一. GPU（图形处理器）

1.1 基本介绍

（1）概览：最初为图形渲染设计，凭借大规模并行阵列架构，成为当前AI训练、大模型推理最主流的计算引擎。它属于可编程通用加速器，和固化逻辑的ASIC形成行业常规对比口径。

（2）特点：高并行架构（拥有数万个处理核心，适合大规模矩阵运算）、高内存带宽（HBM/GDDR，加速数据吞吐）、通用性强（CUDA等编程框架完善，灵活度高，可快速适配）；短板是功耗偏高、单卡单位算力成本高于专用ASIC。

（3）应用：消费级（游戏显卡、端侧AI）、专业级（AI训练与推理、自动驾驶、影视渲染、科学计算、工业仿真等）。

1.2 头部厂商

（1）海外：英伟达（NVIDIA，CUDA生态）、超威半导体（AMD，ROCm 生态）、英特尔、高通（移动端GPU）、苹果（自研A/M系列 GPU）、ARM（GPU IP 授权）。

（2）国内：海思、海光信息、摩尔线程、燧原科技、沐曦股份、壁仞科技、砺算科技（东芯股份参股）、天数智芯、芯动科技、曲速科技（旋极信息参股）、锐信图芯（华东重机控股）。

二. ASIC（专用集成电路）

2.1 基本介绍

（1）概览：针对特定应用场景、固定算法定制开发的芯片，通过固化硬件逻辑实现性能和能效的极大提升。

在AI领域，ASIC通常采用优化数据流、内存层次和计算单元，并消除通用处理器中的冗余电路和控制逻辑。

（2）特点：专用度高（功能固化、灵活性差）、高性能与低功耗（无冗余逻辑、能效比高）、一次性开发成本高（周期长）、软件生态弱（编译器和工具链配套难度大，通用性差）。

（3）应用：AI推理、边缘计算、区块链、传感器信号处理。

2.2 分类

（1）TPU（张量处理器）：谷歌专为深度学习张量矩阵运算定制的ASIC，采用脉动阵列架构，兼顾云端AI训练与推理。

（2）DPU（数据处理器）：定位数据中心基础设施卸载芯片，核心承接网络协议、存储虚拟化、安全加密、RDMA等数据密集任务，帮CPU/GPU减负，本身不做大量张量计算；常为异构架构（CPU+FPGA/ASIC）。

（3）NPU（神经网络处理器）：面向神经网络运算的ASIC，主打低功耗、低带宽，多用于手机、安防、车载等端侧嵌入式AI推理。

（4）LPU（语言处理单元）：Groq首创，专门针对大语言模型Token生成推理优化的ASIC，采用片上大容量SRAM、确定性数据流架构，优势是极低延迟，适合LLM实时推理。

2.3 头部厂商

（1）海外：谷歌（TPU）、博通、Marvell（DPU）、亚马逊AWS（Trainium）、Groq（LPU）、微软（Azure Maia）。

（2）国内：寒武纪、云天励飞、平头哥（阿里）、昆仑芯（百度）、黑芝麻（车载NPU）、地平线（车载NPU）、中昊芯英（天普股份控股股东）、江原科技（品高股份双向持股）。