深度学习 算力芯片

谷歌第一代张量处理单元是为加速数据中心内神经网络推理而自研的专用芯片。它 2015 年上线、2016 年公开，证明专用加速器在性价比上可以胜过 CPU 和 GPU。

Google TPU v2 是 Google 于 2017 年 5 月发布的第二代张量处理单元。它加入浮点支持和 bfloat16，并可组成 256 颗芯片、11.5 petaFLOPS 的 pod。

NVIDIA 首款基于 Volta 架构的数据中心 GPU，2017 年 5 月发布。它引入张量核心专门加速矩阵乘法；OpenAI 后来的 GPT-3 系列模型即在 V100 上训练。

NVIDIA H100 是首款基于 Hopper 架构的数据中心 GPU，2022 年 3 月发布，为训练和运行大模型设计，使用 HBM3 显存与 FP8 精度。

Cerebras 于 2024 年 3 月发布的第三代晶圆级 AI 芯片，在 46,225 平方毫米的一整块硅片上集成 4 万亿个晶体管，目标是让超大模型在单一内存空间中训练。

SK 海力士于 2024 年 9 月 26 日宣布量产 12 层 HBM3E，是首个做出 12 层堆叠高带宽内存的公司：封装容量 36 GB，厚度与 8 层版本相同，工作速度 9.6 Gbps。

TPU7x（Ironwood）是 Google 第七代张量处理器：单芯片 192 GB 高带宽内存，支持 FP8，一个 Pod 可装 9,216 颗芯片，编程模型为每颗芯片暴露两个设备。

昇腾 910C 是华为昇腾 910 系列的数据中心 AI 芯片，基于达芬奇架构，2025 年第一季度上市，FP16 算力 800 TFLOPS，配备 128 GB 高带宽内存。

华为云基于 Atlas 900 A3 超节点构建的云服务实例，把最多 384 颗昇腾 910C 芯片连成一台计算机对外提供算力。

2025 年 3 月 19 日，SK 海力士宣布全球首家向主要客户提供 12 层 HBM4 样品：带宽超过 2 TB/s、容量 36 GB，比 HBM3E 快 60% 以上。

华为昇腾 950 是 2025 年 9 月公布的两款 AI 芯片系列，昇腾 950PR 与 950DT 共用一颗芯片，并首次采用华为自研高带宽内存，低精度算力最高 2 PFLOPS。

NVIDIA 于 2010 年 11 月发布的消费级显卡。两张各带 3 GB 显存的 GTX 580 后来训练出了在 ILSVRC-2012 夺冠的 AlexNet。

NVIDIA 于 2016 年 4 月发布的 Tesla P100 是首款基于 Pascal 架构的数据中心 GPU，也是第一个同时用上 HBM2 堆叠显存、面向深度学习的半精度指令和 NVLink 互联的加速卡。

NVIDIA 于 2016 年 4 月发布的 DGX-1 在单个机箱里装了 8 块 Tesla P100 GPU，被称为世界上第一台深度学习超级计算机，把加速卡的数量变成一个可直接采购的整机型号。

Google 自研的第三代张量处理单元，2018 年推出，内存容量与带宽翻倍、峰值吞吐提升、单芯片功耗下降，并采用液冷以支持更高密度的集群。

昇腾 910 是华为 2019 年发布的 AI 训练处理器，与 MindSpore 框架一同推出，FP16 算力 256 teraflops，曾用于在数千块芯片组成的集群上训练 PanGu-α 语言模型。

NVIDIA DGX A100 是 NVIDIA 第三代 DGX 系统，2020 年 5 月 14 日发布，内置八块 A100 GPU，AI 性能标称 5 petaflops，最多可切分为 56 个实例。

寒武纪第三代云端AI芯片，2021年发布：7 nm芯粒方案封装两颗计算裸片，INT8算力256 TOPS，支持LPDDR5内存与多芯互联，定位为具性价比的推理产品。

AMD 的数据中心 GPU 加速器，于 2021 年 11 月 8 日发布，基于 CDNA 2 架构，拥有 220 个计算单元和 128 GB HBM2e 显存，双精度算力突出，同时支持低精度 AI 格式。

英伟达 A800 是一款数据中心 GPU，2022 年投产，作为面向中国客户的 A100 替代方案，芯片间数据传输速率有所降低，以满足美国出口管制门槛。

壁仞于 2022 年 8 月发布的通用 GPU，双晶粒封装、7 nm 工艺、770 亿晶体管，厂商称其单芯片算力达到 PFLOPS 级。

英伟达为中国市场专门设计的数据中心 GPU，目的是在美国出口管制下继续对华销售。它的核心数与性能低于 H100，但在 2025 年 4 月的许可证要求之前，是中国买方可合法买到的最先进英伟达芯片。

