返回新闻资讯

杉数观点丨AI算力之王大揭秘，国产GPU如何突出重围？

日期：2024-11-01

随着智能应用的日益普及，市场对高性能GPU的需求不断攀升。高性能GPU的并行计算能力极大地推动了人工智能和高性能计算的发展。在人工智能领域，GPU被誉为“数字黄金”，它加速了AI模型中复杂算法的训练和推理过程，使AI模型能够迅速学习和适应。而在CAE（Computer Aided Engineering，即计算机辅助工程）等工业软件中，GPU则加快了复杂方程组的求解速度，帮助企业快速完成设计和决策。

GPU的重要性和价值不言而喻，它已经成为现代计算架构中最宝贵的资源之一。推进GPU的国产化进程，实现自主可控，这对于保障国家安全和推动产业升级具有重大意义。这一进程需要硬件、软件和生态系统的紧密合作。

发展并构建高性能数学库及软件生态，是促进国产GPU加速走向成熟和广泛应用至关重要的一环，这将加速国产大规模GPU智算集群的产业化，为AI算力生态的快速成长提供动力，并为大模型等前沿领域提供更强韧、灵活和高效的基础设施支撑。

什么是GPU？

GPU（Graphics Processing Unit，即图形处理器）最初被设计用于替代CPU进行图形渲染任务。然而，随着技术的进步，GPU的应用已经扩展到科学计算、深度学习和数据分析等多领域。英伟达公司进一步开发了GP-GPU（通用图形处理单元），一种高性能的GPU，其功能不仅限于图形处理，还广泛应用于人工智能系统的训练和推

GPU的高效并行计算能力源于其硬件技术栈（如固体物理、晶体管技术）和软件技术栈（包括指令集、算子库等）。英伟达的GPU系列之所以能够成功，是因为其芯片架构与CUDA（Compute Unified Device Architecture，即统一计算架构）的协同作用。其中，CUDA中的高性能数学库，如cuBLAS、cuSPARSE、cuSOLVER、cuDSS等，应用十分广泛，诸如计算流体力学软件、高级结构力学分析、高频电磁场仿真、低频电磁场仿真、流体力学分析等数十个工业软件方向底层的计算引擎都离不开CUDA中相关高性能数学算子库的支持。要充分发挥GPU在算法加速方面的潜力，硬件和软件的紧密合作必不可少。

掌握未来：国产GPU自主研发的战略布局

发展自主GPU技术，提升科技竞争效力，是推动国家科技进步的关键步骤。随着数字化转型的加速，对高性能计算的需求不断增长，特别是在人工智能、大数据处理和科学计算等领域，GPU发挥着至关重要的作用。中国作为全球电子信息制造和消费大国，对GPU的需求巨大，但目前尚缺乏可替代的国产产品。因此，自主研发GPU不仅能保证关键技术不受制于人，还能增强国家的科技竞争力，并推动相关产业的发展。

当前，全球GPU市场高度集中，主要由英伟达和AMD两家企业主导。特别是在AI大模型训练芯片领域，英伟达凭借其V100、A100、H100、H200等系列产品占据了市场的绝大部分份额。这意味着自主研发GPU对于构建完整的软硬件生态系统、提升我国在全球科技产业链中的地位具有重要意义。

近年来，国外对高性能GPU的出口限制越来越严格，这使得“自主可控高性能GPU芯片开发”成为一个重要且紧迫的问题。面对这种情况，国产GPU的发展不仅能够减少对外部技术的依赖，还能确保国家安全和产业的可持续发展。

国产GPU崛起之困：技术突破与产业挑战

我国在开发高性能GPU方面面临的挑战是多方面的，涉及技术积累和创新能力不足、产业链完整性和能耗控制等技术挑战、生态系统建设等多个层面，其中，生态系统建设的挑战尤为突出，需要长期和持续的努力来克服。

1、技术积累和创新能力不足

高性能GPU的研发需要深厚的技术积累和持续的研发投入。国际上领先的GPU制造商经过多年的技术积累，已经形成了较为完善的技术体系和产品线。相比之下，中国在这一领域的起步较晚，技术积累和经验积累不足，特别是在高性能GPU核心技术和算法优化等方面的创新能力仍需加强。

2、产业链完整性和功耗控制等挑战重重

高性能GPU的生产需要完整的产业链支持，包括先进的制造工艺、高质量的材料供应、精密的设备等。中国的半导体制造业虽然在不断进步，但在最先进的7纳米（nm）乃至更小工艺制程方面，与国际领先水平还有一定差距。随着性能的提升，GPU的功耗也在增加。如何有效地控制功耗，提高能效比，是GPU设计中需要解决的问题。

3、软件生态系统建设亟待突破

高性能GPU的成功不仅依赖于其硬件性能，还极大地依赖于强大软件生态系统的支持，它需要与高度优化的驱动程序、各种加速库以及相关文档相结合，以支持用户在不同应用场景下的多样化需求。软件生态系统是连接硬件和应用程序的桥梁，它包括驱动程序、编程模型、库、框架、应用场景等多个层次。为了充分发挥GPU的潜力并提高硬件的利用率，需要构建一个高效、稳定且易用的软件生态系统，这同时也是GPU研发中面临的关键挑战。

中国的软件生态系统建设正在稳步推进，但与国际上成熟的生态系统相比，还有进一步发展的空间。国产GPU厂商正在采取一系列策略来推动这一进程，包括兼容现有的CUDA生态系统、开发自主的软硬件生态，以及构建高性能的数学算子库。

构建高性能算子库是推动国产GPU发展和应用的关键因素。它为深度学习算法中常用函数和模型结构提供高效的实现方式。通过提高底层硬件的利用效率和优化模型计算过程，算子库能够显著提升大模型训练和推理的效率。

以长补短，国产GPU如何重塑科技版图

近年来，国产高性能GPU芯片发展迅猛，一批国内GPU企业如雨后春笋般涌现，积极布局GPU领域，并推出了一系列具有自主知识产权的高性能GPU产品。大多数厂商在算子支持方面主要面向TensorFlow、PyTorch等深度学习框架，以矩阵乘法(matmul)、矩阵变形、池化、激活函数等为主，虽然已经开始逐步构建自己的软硬件生态系统，但基本尚未完整覆盖CUDA数学库。

杉数科技一直致力于打造完全自主可控的高性能数学规划求解器COPT，2023年底，杉数科技和芝加哥大学鲁海昊老师的团队合作完成了一阶算法的GPU适配改造，可将“Zib03”这一问题的求解时间从CPU的小时级提升到了分钟级。也正因为这个技术突破，杉数科技开始与GPU技术结缘。

目前，杉数科技已与多家国产GPU芯片厂商开展广泛的测试合作，充分发挥我们在数学库开发及应用上的积累，希望能够利用国产算力推动中国智能计算行业发展，为求解器及更多智能决策及智能应用场景助力。

2024年7月，杉数G+智能决策计算一体机正式发布，G+智能决策计算一体机是一款专为高性能异构加速计算需求设计的科学计算设备，搭载高性GPU加速卡，可与CPU配合实现异构加速。G+智能决策计算一体机中提前内置求解器算法模型和配套应用软件，实现开箱即用的软硬件一体化交付，覆盖能源电力、智能制造、智慧供应链、基础设施等智能决策优化业务场景，在大规模复杂算力中，加速效果尤为显著，助力实现AI智算应用落地。