GPU的生态环境有利于其将在训练学习领域（A.I数据中心）建立的优势延续至推理应用领域（前端电子产品）。当前GPU已经占据了A.I数据中心市场，学习阶段处理器需求已经被GPU占领。未来随着A.I行业应用的逐渐落地，推理阶段处理器需求将持续放量。从学习到推理阶段，算法部署的平滑、便捷性是需要考虑的重要问题。如果从数据中心、云端到前端应用，整个产品线都采用英伟达的CUDA计算平台，可以极大地减少算法跨平台的难度，实现平滑过渡，省去了变更运行环境所需的协同工作。
相比较而言，无论是FPGA、还是ASIC，都尚处于发展阶段。目前有一些公司基于FPGA技术路线或ASIC技术路线开发的A.I专用芯片，是为满足自身的需求而进行的个性化开发。典型的就是谷歌的TPU，公司并没有计划将其做成一款通用芯片推向市场。有些公司也在基于FPGA或ASIC开发通用的A.I专用芯片，但是都未达到GPU的成熟程度。一款芯片要做的具有通用性，性能稳定优异，需要较长时间的应用、优化、验证。但是不可否认的是，长期来看，GPU能耗高、价格贵等问题也给A.I专用芯片留下了机会。
2.数据中心市场仍存成长空间
A.I数据中心需求增加。当前深度学习对海量数据的处理需求，需要专业的A.I数据中心来支撑。随着A.I的纵深发展，未来A.I数据中心的数据、流量和处理能力也将随之提升，对专业数据中心需求将会增多。具体表现为：当前许多从事A.I研发的互联网巨头，像亚马逊、百度、腾讯等，都已部署自己的数据中心，并尝试承载A.I业务，许多A.I潜在应用行业客户尚未部署自己的A.I数据中心。随着A.I行业应用继续深入发展，A.I数据中心的数量和规模将会持续增加。据智研咨询数据预测，到2020年超大规模数据中心将占全部数据中心服务器安装量的47%，达到485个。预计专业的A.I数据中心增长趋势与之相同，未来几年A.I数据中心也呈现直线上升。
GPU的A.I数据中心市场将继续保持高速增长。2015-2017财年（2017财年时间为：2016年2月1日-2017年1月31日，其他时间依次类推），英伟达数据中心业务收入达到了：3.17、3.39和8.3亿美元。说明CPU+GPU异构系统已经广泛部署，GPU在数据中心发挥的强大作用已经被广泛认可。当前英伟达GPU在数据中心渗透率还不到1%，市场成长空间仍然很大。
目前，A.I数据中心（A.I数据中心只是GPU的全部数据中心市场的一部分，GPU应用于数据中心也有可能进行A.I以外的超级计算）尚处于早期发展阶段，主要是互联网巨头在A.I深度学习研发阶段部署的A.I数据中心，随着A.I纵深发展，A.I数据中心需求会继续保持高速增长，GPU在数据中心的市场规模会进一步爆发。IDC和Bernstein的研究报告对未来A.I数据中心GPU的市场规模进行了较为保守的估算和预测。2016年A.I数据中心GPU的市场规模达4.71亿美元，预计到2020年A.I数据中心的GPU市场规模会达到近40亿美元，继续保持高速增长。
GPU在A.I数据中心领域对A.I专用芯片的技术突袭防御性较强。相比于由图形处理器演进而来的GPU，当前许多公司基于FPGA、ASIC从事A.I专用芯片研发，以挑战GPU在A.I领域的霸主地位，我们认为GPU在A.I数据中心领域对A.I专用芯片的防御性较强。GPU的性能特点与A.I数据中心对处理器的需求非常契合，并且在长时间的发展中已经形成了完整的生态，相比较而言，无论是FPGA、还是ASIC路线A.I专用芯片，都尚处于发展阶段，而要成功打造一款通用芯片，时间的积淀非常重要。
GPU具有较为完整的技术生态。高运算性能硬件、驱动支撑、API接口、通用计算引擎/算法库、较为成熟的开发环境都为应用GPU的深度学习开发者提供了足够友好、易用的工具环境。开发者可以迅速获取到深度学习加速算力，降低了深度学习模型从研发到训练加速的整体开发周期。
驱动程序，独立显卡厂商不仅提供高性能硬件，也一直提供配套驱动来支持其GPU调用计算资源。早期图形处理、游戏业务的优势地位使得英伟达一直在GPU驱动下了不少功夫，公司总部大多数员工都是从事驱动程序的研发工作。从图形接口API来看，不同的独立显卡厂商提供不同的图形标准API，而不同的API接口适应于不同的计算系统，如OpenGL标准支持Unix系统的服务器计算平台，Direct3D支持windows系统的PC。英伟达推出的CUDA(ComputeUnifiedDeviceArchitecture)通用并行计算平台，是为利用GPU并行运算能力开发的计算平台。可以让开发人员用C语言编写的程序在其处理器上高速运行，大大提升了通用GPU的易用性。
算法库，CUDA包括了大量的GPU加速库和基于C语言的编程工具，开发者可以在熟悉的编程环境下便捷地调用加速库。CUDA提供的算法库可以让应用程序像调用库函数一样简单实现一些深度学习算法。CUDA开发人员的数量在5年里增长了14倍，超过60万人，CUDASDK的下载量达到180万。众多CUDA开发人员对于维持英伟达GPU客户黏性非常重要。
