全球GPU呈現“一超一強”競爭格局

AI 服務器發展迅速，GPU 環節被英偉達與 AMD 所占據。AIGC 的發展帶動AI 服務器迅速增長，TrendForce 集邦咨詢預計 23 年 AI 服務器出貨量約 120 萬臺，同比+38.4%，占整體服務器出貨量的比約為9%，2022~2026 年 AI 服務器出貨量 CAGR 將達 22%，而 AI 芯片 2023 年出貨量將成長 46%。GPU 作為數據并行處理的核心，是 AI 服務器的核心增量。

本文來自“行業專題：GPU龍頭產品迭代不斷，產業鏈各環節持續催化”，全球GPU呈現“一超一強”的競爭格局，根據 IDC 數據，2021 英偉達在企業級 GPU 市場中占比 91.4%，AMD 占比 8.5%。

目前英偉達產品 DGX GH200 已發布，互連技術強大，算力進一步升級。5月 29 日，英偉達在其發布會上，正式發布最新的 GH200 Grace Hopper 超級芯片，以及擁有 256 個 GH200 超級芯片的 NVIDIA DGX GH200 超級計算機。

GH200超級芯片內部集成了 Grace CPU 和 H100 GPU，晶體管數量達 2000 億個。其借助 NVIDIA NVLink-C2C 芯片互連，將英偉達 Grace CPU 與英偉達 H100 TensorCore GPU 整合。與 PCIe Gen5 技術相比，其 GPU 和 CPU 之間的帶寬將提高 7倍，并將互連功耗減少至 1/5 以下。同時，DGX GH200 的 AI 性能算力將達到1exaFLOPS。

英偉達產品 DGX GH200 共享內存大幅提升，突破內存瓶頸。DGX GH200系統將 256 個 GH200 超級芯片與 144TB 的共享內存進行連接，進一步提高系統協同性。與 DGX H100 相比，DGX GH200 的共享內存提升約 230 倍。憑借強大的共享內存，GH200 能夠顯著改善受 GPU 內存大小瓶頸影響的 AI 和 HPC 應用程序的性能。而在具有 tb 級嵌入式表的深度學習推薦模型（DLRM）、tb 級圖神經網絡訓練模型或大型數據分析工作負載中，使用 DGX GH200 可將速度提高4到7倍。

而 AMD 在美國時間 2023 年 6 月 13 日，推出其新款 AI 芯片 MI300 系列，兩款芯片分別為 MI300A 與 MI300X，分別集成 1460、1530 億個晶體管。MI300A內含 13 個小芯片，總共集成 1460 億個晶體管，其內部包含 24 個 Zen 4 CPU 核心、1 個 CDNA 3 圖形引擎和 128GB HBM3 內存；而 MI300X 是針對大預言模型的優化版本，其內存達 192GB，內存帶寬為 5.2TB/s，Infinity Fabric 帶寬為896GB/s，晶體管達 1530 億個。AMD 表示，與上代 MI 250 相比，MI300 的 AI性能和每瓦性能分別為 MI250 的 8 倍和 5 倍。

應用先進封裝 Chiplet 技術與 HBM3，工藝技術驅動產品升級。在以往 CPU、GPU 設計中，AMD 常利用其先進的封裝堆疊技術，集成多個小核心，從而實現整體性能的提升。根據芯智訊，MI300 由 13 個小芯片整合而成，其中其計算部分由 9 個基于臺積電 5nm 工藝制程的小芯片組成，這些小芯片包括了 CPU 和 GPU內核。3D 堆疊設計極大提升了 MI 300 的性能與數據吞吐量。同時，MI300 兩側排列著 8 個合計 128GB 的 HBM3 芯片，滿足其海量且高速的數據存儲需求。

AI 大模型等 AIGC 產業的升級離不開算力的底層支持，使得 GPU 等大算力芯片性能持續提升，帶來產業鏈各環節增量。以英偉達 DGX H100 為例，其在GPU、互連技術、智能網卡、內存條、硬盤等結構上均較普通服務器有較大提升，同時其 PCB 的面積需求量與性能要求亦高于普通服務器。

