白话GPU-40 GPGPU、NPU、TPU技术差异、应用场景及国内厂商主要产品研究

• 第一章　核心技术架构与设计理念差异
• 1.1 计算单元架构对比（CUDA Core vs MAC阵列 vs 张量核心）
• 1.2 内存层次设计与带宽优化策略
• 1.3 指令集特性与编程模型差异
• 1.4 通用计算与专用加速的架构哲学分歧
• 第二章 典型应用场景性能表现
• 2.1 AI训练场景：千亿参数模型支持能力对比
• 2.2 边缘计算场景：能效比与延迟实测分析
• 2.3 高性能计算场景：双精度性能与通信效率
• 2.4 典型行业应用案例解析
• 第三章 国产GPGPU厂商产品与技术路线

• 3.1 主流厂商产品路线图与技术代际对比
• 3.2 算力指标与能效比实测数据
• 3.3 软件生态建设现状
• 3.4 典型商业化案例
• 第四章 国产NPU/TPU创新与落地实践

• 4.1 NPU架构创新（稀疏计算、动态量化技术）
• 4.2 TPU技术演进与国产替代方案
• 4.3 端边云协同场景中的部署实践
• 4.4 专用芯片与通用芯片的互补关系
• 第五章 商业化前景与竞争格局

• 5.1 2025年国内市场占有率与增长点
• 5.2 地缘政治影响下的供应链策略
• 5.3 新兴场景的技术适配性分析（AIGC、数字孪生等）
• 5.4 三类处理器的未来融合趋势
• 参考文献

第一章　核心技术架构与设计理念差异

1.1 计算单元架构对比（CUDA Core vs MAC阵列 vs 张量核心）

1）GPGPU的SIMT并行架构

现代GPGPU采用单指令多线程（SIMT）执行模型，其核心计算单元为CUDA Core（NVIDIA）或Stream Processor（AMD）。以Blackwell架构为例，单个GPU可集成超过20,000个CUDA核心，通过线程束调度器（Warp Scheduler）实现指令级并行。每个CUDA Core包含独立的浮点运算单元（FPU）和整型运算单元（ALU），支持从FP64到INT8的全精度谱系计算。特别地，Tensor Core的引入使矩阵乘加运算（GEMM）效率提升10倍以上，例如RTX 50系列通过DLSS 4技术实现混合精度计算加速。

2）NPU的MAC阵列优化

NPU专为神经网络计算设计，其核心由大规模乘加器（MAC）阵列构成。华为昇腾910芯片采用达芬奇架构，集成数千个MAC单元，支持8x8矩阵的并行乘加运算。与GPGPU不同，NPU通过数据流架构优化计算时序：权重预加载至片上缓存，输入数据以脉动方式流经MAC阵列，减少90%以上的内存访问开销。这种设计在ResNet-50推理任务中可实现较GPGPU高3倍的能效比，但牺牲了通用计算能力。

3）TPU的脉动阵列设计

谷歌TPU采用二维脉动阵列作为计算核心，v4版本包含128x128个8位整数运算单元。数据在阵列中按固定路径流动，相邻单元直接传递中间结果，实现零内存访问的矩阵乘法。第七代Ironwood TPU进一步引入3D堆叠技术，将两个计算核心与HBM3e内存垂直集成，单芯片FP8算力达1 exaFLOP，训练千亿参数模型时较同代GPU节能30%。其局限性在于仅适配特定张量运算模式，无法执行分支密集型任务。

4）三类处理器计算单元对比

1.2 内存层次设计与带宽优化策略

1）GPGPU的层次化存储体系

GPGPU采用五级存储架构：寄存器文件（每个线程私有）、共享内存（线程块共享）、L1/L2缓存（SM共享）、全局显存（HBM3/GDDR6）和主机内存。以沐曦C600为例，其HBM3e显存带宽达2.4TB/s，通过MetaXLink互联技术实现64卡间1.5TB/s的直连带宽。关键优化包括：

• 统一内存寻址：消除CPU-GPU间显式数据传输
• 异步拷贝引擎：重叠计算与数据搬运
• 压缩算法：NVIDIA的Delta Color Compression节省40%带宽

2）NPU的权重驻留设计

NPU通过片上缓存分级解决权重频繁访问问题。以黑芝麻华山A1000芯片为例：

• 第一级：128MB SRAM缓存权重和激活值
• 第二级：4GB LPDDR5专用于模型参数
• 采用权重量化压缩技术，将ResNet-152参数从230MB压缩至28MB

