——芯片架构、互联协议、加速卡生态的代表性企业调查

一、GPU 路线：通用加速架构的核心阵地

GPU 是当前算力芯片体系里兼顾 通用性 × 并行度 × 生态成熟度 的主力路线。
国产 GPU 的发展重点聚焦在 架构、指令集、软件栈、互联协议 四个层面。

◆ 代表性企业与技术方向

◆ GPU 技术层重点（适合写入文章）

1）体系结构：标量/向量 × SIMD × 张量单元协同

• 张量核心（Tensor Core）是国产 GPU 的重点突破方向
• 并行度与片上带宽直接影响训练效率

2）互联协议：PCIe、NVLink 类协议、自研高速链路

• 国产 GPU 均在研发自有高速互联，用于多卡并行与大规模集群
• 关键指标包括：带宽、时延、拓扑结构

3）软件栈：编译器 + Kernel + Runtime + Operator

• CANN、MUSA、BR 软件栈等均投入巨大

GPU 的关键问题不是硬件，而是 生态成熟度 + 编译器稳定性。

二、NPU 路线：面向推理优化的专用加速

NPU 的优势在于能耗效率高、延迟稳定、适合大规模推理部署。
虽然不追求通用性，但在 AI 推理 × 企业侧场景 中价值越来越高。

◆ 代表性企业与技术方向

◆ NPU 技术层重点

1）计算方式：稀疏化 × 低比特量化（INT8/FP8）

推理任务实际更依赖：

• INT8 推理性能
• 稀疏矩阵乘优化
• 片上 SRAM 访问路径

2）算子优化：面向具体模型的 Kernel 调度

• Transformer、LLM、CV 方向均需定制算子
• 软件栈深度决定产品表现

3）场景化生态：云侧/端侧/车载差异大

NPU 很难通吃，需要准确场景定位。

三、DPU 路线：算力系统里的“数据调度与流控引擎”

DPU（Data Processing Unit）不是算力芯片，而是高密度服务器里的 数据路径控制核心。

在 AI 集群中，DPU 的作用相当清晰：

“卸载网络、存储、安全任务，让 GPU 专注训练/推理。”

◆ 代表性企业与技术方向

◆ DPU 技术层重点

1）可编程数据通路（P4 / eBPF）

DPU 需处理网络/存储/IO 调度：

• P4 pipeline
• eBPF 加速路径
• 流表管理

2）高带宽互联（PCIe Gen5/6、CXL）

算力集群越大，对网络延迟越敏感，
DPU 正成为“集群性能瓶颈”的关键变量。

3）“GPU + DPU” 协同

• GPU 算力
• DPU 数据路径
• CPU 控制路径

未来 AI 服务器架构将更像“三明治结构”。

四、互联协议：AI 集群效率的决定因素

不论 GPU、NPU 还是 DPU，互联才是训练系统真正的限速环节。

国产厂商的重大方向包括：

● 高速链路

• PCIe Gen4 → Gen5 → Gen6
• CXL（内存池化）
• 自研高速互联（类 NVLink）
• 机柜间光互连（800G → 1.6T）

● 拓扑结构

• Mesh
• Ring
• Fat-tree
• 混合拓扑（scale-out）

尤其在千卡级集群中，互联协议直接决定训练效率。

五、加速卡生态：软件栈是决定性力量

软件体系一般包括：

1）算子库（Operator Library）
2）Kernel 优化（CUDA Kernel 同类体系）
3）深度学习编译器（Graph Compiler）
4）Runtime（调度器）
5）分布式训练框架适配（Megatron、DeepSpeed 等）

国产 GPU/NPU 厂商均在投入大量资源构建：

• CANN
• MUSA
• BR 软件栈
• MLU 软件体系
• 各类自研 Kernel

生态成熟度直接决定算力体验。

六、企业矩阵图（结论提炼）

三条路线不是竞争，而是 系统分工协同。