（1）GPU：量價齊升，產業鏈最大增量。一般的普通服務器僅會配備單卡或雙卡，而 AI 服務器由于需要承擔大量的計算，一般配置四塊或以上的 GPU。且AI大模型在訓練與推理時的計算量巨大，中低端的GPU無法滿足其運算需求。如在英偉達 DGX H100 中，其配備 8 個 NVIDIA H100 GPU，總 GPU 顯存高達640GB；每個GPU配備18個NVIDIA NVLink，GPU之間的雙向帶寬高達900GB/s。若以每個 NVIDIA H100 GPU 單價 4 萬美元測算，DGX H100 的 GPU 價值量為32 萬美元，為 AI 服務器中的最大增量。

（2）硬盤：AI 服務器 NAND 數據存儲需求提升 3 倍。AI 服務器的高吞吐量及訓練模型的高參數量級亦推升 NAND 數據存儲需求。美光估計，AI 服務器中NAND 需求量是傳統服務器的 3 倍。一臺 DGX H100 中，SSD 的存儲容量達 30TB。

（3）內存：AI 服務器 DRAM 數據存儲需求提升 8 倍，HBM 需求快速提升。以 HBM 為主要代表的存算一體芯片能夠通過 2.5D/3D 堆疊，將多個存儲芯片與處理器芯片封裝在一起，克服單一封裝內帶寬的限制、增加帶寬、擴展內存容量、并減少數據存儲的延遲。根據公眾號全球 SSD，三星 2021 年 2 月與 AMD 合作開發 HBM-PIM，將內存和 AI 處理器合而為一，在 CPU 和 GPU 安裝 HBM-PIM，顯著提高服務器運算速度。2023 年開年后，三星高帶寬存儲器（HBM）訂單快速增加。SK 海力士亦在 2021 年 10 月成功開發出 HBM3，并于 2022 年 6 月開始量產，在 2022 年第三季度向英偉達進行供貨。同時，美光估計，AI 服務器中 DRAM需求量是傳統服務器的 8 倍。如在一臺 DGX H100 中，內存容量達 2TB。

（4）PCB：AI 服務器 PCB 明確受益 AI 算力提升。目前普通服務器需要 6-16層板和封裝基板，而 AI 服務器等高端服務器主板層數則達 16 層以上，背板層數超過 20 層。且除 GPU 外，服務器中主板、電源背板、硬盤背板、網卡、Riser卡等核心部分均需使用 PCB 板進行數據傳輸。服務器出貨量的增加將推動 PCB需求量的提升。

（5）先進封裝：高制程芯片設計成本與制造成本均呈現指數型的增長趨勢，Chiplet 等先進封裝應運而生。隨著制程的提升，芯片成本的提升呈現指數型增長。以芯片設計為例，根據 UCIE 白皮書，28nm 制程的芯片設計成本約 0.51 億美元，但當制程提升至 5nm 時，芯片設計成本則快速升至 5.42 億美元，成本提升近十倍，先進制程的推進速度愈加緩慢。因此在 HPC 高性能計算領域，Chiplet 的重要性持續提升。

目前，以 CoWoS 為代表的高性能計算先進封裝產能緊缺，制約 GPU 產品出貨。英偉達 A100、H100 GPU 均采用臺積電 CoWoS 先進封裝工藝。而根據科創板日報與臺灣電子時報，英偉達將原定今年 Q4 的先進封裝 CoWoS 產能，改為 Q2-Q4 平均分配生產，訂單生產時間較原計劃大大提前。目前，臺積電 CoWoS封測產能供不應求，部分訂單已外溢日月光、矽品與 Amkor、聯電等。以 CoWoS 為代表的先進封裝技術產能緊缺，已成為制約 GPU 生產的關鍵環節。