3）TPU的高带宽内存集成

TPUv4将32GB HBM2e内存与计算核心通过2.5D硅中介层集成，实现3TB/s的持续带宽。其创新性在于：

• 脉动数据流：计算单元直接读写HBM，跳过缓存层次
• 权重预取流水线：提前加载下一层参数
• 稀疏计算加速：跳过零值权重节省50%带宽

1.3 指令集特性与编程模型差异

1）GPGPU的通用指令集，基于CUDA的PTX虚拟指令集提供：

• 完备的算术/逻辑运算指令
• 显式内存操作（ld/st）
• 线程同步原语（_syncthreads）
• Warp级投票指令（_any_sync）

2）NPU的专用指令集，华为昇腾的CANN指令集特点：

• 矩阵乘加（GEMM）为一级指令
• 支持ReLU/Sigmoid等激活函数的硬件加速
• 动态形状推理（Dynamic Shape）指令

3）TPU的线性代数指令，谷歌TPU指令集仅包含：

• 矩阵乘法（MATMUL）
• 卷积（CONV）
• 规约（REDUCE）
• 数据搬移（MEMCPY）

4）编程模型对比

1.4 通用计算与专用加速的架构哲学分歧

1）GPGPU的灵活性设计，以摩尔线程MTT S4000为例，其动态架构可在图形渲染与AI计算间切换，关键设计原则：

• 保留图形管线（ROP/TMU）
• 支持CUDA/OpenCL/Vulkan多API
• 可编程性优先于绝对性能

2）NPU的领域专用优化，寒武纪MLU芯片采用MLUarch指令集，体现：

• 算法固定化（固化常见网络结构）
• 数据流确定性（消除分支预测）
• 能效优先（功耗墙约束设计）

3）TPU的极致专用化，谷歌TPUv4的芯片-系统协同设计：

• 放弃通用性换取性能
• 硬件匹配TensorFlow计算图
• 集群级优化（OCS光交换网络）

4）三类架构的SWOT分析

第二章 典型应用场景性能表现

2.1 AI训练场景：千亿参数模型支持能力对比

1）GPGPU的混合精度训练优势

2025年NVIDIA Blackwell架构GPGPU通过第二代Transformer Engine实现突破性性能提升，其FP8混合精度计算在1750亿参数模型训练中较BF16精度能效比提升40%，单卡训练吞吐量达3.2样本/秒。国产沐曦C600芯片采用MetaXLink互联技术，在1024卡集群中实现90%的线性扩展效率，千亿参数模型训练时间从28天压缩至9天，打破国际厂商在超大规模训练领域的垄断。

2）NPU的架构局限性

华为昇腾910B芯片虽在ResNet-50等中型模型训练中表现优异，但在Transformer类大模型训练时面临内存墙挑战。其达芬奇架构的MAC阵列设计导致注意力机制计算效率下降，当模型参数超过500亿时，训练速度较同代GPGPU降低37%。黑芝麻A1000通过128MB片上SRAM缓存部分权重，将千亿模型训练内存交换次数减少82%，但受限于指令集兼容性，需重构30%的PyTorch算子才能充分发挥性能。

3）TPU的极致优化

谷歌第七代Ironwood TPU采用3D堆叠技术，单芯片FP8算力达1 exaFLOP，配合Pathways分布式训练框架，在PaLM-2万亿参数模型训练中实现92%的硬件利用率。其光交换网络(OCS)将4096芯片集群的通信延迟控制在纳秒级，较传统InfiniBand方案训练效率提升6倍。中昊芯英"刹那"TPU通过Chiplet设计实现国产替代，在DeepSeek-V3.1模型训练中单位算力成本较进口方案降低42%。

4）三类处理器大模型训练性能对比(2025)

2.2 边缘计算场景：能效比与延迟实测分析

1）GPGPU的边缘适配挑战

摩尔线程MTT S4000通过动态功耗调节将TDP从250W降至45W，在智能摄像头目标检测任务中实现83FPS@1080p，但INT8推理能效比仅4.3TOPS/W，需外接散热模块。沐曦曦思N260芯片采用chiplet设计，针对边缘服务器优化，在无人机实时路径规划中端到端延迟17ms，较传统方案提升6倍。

2）NPU的能效突破

地平线征程6芯片集成BPU+NPU双核，在L2+级自动驾驶系统中实现200TOPS算力下仅15W功耗，能效比达13.3TOPS/W。其数据流架构使ResNet-18推理延迟稳定在2.3ms±0.2ms，满足ISO 26262 ASIL-D功能安全要求。芯动力RPP架构dNPU在AI PC本地大模型推理中，较iGPU方案功耗降低60%，Token生成速度提升3倍。

