每次看 AI 新闻，总会听到「某公司又买了几万颗 GPU」。为什么是 GPU，不是听起来更高级的 CPU？
这篇把 GPU 讲白：它是什么、为什么大型 AI 常用它、市场由谁主导，以及从 H100 到 Vera Rubin 的世代差别。这是 AI 硬件供应链一条龙 第 1 关「AI 芯片」的入门版。
GPU 是什么？
GPU 的全名是 Graphics Processing Unit，图形处理器。它原本为游戏与 3D 绘图设计，特色是塞满大量结构简单的小核心，能同时处理成千上万笔相似的运算。
打个比方：CPU 像一位精算高等数学的教授，一次专心解一道难题；GPU 像一千个只会加减法的小学生，每人分一小块，一起算反而快得多。AI 要算的，正是几亿道简单题目同时上场。
核心数据快照
市占类数字是研调或政策机构估计，抓量级就好。
| 主题 | 数值 | 时点／性质 |
|---|---|---|
| 英伟达在 AI 用 GPU 的市占 | 约八成以上（云端自研 ASIC 另计，口径不同） | 2025–2026，研调／政策机构估计 |
| 英伟达数据中心营收（全年） | FY2026 约 1,937 亿美元 | 英伟达官方财报 |
| 英伟达数据中心营收（单季） | FY2027 第二季（至 2026-07-26）890 亿美元，同比增长 117% | 英伟达官方财报 |
GPU 跟 CPU 差在哪
差别在核心的数量与分工。CPU 核心少，但每颗都强、很全能，擅长一步接一步、需要边做边判断的工作，例如操作系统与程序逻辑。GPU 塞满大量较小的核心，追求「同时做很多事」的总吞吐量，适合矩阵运算、图像处理与深度学习。
在 AI 服务器里，两者是分工合作的伙伴：CPU 调度数据、管理程序与网络，GPU 跑模型最吃重的运算。更完整的比较可以读 GPU 和 CPU 差在哪。
为什么大型 AI 常用 GPU
AI 模型的训练与推理，骨子里是海量的矩阵运算同时进行。GPU 里有两种核心特别重要：CUDA Core 是大量通用的小计算单元，负责一般并行运算；Tensor Core 专门加速矩阵乘法，支持 FP16、FP8、FP4 这些低精度格式（用较少比特换更快的运算）。
旁边还要配上高速的 HBM（高带宽内存），把模型权重和数据喂得够快，运算核心才不会闲着等数据。这块内存可以看 HBM 那一关。
AI GPU 市场：谁在供应
这一关高度集中在英伟达。它的护城河不只在芯片，更在 CUDA 这套软件生态：开发者写好的程序都跑在上面，要整套搬到别家成本很高。
AMD 是主要挑战者：Instinct MI350 系列已在云端出货，2026 年 7 月再推出 MI455X（单颗 432GB HBM4）与 72 颗 GPU 组成的 Helios 整柜。谷歌、AWS、微软等云端大厂则自研 ASIC，在自家云里省成本、做差异化，这条线可看 ASIC 那一关。
要提醒的是，市占与营收会随新品、财报与口径变动，这里描述的是产业格局，不是个股评价。
主流 AI GPU 世代一览
| 世代／产品 | 定位 | 内存 |
|---|---|---|
| H100（Hopper） | 较早的训练／推理主力 | 80–94GB HBM |
| H200（Hopper） | Hopper 内存升级版 | 约 141GB HBM3e |
| B200（Blackwell） | Blackwell 世代主力 | 约 180–192GB HBM3e（依 SKU） |
| B300（Blackwell Ultra） | 内存再加大 | 约 288GB HBM3e |
| GB300 NVL72 | Grace CPU + 72 颗 Blackwell Ultra GPU 的整柜系统 | 整柜约 20TB |
| Vera Rubin | Blackwell 的下一代 | 单颗 288GB HBM4；NVL72 整柜 20.7TB |
截至 2026 年 8 月，Blackwell 仍占英伟达营收的绝大部分；Vera Rubin 则在 2026 年 8 月开始量产出货。
重点抓两个趋势：一是内存越做越大、带宽越拉越高；二是从「单颗芯片」走向「整柜系统」，把几十颗 GPU 用高速互连绑成一台超级电脑。旗舰世代的细节可以接着读 Blackwell 那一关。
台湾在这一关的角色
GPU 由英伟达在美国设计，实体制造却高度仰赖台湾。Blackwell 用台积电定制的 4NP 制程生产，再靠 CoWoS 等 先进封装 把 GPU 和 HBM 绑在一起，最后由鸿海、广达、纬创等台湾厂商组装成整柜 AI 服务器。英伟达在 2026 年 5 月公布的 Vera Rubin 量产伙伴，也包括这些台湾厂商。一颗 GPU 从硅片到能用的系统，大半路程都在台湾。
小企鹅的总结
GPU 的本事是并行运算：大量小核心同时开工，刚好对上 AI「海量简单运算一起做」的胃口，这就是大型 AI 常用 GPU 的原因。
这一关由英伟达主导，AMD 与云端自研 ASIC 从两路追赶；而每颗 GPU 背后，都连着台积电制程、先进封装与台湾的服务器组装。看懂 GPU，就拿到了看懂整条 AI 硬件供应链的入场券。