图：CUDA提供的算法库以及开发工具
资料来源：观研天下整理
GPU完整的技术生态，吸引了大量A.I企业采用GPU进行人工智能加速，建立了良好的行业生态。英伟达与科研机构开展合作项目，深入了解科研领域需要的运算问题，为其提供专业的超级计算加速解决方案。英伟达与不同应用领域的企业合作，如医疗、金融、天气等，开发面向不同领域的加速产品。截止2016年底，与英伟达合作开发深度学习项目的公司已经达到了19,439家。除了传统的互联网巨头公司以外，还有很多创业公司，用于图像识别、语音识别、自然语言处理、计算机视觉、搜索引擎、医学成像、机器人、数据挖掘等应用加速。
图：采用英伟达GPU加速深度学习的企业及领域分布
资料来源：观研天下整理
表：部分采用英伟达GPU加速深度学习的公司
资料来源：观研天下整理
图：GPU浮点运算能力
资料来源：观研天下整理
参考中国报告网发布《2016-2022年中国图形处理器（GPU）行业现状调查及竞争策略分析报告》
GPU的高运算性能使其迅速占领A.I数据中心市场，完备的生态环境可帮助其维持霸主地位。从上图可以看出，GPU的浮点运算能力一直保持着直线上升。英伟达在2017年GPU技术大会上发布的全新一代人工智能GPU芯片—TeslaV100能够达到15Tflops的单精度浮点性能，7.5Tflops的双精度浮点性能，可以满足当前A.I深度学习的运算能力。GPU持续提升的运算能力是其维持在A.I数据中心这一运算密集型应用场景中霸主地位的根本，而面对众多新兴A.I芯片的挑战，GPU已经建立起的完备的生态环境可帮助其提高防御能力。
GPU的生态环境有利于其将在训练学习领域（A.I数据中心）建立的优势延续至推理应用领域（前端电子产品）。当前GPU已经占据了A.I数据中心市场，学习阶段处理器需求已经被GPU占领。未来随着A.I行业应用的逐渐落地，推理阶段处理器需求将持续放量。从学习到推理阶段，算法部署的平滑、便捷性是需要考虑的重要问题。如果从数据中心、云端到前端应用，整个产品线都采用英伟达的CUDA计算平台，可以极大地减少算法跨平台的难度，实现平滑过渡，省去了变更运行环境所需的协同工作。
相比较而言，无论是FPGA、还是ASIC，都尚处于发展阶段。目前有一些公司基于FPGA技术路线或ASIC技术路线开发的A.I专用芯片，是为满足自身的需求而进行的个性化开发。典型的就是谷歌的TPU，公司并没有计划将其做成一款通用芯片推向市场。有些公司也在基于FPGA或ASIC开发通用的A.I专用芯片，但是都未达到GPU的成熟程度。一款芯片要做的具有通用性，性能稳定优异，需要较长时间的应用、优化、验证。但是不可否认的是，长期来看，GPU能耗高、价格贵等问题也给A.I专用芯片留下了机会。
2.数据中心市场仍存成长空间
A.I数据中心需求增加。当前深度学习对海量数据的处理需求，需要专业的A.I数据中心来支撑。随着A.I的纵深发展，未来A.I数据中心的数据、流量和处理能力也将随之提升，对专业数据中心需求将会增多。具体表现为：当前许多从事A.I研发的互联网巨头，像亚马逊、百度、腾讯等，都已部署自己的数据中心，并尝试承载A.I业务，许多A.I潜在应用行业客户尚未部署自己的A.I数据中心。随着A.I行业应用继续深入发展，A.I数据中心的数量和规模将会持续增加。据智研咨询数据预测，到2020年超大规模数据中心将占全部数据中心服务器安装量的47%，达到485个。预计专业的A.I数据中心增长趋势与之相同，未来几年A.I数据中心也呈现直线上升。
图：超大规模数据中心数量预测
资料来源：观研天下整理
GPU的A.I数据中心市场将继续保持高速增长。2015-2017财年（2017财年时间为：2016年2月1日-2017年1月31日，其他时间依次类推），英伟达数据中心业务收入达到了：3.17、3.39和8.3亿美元。说明CPU+GPU异构系统已经广泛部署，GPU在数据中心发挥的强大作用已经被广泛认可。当前英伟达GPU在数据中心渗透率还不到1%，市场成长空间仍然很大。
目前，A.I数据中心（A.I数据中心只是GPU的全部数据中心市场的一部分，GPU应用于数据中心也有可能进行A.I以外的超级计算）尚处于早期发展阶段，主要是互联网巨头在A.I深度学习研发阶段部署的A.I数据中心，随着A.I纵深发展，A.I数据中心需求会继续保持高速增长，GPU在数据中心的市场规模会进一步爆发。IDC和Bernstein的研究报告对未来A.I数据中心GPU的市场规模进行了较为保守的估算和预测。2016年A.I数据中心GPU的市场规模达4.71亿美元，预计到2020年A.I数据中心的GPU市场规模会达到近40亿美元，继续保持高速增长。
表：A.I数据中心GPU市场规模
资料来源：观研天下整理
资料来源：观研天下整理，转载请注明出处（GSL）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