3）TPU的边缘化尝试

谷歌Edge TPUv2通过4核Cortex-A55+2TOPS NPU组合，在工业质检场景实现98.7%识别准确率与8ms延迟，但仅支持TensorFlow Lite模型导致适配成本高。中昊芯英边缘TPU模组支持ONNX Runtime，在电网设备监测中实现10万小时无故障运行，但FP16精度下能效比落后同级NPU 28%。

4）边缘设备实测数据(典型工作负载)

2.3 高性能计算场景：双精度性能与通信效率

1）GPGPU的通用计算统治力

NVIDIA Blackwell GB200通过NVLink 5.0实现1.8TB/s互联带宽，在CFD仿真中较CPU集群提速140倍，双精度浮点性能达19.5TFLOPS。国产海光DCU兼容ROCm生态，在分子动力学模拟软件GROMACS中实现91%的并行效率，单节点性能达国际一流水平。

2）NPU的科学计算尝试

华为昇腾910B通过自定义扩展指令支持FP64，但在LAMMPS材料模拟中仅达同功耗GPGPU的35%性能。其优势在于特定领域的稀疏矩阵计算，如气候预测模型的谱变换加速比达7.2倍。

3）TPU的专用领域突破

谷歌TPUv4通过3D环面互连拓扑，在蛋白质折叠预测AlphaFold3任务中较GPU方案快12倍，但需重写80%的CUDA代码为JAX实现。中科院计算所基于TPU架构定制"寒武纪"科学计算芯片，在量子化学计算中实现1.3PFLOPS持续算力。

4）HPC基准测试对比(双精度)

2.4 典型行业应用案例解析

1）智能驾驶：异构计算架构实践

比亚迪"天神之眼"智驾系统采用黑芝麻A1000 NPU+地平线征程6组合，NPU处理感知算法(120FPS@4K)，GPGPU负责多模态融合(8ms延迟)，在20万元级车型实现NOA功能。对比特斯拉HW5.0纯GPGPU方案，能效比提升2.4倍，但端到端延迟增加15ms。

2）工业互联网：边缘-云端协同

三一重工"根云平台"部署沐曦C500 GPGPU集群进行设备预测性维护，边缘端采用华为Atlas 500 NPU实现实时异常检测(99.2%准确率)，数据压缩后上传云端训练，整体运维成本降低37%。国家电网"5G+AI"巡检系统使用中昊芯英TPU分析绝缘子缺陷，通过URLLC网络实现8ms级响应，热失控阻断率从65%提升至98%。

第三章 国产GPGPU厂商产品与技术路线

3.1 主流厂商产品路线图与技术代际对比

3.1.1 沐曦集成电路

全栈自研的生态破局者 沐曦通过"曦云"系列构建完整产品矩阵，其C600芯片采用7nm工艺与自研MetaXLink互联技术，实现64卡间1.5TB/s直连带宽，FP32算力达24TFLOPS。

技术路线呈现三大特征：

• 架构迭代：从初代MXC架构到第三代MX3.0，计算密度提升3倍，支持FP8混合精度训练
• 工艺跃进：2025年量产5nm制程的C700芯片，晶体管密度提升80%
• 生态兼容：MXMACA软件栈兼容CUDA 6000+应用，迁移成本降低70%

3.1.2 摩尔线程

全功能GPU的差异化路径 MTT S4000系列独创"动态双模架构"，可在图形渲染与AI计算间动态切换：

• 图形模式：支持DirectX 12 Ultimate，光线追踪性能达48FPS@4K
• 计算模式：INT8算力256TOPS，通过夸娥智算集群实现10,240卡扩展
• 代际规划：2026年将发布基于chiplet设计的S5000，算力密度提升150%

3.1.3 壁仞科技

高性能突围与技术沉淀 BR100系列采用chiplet设计，关键突破包括：

• 封装创新：12颗计算芯粒通过2.5D硅中介层集成，显存位宽达4096bit
• 指令集扩展：BRISC-V指令集新增矩阵运算扩展（MXE），GEMM效率提升8倍
• 量产进展：2025年Q3完成7nm++工艺验证，良率提升至92%

