国产GPU现状综述

最新推荐文章于 2025-05-29 20:32:17 发布

原创最新推荐文章于 2025-05-29 20:32:17 发布 · 1.4k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#c++

序号	厂商	型号	产品兼容	场景	是否支持并行计算
1	景嘉微	JM7201	主流系统	支持PC	不支持
1	景嘉微	JM9		未商用	OpenCL 3.0
2	兆芯	C-960	集成在KX-6000G系列CPU	支持PC	不支持（没有对应运算框架）
3	芯动科技	风华1号	麒麟、统信等	支持PC	不支持
3	芯动科技	风华2号	麒麟、统信等	未商用	OpenCL3.0
4	天数智芯	天垓100		云端计算（DeepSparkHub）
5	龙芯	7A1000桥片集成的GPU	Loongnix系统、UOS系统	未商用
6	寒武纪	MLU370-S4智能加速卡	主流Linux发行版系统（CentOS/Ubuntu）	云端计算	Cambricon BANG 异构计算平台
7	武汉凌久微电子有限公司	凌久GP201		未商用	OpenCL3.0
8	摩尔线程	MTT S60	英特尔、AMD、龙芯、飞腾、兆芯等主流CPU以及Windows、麒麟、统信、Ubuntu等	未商用	OpenCL
9	芯动科技	风华1号		未商用
10	翔腾	HKM9000 GPU		未商用
11	壁仞科技	BR100		未商用	BIRENSUPA（内测）
12	登临科技	Goldwasser-UL(MXM)		云端场景	CUDA/OpenCL
13	沐曦集成电路			未商用
14	格兰菲	Arise-GT10C0	CPU:兆芯、飞腾、龙芯、Intel、AMD OS:麒麟、Ubuntu、Windows	未商用	OpenCL1.2
15	芯瞳	GenBu01	华为鲲鹏920 CPU、飞腾、龙芯中科、北京数码大方科技CAXA 3D实体设计软件等	未商用
16	海思	昇腾（HUAWEI Ascend）		云端计算

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

yllrayray

关注关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【NPU 系列专栏 2.9 -- 国产GPU公司与创始人介绍】

CodingCos的博客

08-16

3602

如有侵权，请联系删除。

GPU相关——《异构众核系统综述》

Time-s_up

12-10

2629

该篇论文由西交大的巨涛、朱正东、董小社所写。他们首先从不同方面分析对比了当前不同异构系统的特点，揭示了异构众核系统相对传统多核并行系统的优势及其发展趋势。然后分析了异构系统编程模型以及性能优化的研究现状、所存在的问题和面临的挑战，提出了进一步的研究方向。接着对GPU 和MIC两种异构系统进行性能测试，验证了两种异构系统不同的应用特点，为用户选择具体异构系统提供参考。最后作者提出了将G...

1 条评论您还未登录，请先登录后发表或查看评论

移动GPU通用计算现状与展望

darkstorm2111203的专栏

03-29

3794

GPU通用计算简介 (成文于2014年9月，受情报来源限制，文中处理器型号信息可能与上市时规格不同，不同平台性能、功耗、带宽测试方法不同，不能简单比较) 传统上，GPU的应用被局限于处理图形渲染计算任务。随着GPU可编程性的不断提高，利用GPU完成通用计算渐渐活跃起来。将GPU用于图形渲染以外领域的计算称为GPGPU（General-Purpose computing on Graphics

国产GPU的发展历程及芯片性能详解

finovycloud的博客

04-26

3925

一、国产GPU的发展历程二、国产GPU进口代替的紧迫性三、景嘉微：具有完全自主知识产权，打破国外GPU长期垄断四、景嘉微国产GPU芯片概述五、景嘉微国产GPU芯片性能详解六、景嘉微国产GPU生态七：景嘉微国产GPU后续研发八、景嘉微：GPU业务高增长九、国产GPU IP 龙头：芯原股份十、航锦科技：收购长沙韶光，进军GPU领域