3.1.4 国产GPGPU技术代际对比（2025）

3.2 算力指标与能效比实测数据

3.2.1 数据中心场景性能表现

在运营商智算中心实测中，沐曦C600集群（1024卡）表现：

• ResNet-50训练：吞吐量达12,800 images/s，较A100集群高15%
• BERT-Large训练：收敛时间缩短至53小时，能效比8.2TFLOPS/W
• 千亿模型训练：线性扩展效率保持89%，中断恢复时间<30秒

3.2.2 边缘计算能效优化

摩尔线程MTT N260针对边缘服务器优化：

• 视频分析：4K@60FPS实时处理功耗仅25W，能效比9.2TOPS/W
• 延迟控制：无人机路径规划端到端延迟17ms，抖动<0.5ms

3.2.3 关键指标横向对比

3.3 软件生态建设现状

1）框架适配成熟度

沐曦MXMACA生态已实现：

• 训练框架：完整支持PyTorch 2.3/TensorFlow 2.12，覆盖90%常用算子
• 推理引擎：ONNX Runtime优化版延迟降低40%
• 大模型支持：DeepSeek-V3适配成本降低60%

2）工具链关键突破

摩尔线程工具链创新：

• 自动并行化：动态分析计算图，最优并行策略搜索时间>5分钟
• 混合精度调试：FP8/BF16精度损失可视化分析
• 故障诊断：分布式训练异常定位精度达93%

3）开发者支持体系

3.4 典型商业化案例

1）国家算力平台部署

中国电信"云骁"智算平台采用沐曦C600集群：

• 架构设计：256节点×4卡拓扑，HDR InfiniBand组网
• 运营指标：大模型训练任务占比65%，资源利用率达78%
• 能效表现：PUE降至1.25，年节电420万度

2）工业质检创新应用

三一重工联合摩尔线程打造"根云AI质检系统"：

• 硬件配置：边缘端部署S4000+NPU异构方案
• 性能提升：缺陷识别准确率99.3%，误检率<0.01%
• 经济效益：单产线年节省质检成本280万元

第四章 国产NPU/TPU创新与落地实践

4.1 NPU架构创新（稀疏计算、动态量化技术）

4.1.1 华为昇腾达芬奇架构的突破性设计

1）华为昇腾910B芯片采用第三代达芬奇架构，其核心创新在于三维立体计算阵列设计。该架构将传统二维MAC阵列扩展为8x8x8的三维结构，通过数据流分块技术实现卷积核的立体分割，在ResNet-152推理任务中较平面阵列能效比提升40%。其关键技术突破包括：

• 动态稀疏计算引擎：通过硬件级权重剪枝支持，自动识别并跳过零值权重计算，在自然语言处理模型中实现50%的计算量压缩。
• 混合精度流水线：支持FP16/INT8/INT4的动态精度切换，通过层间量化感知训练（QAT）技术，在BERT-Large推理中保持99.2%准确率的同时将内存占用降低75%。
• 片上存储 hierarchy：集成128MB SRAM作为神经网络权重缓存，采用轮转预取机制，将DDR访问频率降低至传统方案的1/8。

2）典型应用案例：智慧医疗影像分析
在上海瑞金医院的CT肺结节检测系统中，昇腾910B通过动态稀疏化技术将3D ResNet-50模型压缩至原体积的28%，在保持98.7%敏感度的同时，单芯片可并行处理16路4K影像流，端到端延迟控制在47ms内，较GPU方案功耗降低62%。

4.1.2 黑芝麻智能的存算一体设计

黑芝麻A1000 Pro芯片创新性地采用近存计算架构（Computing Near Memory），其关键技术特征包括：

• 分布式权重缓存：将192MB SRAM划分为64个独立存储体，每个存储体直接连接MAC单元，数据搬运能耗降低90%。
• 动态电压频率缩放（DVFS）：根据神经网络层特性动态调整计算单元电压（0.65V-1.2V），在L3级自动驾驶场景下实现15W超低功耗。
• 异构计算核设计：集成通用BPU核与专用NPU核，前者处理传统计算机视觉算法，后者加速Transformer类模型，在BEVFormer部署中较纯NPU方案时延降低35%。

4.2 TPU技术演进与国产替代方案

4.2.1 谷歌TPUv4的架构革新

1）第七代Ironwood TPU通过三大技术创新实现性能飞跃：

• 3D堆叠封装：采用硅通孔（TSV）技术将两个计算核心与HBM3e内存垂直集成，互连密度达10,000条/mm²，内存带宽提升至12TB/s。
• 光电路交换网络（OCS）：构建128x128x128的3D环面拓扑，芯片间延迟降至纳秒级，在4096芯片集群中实现94%的线性扩展效率。
• 稀疏计算加速器：专用硬件单元可跳过85%的零值计算，在MoE模型训练中较密集计算能效比提升3.2倍。

2）性能对比（TPUv4 vs GPGPU）

4.2.2 中昊芯英GPTPU混合架构

中昊芯英"刹那"TPU通过通用-专用异构架构实现国产突破：

• 计算单元创新：每个计算核包含128个通用向量单元（GVP）和256个张量单元（TPC），支持动态任务分配，在DeepSeek-V3训练中混合利用率达89%。
• 国产化工艺适配：采用中芯国际N+2工艺实现量产，通过自适应时钟门控技术将漏电功耗控制在同类产品的1/3。
• 软件栈兼容性：自研UE8M0浮点格式与PyTorch/XLA深度集成，迁移CUDA代码的改造成本降低70%。

4.3 端边云协同场景中的部署实践

4.3.1 智能驾驶异构计算方案

1）比亚迪"天神之眼"智驾系统采用三级处理架构：

• 边缘端：黑芝麻A1000 NPU处理摄像头数据（120FPS@4K），功耗控制在15W内。
• 域控制器：华为昇腾610 Pro进行多传感器融合（8ms延迟），支持BEV+Transformer感知算法。
• 云端：沐曦C600 GPGPU集群进行影子模式数据回流训练，日均处理数据量达1.2PB。

2）实测性能对比

3）工业质检系统优化案例

三一重工"根云平台"部署架构：

• 边缘节点：华为Atlas 500 NPU实现实时缺陷检测（99.3%准确率），采用模型蒸馏技术将ResNet-34压缩至3.7MB。
• 边缘服务器：摩尔线程S4000 GPGPU运行3D点云分析，通过异步流水线将处理吞吐量提升至1200点/ms。
• 云端训练：中昊芯英TPU集群进行增量学习，模型迭代周期从2周缩短至18小时。

4.4 专用芯片与通用芯片的互补关系

1）技术特性对比矩阵

2）混合部署最佳实践

• 训练-推理分离架构：使用TPU集群进行大模型训练，NPU集群部署推理服务，GPGPU处理长尾需求。
• 动态负载均衡：通过算力感知调度器自动分配任务，如Transformer层由TPU处理，传统CV算法由GPGPU执行。
• 内存共享机制：华为CANN 6.0支持NPU与GPGPU的HBM统一寻址，数据交换延迟降低至微秒级。

第五章 商业化前景与竞争格局

5.1 2025年国内市场占有率与增长点

5.1.1 国产芯片的突破性进展

2025年国产GPGPU/NPU/TPU市场呈现"三足鼎立"格局，整体国产化率从2020年的5%跃升至30%。其中：

• GPGPU领域：沐曦C600系列在运营商智算中心斩获28%份额，其MetaXLink互联技术实现1024卡集群90%线性扩展效率，FP32算力达24TFLOPS。摩尔线程S4000通过动态双模架构覆盖AI计算与图形渲染，在工业质检领域实现99.3%识别准确率。
• NPU领域：华为昇腾910B占据政务云市场67%份额，其达芬奇架构在医疗影像分析中较GPU方案功耗降低。黑芝麻A1000 Pro通过近存计算设计，在L3级自动驾驶场景实现15W超低功耗。
• TPU领域：中昊芯英"刹那"TPU凭借Chiplet设计实现国产替代，在DeepSeek-V3.1训练中单位算力成本较进口方案降低42%。

5.1.2 2025年关键领域市场份额对比

5.1.3 新兴增长极分析

AIGC基础设施成为最大增量市场，预计2025-2030年复合增长率达53.7%。国产芯片在以下场景实现突破：

• 多模态训练：沐曦C600集群支持FP8混合精度，在文生图模型中吞吐量较FP16提升30%。
• 边缘推理：地平线征程6芯片实现200TOPS@15W，支持BEV+Transformer融合算法端到端延迟28ms。
• 数字孪生：华为昇腾与三一重工合作，通过NPU集群实现工业设备预测性维护，运维成本降低37%。

5.2 地缘政治影响下的供应链策略

5.2.1 国产化替代路径

三级替代模型成为主流方案：

• 硬件层：中芯国际N+2工艺支撑7nm GPGPU量产，HBM3e封装良率提升至92%。
• 软件层：MXMACA/CANN等自主生态兼容CUDA 6000+应用，迁移成本降低70%。
• 服务层："算力银行"模式兴起，如深圳联通与中昊芯英共建TPU智算中心，提供弹性算力租赁。