国产 GPU 私有部署适配指南：算力碎片化与内存管理实战全解

努力分享一些人工智能、计算机视觉、影像等相关的知识干货！

05-29

1421

随着大模型在企业内部私有部署需求持续上升，如何在国产 GPU（如寒武纪、天数智芯、摩尔线程及昇腾系列）环境下高效运行 DeepSeek 类大模型，成为部署成败的关键因素。本文聚焦于算力碎片化与内存调度优化两大核心挑战，基于当前 2025 年 5 月主流部署趋势与实测数据，系统解析 DeepSeek 私有部署过程中的显存分配策略、低资源设备适配路径、跨卡调度与显存回收机制，并结合实际工程落地案例给出操作细节与稳定性保障建议。全篇以实践出发，覆盖基础硬件识别、驱动兼容性优化、推理服务分配机制、异构资源编排框架等

国产高端GPU，国产替代加速（附国产厂家汇总）

ITSM/ITIL/网络安全/IT运维

05-05

1万+

GPU（Graphics Processing Unit，图形处理器）又被称作显示核心、视觉处理器、显示芯片，是一种专为并行处理而设计的微型处理器，非常擅长处理大量简单任务，包括图形和视频渲染。

GPU概述

我还是个孩子的博客

11-27

1247

一、图形处理器：GPU 1、GPU发展简史 2、GPU的优越性 3、GPU的缺陷型 4、GPU应用 5、总结

GPU技术从算力引擎到产业变革的驱动者：GPU发展趋势及应用领域综述

最新发布

07-11

此外，文中特别关注了国产GPU的发展机遇与挑战，指出国内厂商在技术研发、市场拓展和生态构建等方面的进展，并强调政策支持对国产GPU产业的重要性。; 适合人群：对计算机硬件、信息技术、半导体产业感兴趣的读者，...

AIGC领域AI写作：改变传统写作方式

AI天才研究院

05-12

892

随着AIGC技术的爆发式发展，AI写作已从实验性技术转化为大规模商用的内容生产工具。揭示AI写作的核心技术原理（如Transformer架构、预训练模型）对比传统写作与AI写作的范式差异演示从模型训练到文本生成的完整技术链路分析行业应用案例及潜在挑战覆盖范围包括自然语言处理（NLP）基础、生成式模型架构、工程化实现及跨领域应用，兼顾技术深度与商业价值。

全球及中国自主可控行业发展前景策略及投资机会分析报告2021-2027年

HSXHYJY88的博客

10-30

1160

全球及中国自主可控行业发展前景策略及投资机会分析报告2021-2027年 HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS-- 【修订日期】：2021年10月【搜索鸿晟信合研究院查看官网更多内容！】第一章　自主可控相关介绍 1.1　自主可控概念 1.1.1　大安全组成部分 1.1.2　自主可控的概念 1.1.3　自主可控的界定 1.1.4　自主可控的测评 1.1.5　网络安全参与者 1.2　自主可控参与主体 1.2.1　...

AI基础设施是AI落地赋能的核心关键

追求更专业的设计

06-06

1402

零门槛AI开发平台 EasyDL是为AI零算法基础或者追求高效率开发的企业用户提供的零门槛AI开发平台，提供从数据采集、标注、清洗到模型训练、部署的一站式AI开发能力，设计简约，极易理解，最快15分钟完成模型训练。AI通用技术开放创新平台方面，包括如百度、腾讯、滴滴、京东等综合性AI能力开放平台，云从、旷视、美图、萤石、虹软等侧重视觉图像识别AI能力开放平台，科大讯飞、依图、小米、搜狗、有道等侧重语音识别 AI能力开放平台，其中百度AI开放平台已提供超过1300+项开放能力。

NVIDIA GPU 发展综述（期末文档）

07-18

NVIDIA GPU 发展综述期末文档设计。

GPU（Graphics Processing Unit）详解

SDJ_success的博客

02-13

1872

现代GPU包含数千个计算核心（如NVIDIA H100拥有18,432个CUDA核心）。：气候建模（如NOAA的FV3模型）、流体动力学（ANSYS Fluent GPU加速）。：计算能力（TFLOPS）、显存带宽、软件生态（如CUDA支持）及能效比（性能/瓦特）。：游戏引擎（如Unreal Engine 5）利用GPU实现光线追踪、全局光照。：边缘设备（如Jetson AGX Orin）实时执行目标检测（YOLOv7）。：GPU加速DNA序列比对（如NVIDIA Clara Parabricks）。