5.2.2 典型供应链风险应对案例

5.2.3 技术自主深度分析

指令集架构成为竞争焦点：

• 龙芯LoongArch实现完全自主，其9A1000 GPGPU支持FP32 1TFLOPS。
• 中昊芯英GPTPU混合架构融合128个通用向量单元与256个张量单元，动态任务分配效率达89%。
• 摩尔线程工具链实现CUDA函数自动转译，覆盖90%常见算子。

5.3 新兴场景的技术适配性分析（AIGC、数字孪生等）

5.3.1 AIGC基础设施重构

训练-推理分离架构成为主流：

• 训练侧：中昊芯英TPU集群通过3D环面拓扑，在万亿参数模型训练中较GPU集群能效比提升3.2倍。
• 推理侧：华为昇腾610 Pro支持动态稀疏计算，在Stable Diffusion推理中Token生成速度提升3倍。

5.3.2 AIGC场景性能对比(千卡集群)

5.3.3 工业数字孪生实践

端-边-云协同架构典型案例：

• 边缘层：华为Atlas 500 NPU实现99.2%异常检测准确率，数据压缩率85%。
• 云端：沐曦C600集群处理1.2PB/日训练数据，模型迭代周期从2周缩短至18小时。
• 混合部署：国家电网采用中昊芯英TPU+URLLC网络，热失控阻断响应时间8ms。

5.4 三类处理器的未来融合趋势

5.4.1 异构计算架构演进

GPTPU混合架构成为技术突破点：

• 计算单元：中昊芯英"刹那"芯片实现GVP与TPC动态任务分配，利用率达89%。
• 内存系统：华为CANN 6.0支持NPU与GPGPU的HBM统一寻址，数据交换延迟降至微秒级。
• 指令集：摩尔线程MXE扩展新增矩阵运算指令，GEMM效率提升8倍。

5.4.2 技术融合路线图

5.4.3 商业化落地建议

1. 选型策略：训练任务优选TPU集群，边缘推理部署NPU，长尾需求保留GPGPU。
2. 成本控制：采用"1+1+N"架构（1个TPU集群+1个NPU集群+N个GPGPU节点）。
3. 生态建设：优先选择支持ONNX/PyTorch生态的国产方案，降低迁移成本。