【NVIDIA GPU 入门】综述

热门推荐

ChenYX的博客

04-10

20万+

GPU作为机器学习的基础运算设备，基本上是无人不知无人不晓。可是你真的知道GPU的运行逻辑么？你真的会用GPU么？本文提供了GPU结构的背景知识、操作的执行方式以及深度学习操作的常见限制。在推理特定层或神经网络使用给定 GPU 的效率时，理解 GPU 执行的基础知识很有帮助。1. GPU的基本结构（GPU架构基础）2. 操作如何划分和并行执行（GPU 执行模型）3. 如何用算术强度估计性能限制（了解性能）4. 松散的深度学习操作类别和往往适用于每个类别的性能限制（DNN 操作类别）

2022年，GPU行业市场前景及现状如何？

finovycloud的博客

08-18

710

近些年，国外GPU技术快速发展，已经大大超出了其传统功能的范畴。国内GPU芯片的研制虽然可满足目前大多数图形应用需求，但在科学计算、人工智能及新型的图形渲染技术方面仍然和国外领先水平存在较大差距，未来持续发展国产GPU势在必行。...

GPU

fengtian12345的博客

05-31

329

Tensorflow GPU使用综述

源式羽语

06-11

345

当机器中存在多个设备可以支持tensorflow时，tensorflow会根据版本不同自动检测使用默认设备进行运算操作，也可以通过手动指派tensorflow中数据运行的支持设备。tensorflow中设备格式：cpu ---'/cpu:0' '/cpu:1' gpu---'/gpu:0' '/gpu:1...

剖析GPU未来发展方向

finovycloud的博客

04-21

1112

国内外多模态大模型对比

02-25

### 国内外多模态大模型特点对比国内多模态大模型通常注重于融合多种数据源，如文本、图像和语音，在特定应用场景下提供定制化解决方案[^1]。这些模型往往针对中文语境进行了优化处理，能够更好地理解并生成自然流畅的汉语表达。国外尤其是美国开发的大规模预训练框架则更强调通用性和跨领域迁移能力，通过海量互联网公开资源进行无监督学习来获取广泛的知识表示[^2]。这类架构倾向于构建超大规模参数量级的基础模型，并探索其在不同任务间的泛化潜力。 ### 性能差异分析就计算效率而言，由于硬件设施以及算法实现上的区别，国际上领先的AI实验室所研发的产品可能具备更快的速度与更低能耗表现；然而随着国产GPU技术进步及分布式训练系统的完善，两者之间的差距正在逐渐缩小[^3]。关于准确性方面，对于某些本地化的视觉识别或语言翻译场景，经过针对性调优后的本土企业出品可能会占据一定优势；而在涉及全球范围内的复杂推理挑战时，则可能是海外开源项目凭借庞大的社区贡献而胜出一筹[^4]。 ### 发展现状综述近年来中国科技巨头纷纷加大投入力度追赶世界先进水平，不仅推出了具有自主知识产权的技术路线图，还积极促进产学研合作生态建设，加速科研成果转化落地进程[^5]。与此同时，西方国家持续引领理论创新前沿方向，不断推出新型网络结构设计思路和技术标准制定建议，推动整个行业向前发展[^6]。 ```python import matplotlib.pyplot as plt # 假设这是两个模型在中国市场上的应用效果评估分数分布情况可视化展示 plt.figure(figsize=(8, 6)) data_domestic = [0.75, 0.80, 0.85, 0.90, 0.92] data_foreign = [0.70, 0.78, 0.82, 0.88, 0.91] labels = ['Model A', 'Model B', 'Model C', 'Model D', 'Model E'] width = 0.35 x = range(len(data_domestic)) fig, ax = plt.subplots() rects1 = ax.bar(x, data_domestic, width, label='Domestic Models') rects2 = ax.bar([p + width for p in x], data_foreign, width,label='Foreign Models') ax.set_ylabel('Performance Score') ax.set_title('Comparison of Domestic and Foreign Multimodal Large Models Performance on Chinese Market') ax.set_xticks([r + width / 2 for r in x]) ax.set_xticklabels(labels) plt.legend() plt.show() ```