参考文献

1. NPU前路不通,GPGPU才是解药? - 新浪财经
2. AI Phone:先是芯片,再是模型,最后才是手机厂商 - 钛媒体APP
3. 一文看懂芯片家族:CPU、GPU、GPGPU、NPU、TPU的区别  - 青梅配绿茶
4. AI芯片,看这一篇就够了!  - 搜狐
5. AI算力芯片:智能时代的核心“燃料” - 腾讯网
6. AI硬件全景解析:CPU、GPU、NPU、TPU的差异化之路,一文看懂!  - 搜狐
7. 一文看懂芯片家族:CPU、GPU、GPGPU、NPU、TPU的区别 - 知乎
8. NPU前路不通,GPGPU才是解药? - 澎湃新闻
9. 大模型入门:一文读懂算力与 CPU、GPU、GPGPU、TPU、DPU - CSDN博客
10. 国产替代杀来了!沐曦GPU撕开国际巨头铁幕,看懂这3个信号的人已经悄悄建仓 - 科技小汪
11. 边缘计算与AI结合:低功耗设备上的智能推理 - CSDN博客
12. 企业AI Agent的边缘AI芯片优化策略 - CSDN博客
13. 国产GPU新秀集中上市,老玩家昇腾欲并道超车? - 新浪财经
14. 龙芯发布新一代CPU,杀进GPGPU赛道 - 今日头条
15. 中国GPU双雄要上市了,谁能成为“中国英伟达”? - 网易财经
16. 国产GPU赋能“AI工厂”,摩尔线程夸娥智算集群夯实算力根基 - 潇湘晨报网
17. 算力利好来袭!国产GPU迎政策东风,技术突破、产业共振与算力自主新征程 - 知了财经
18. 国产GPU龙头沐曦出货2.5万颗!DeepSeek联手打造算力生态闭环 - 网易
19. 龙芯中科——国产CPU自主生态的破局者 - 创投学社
20. 国芯科技中高端汽车电子芯片实现系列化布局,出货规模超千万颗 - 集微网官方微博
21. 隼瞻科技的RISC-V版图:从处理器IP到EDA平台的“矩阵化突围” - 新浪财经
22. 芯动力与联想携手打造独立加速器(dNPU)解决方案,赋能AI PC浪潮 - 千龙网
23. 类脑智能软硬件协同创新,自动化所团队研发脉冲神经网络加速器“智脉·萤火”  - 搜狐
24. 5G+边缘计算:储能系统的神经革命_腾讯新闻 - 腾讯网
25. 谈谈Google TPUv4处理器的硬件结构、计算范式与SuperPod互连拓扑--部分细节对比Nvidia - Morris.Zhang
26. 谷歌第七代TPU(Ironwood)技术解析:架构革命与性能突破 - 腾讯云
27. 42_大语言模型的计算需求:从GPU到TPU - 阿里云开发者社区
28. 《人文杂志》|| 作者手记:当AI遇见就业,如何破局?——从“替代—互补”二元关系到“维恩”关系的思辨  - 微信公众平台
29. AI即将全面取代人类?好公司已经开始部署"人机共生"战略 - 和讯网
30. 深度解析三大AI协议:MCP、ACP与A2A,看懂智能代理的通信法则 - 阿里云开发者社区
31. 专访中昊芯英CTO郑瀚寻:国产AI芯片也将兼容不同平台 - 新浪财经
32. 中信建投|半导体产业链投资展望:AI驱动新一轮半导体周期,端侧更具爆发潜力 - 新浪财经
33. 解读中昊芯英一一国内TPU架构AI芯片的领军企业!1.公司基本情况成立时间:公司财富号东方财富网 - 东方财富网
34. “英伟达GPU以外的替代方案”  - 微信公众平台
35. 2020年08月25日 | 人工智能风口下的TPU/NPU/CPU/GPU - 电子工程世界
36. CPU、GPU、NPU、TPU、DPU与IPU的区别 - CSDN博客
37. 1.4.4 机器学习算法的新引擎——TPU和NPU - QQ阅读
38. 从CPU,GPU,NPU,TPU到智算集群—人类驯服算力的架构和实践 - 歪睿老哥
39. AI商业化双主线:云基建护航,场景应用共振 - 未来智库
40. 26个最经典的工业互联网+人工智能案例 - 腾讯云
41. 算力再迎利好!工信部点名GPU芯片突破,这些企业引领关键核心技术攻关 - 微知天下
42. 2025年国内外12家GPGPU产品大盘点 - 腾讯云
43. 2025年GPU工作站深度洞察 - 智星云算力平台
44. A股端侧AI芯片企业2025上半年观察:技术、场景、市场协同演进 - 集微网
45. 2025,谁是边缘AI芯片架构之王? - 半导体产业纵横
46. 2025,芯片行业的重塑之年 - 半导体产业纵横
47. TPU芯片,要火了 - 半导体产业纵横
48. 从PVC到TPU:改色膜迈入质价比时代 - 改色之家
49. 一、技术研发与产品创新生物基TPU技术突破:自主研发的生物基TPU打破国外垄断, 财富号_东方财富网 - 东方财富网
50. 再造一个英伟达市场-TPU  - 东方财富网
51. 中国本土GPU产业地图(2024版) - 与非网
52. 国产算力行业深度分析 - 波段狙击手1号
53. 国产GPGPU芯片竞争简析 - 雪球
54. 全 “芯” 驱动,构建智能汽车与机器人全场景新生态 - 美通社
55. 四大核心要素驱动汽车智能化创新与相关芯片竞争格局 - 新浪财经
56. 2025-04-20-CPU-GPU-NPU 的区别及应用前景 - CSDN博客
57. NPU 前路不通,GPGPU 才是解药? - 半导体产业纵横
58. 国产AI芯片架构之争:GPGPU与ASIC - 吴建明wujianming
59. 人工智能芯片:高算力核心底座,龙头全梳理 - 乐晴智库
60. 算力时代探寻国产GPGPU破局之路 - 集微网
61. GPGPU国产替代:中国芯片产业的空白地带 - 集微网
62. 曦望漂流记:芯片分拆与算力自主之路 - 芯流智库
63. 超20%的年均复合增长率,移动游戏硬件进入「第二曲线」|ChinaJoy 2025 - 雷峰网leiphone
64. 2025年CPU性能排行(英特尔、超微、苹果、英伟达、高通、联发科)5月版  - 搜狐新闻
65. 苹果2025年终新品矩阵全解析:从智能家居到专业显示的生态革新 - 机械之名
66. OpenAI辟谣弃用英伟达:谷歌TPU仅处于测试阶段 - 山东咕果信息技术有限公司
67. 谷歌发布了第六代TPU芯片 - 半导体行业观察
68. 谷歌TPU的超级算力与应用场景 谷歌 TPU(Tensor Processing Unit,张量处理单元)是谷歌专门为人工智能(AI)计算设计的 “超级... - 雪球 - 雪球
69. 国产GPU能否实现替代?其实进程正在加速,从“可用”到“好用”的战略跃迁 - 梓开工作室
70. 1200亿GPU市场,国产芯片暴增500%,3大龙头抢占先机将爆发300%潜力 - 新浪财经
71. 国产AI芯片和机器人,走向C位 - EEWORLD电子工程世界
72. 国产AI芯片生死抉择:GPGPU还是ASIC?这场架构之争将决定中国AI的未来  - 搜狐
73. 2025年中国算力芯片行业市场前景预测研究报告(简版) - 中商情报网
74. 2025年中国GPU行业产业链、产业现状、竞争格局及发展趋势分析:GPU需求量猛增,产业规模加速扩容 - 新浪财经
75. AI硬件全景解析:CPU、GPU、NPU、TPU的差异化之路,一文看懂! - CSDN博客
76. 计算加速技术比较分析:GPU、FPGA、ASIC、TPU与NPU的技术特性、应用场景及产业生态  - 微信公众平台
77. AI硬件的全面解析(CPU、GPU、NPU、TPU) - CSDN博客
78. 嵌入式系统-110:GPU的指令集与NPU的指令集对比 - CSDN博客
79. CPU、GPU、NPU、TPU如何支撑大模型训练与推理! - CSDN博客
80. 计算加速技术比较分析:GPU、FPGA、ASIC、TPU与NPU的技术特性、应用场景及产业生态 - deephub
81. 华泰2025年展望|科技/电子:AI引领创新,自主可控持续 - 新浪财经
82. 论文登计算机体系结构顶会,芯片架构成为边缘AI最佳并行计算选择 - 机器之心Pro
83. 云天励飞陈宁:国产AI推理芯片迎来历史性机遇丨GACS 2025 - 雪球
84. 算力狂飙!万级并发如何管理?2025报告揭秘! - CSDN博客
85. 为边缘AI而生的统一算力平台!--Imagination 发布E系列GPU! - 腾讯云
86. 同比增长30-40%!道恩股份公布前三季度业绩预告 - 新浪财经
87. 路博润深化本土化战略,赋能中国及全球医疗健康产业高质量发展 - 界面新闻
88. 国产车衣质量怎么样?2025年10大国产隐形车衣品牌推荐,附隐形车衣选购指南 - 车小二
89. 中昊芯英入选“WEC 2025 算力产业全景图”,解码国产 TPU 算力新范式 - 新浪财经
90. 中昊芯英将携自研TPU芯片亮相2025世界人工智能大会 - 同花顺财经
91. 2025中国算力大会:中昊芯英自研TPU全栈能力获权威认可,获评“创新先锋案例”  - 中国经营网
92. 2025年全球与中国AI芯片市场:国产GPU如何用‘芯脏搭桥术’突破千亿算力围城? - 中研网
93. CPU被超!GPU成市场新主角 - 半导体产业纵横
94. 2025年中国GPU行业市场前景预测研究报告(简版) - 中商情报网
95. 2025年中国GPU产业链梳理及投资热力地图(附产业链全景图) - 中商情报网
96. 国产GPU的未来图景:技术竞争与突破之路 - 微风中的蒲公英
97. 数据中心GPU市场:10年12倍暴增,AI训练成最大赢家 - 芯在说
98. 2025年GPU云主机深度评测与选型指南  - 搜狐
99. AI新智力 | 大模型入门18:算力与CPU、GPU、GPGPU、TPU、DPU - CSDN博客
100. 云天励飞陈宁:AI推理芯片是中国的大机遇 - 新浪财经
101. 2025 震撼开启!AI 推理百倍爆发,算力革命来袭 - 启远视野
102. AI智能体走向终端,需要哪些芯片? - 中国电子报
103. OFC 2025 Google报告: OCS技术使能AI集群的高效扩展,显著提升系统可用性和能效 - 腾讯云
104. 谷歌发布第七代TPU震撼发布,引领AI推理进入新时代 - 腾讯云
105. 谷歌TPU芯片生态分析 - 张程
106. 探究国产智驾芯片核心竞争力 - 人老独0p
107. 风口上的GPGPU,上海交大团队计划用十年打造开源平台|甲子光年 - 甲子光年
108. XPU:AI时代与异构计算 - 东方财富网
109. 2025年工业互联网的企业应用案例 - 道客巴巴