思元590是寒武纪2023年发布的第四代云端AI芯片，采用7纳米工艺，训练与推理通用，面向千亿参数级模型，也是公司第五代MLUarch微架构的代表产品。

华为昇腾 910B 是 2023 年量产的 AI 芯片，FP16 算力 320 TFLOPS，配 32 GB HBM2e 显存、1.6 TB/s 带宽，310 W 功耗，采用 7 纳米国产工艺。

Google TPU v5p 是 2023 年推出的 TPU 世代，规格列出每颗芯片 459 TFLOPS 的 BF16/FP8 峰值算力、95 GiB HBM 和每 pod 8,960 颗芯片。

昆仑芯 P800 是昆仑芯第三代 AI 加速卡，2024 年推出，基于自研 XPU-P 架构，被用于万卡级训练集群和多个行业客户的部署中。

英特尔 Gaudi 3 是 2024 年推出的 AI 加速器，由两颗 5 纳米计算芯片组成，配 128 GB HBM2e 显存，BF16 与 FP8 矩阵算力均为 1,835 TFLOPS，OAM 模块上还集成了 200GbE 网络端口。

Meta 自研 AI 芯片 MTIA 的第二代，2024 年 4 月 10 日公布，采用台积电 5 纳米工艺，专门服务 Meta 自家的排序与推荐模型。

Google TPU v6e（又称 Trillium）是 Google Cloud 的 AI 加速芯片，公布了每芯片 BF16/FP8 算力、HBM 内存与 Pod 级互连规格。

深算三号是海光于 2025 年上市的 GPGPU 架构深度计算处理器，采用 7 纳米芯粒封装，HBM 带宽 1.8 TB/s，并配有类 CUDA 的软件工具链。

摩尔线程的旗舰训推一体 GPU 智算卡，基于 PH100 芯片和「平湖」架构，稠密 AI 算力 1000 TFLOPS、显存 80 GB，是公司 2025 年的主要出货产品。

华为昇腾 970 是华为 2025 年 9 月公布的路线图上最后一颗 AI 芯片，计划 2028 年第四季度上市；按公布的目标，它的 FP8、FP4 算力约为昇腾 960 的两倍，互联带宽和内存带宽也大幅提高。

昇腾 960 是华为路线图中的 AI 芯片，计划 2027 年第四季度上市，宣称算力、内存容量与带宽、互联端口均为昇腾 950 的两倍，并支持自有的 HiF4 4 位格式。

寒武纪的旗舰加速芯片思元690于2026年初量产，采用双裸片封装，FP16算力超过700 TFLOPS，配备196 GB HBM3内存，面向超大规模训练任务。

真武 810E 是阿里巴巴旗下平头哥自研的 AI 芯片，2026 年 1 月上线官网，配备 96 GB 高带宽内存，面向训练、推理与自动驾驶，已在阿里云多个万卡集群部署。

AWS Trainium 是亚马逊云科技（AWS）为深度学习训练专门设计的芯片，通过 EC2 Trn1 实例提供，AWS 称其训练成本比同类实例最多低 50%。

AWS Inferentia2 是亚马逊云科技为推理打造的第二代自研芯片，单颗芯片带 32 GB 高带宽内存、最高 190 TFLOPS 的 FP16 算力，一台 EC2 Inf2 实例最多可装 12 颗。

Google TPU v5e 是 2023 年推出的机器学习加速芯片，单颗芯片含 1 个 TensorCore，bfloat16 峰值算力 197 TFLOP，可组成 256 颗芯片的 Pod，兼顾训练与推理。

GH200 是英伟达的超级芯片，将 72 核 Arm CPU 与 Hopper GPU 经 NVLink-C2C 装进同一封装，搭配 HBM 与最多 480 GB CPU 内存。

NVIDIA Tesla K80 是 2014 年 11 月发布的双 GPU 数据中心加速卡，在一块 300 W 的板卡上集成两颗 GK210、24 GB 显存，单精度峰值最高 8.74 万亿次浮点运算每秒。

NVIDIA DGX-2 是 2018 年 3 月发布的一台服务器，把 16 块 Tesla V100 GPU 与新的 NVSwitch 互联装进一个机箱，NVIDIA 称它是首台达到两千万亿次浮点运算的单一服务器。

Cerebras Systems 于 2019 年发布的 AI 处理器，把整片硅晶圆当作一颗芯片，容纳超过 1.2 万亿个晶体管和 40 万个核心；该系列已发展至 2024 年的 WSE-3。

MTIA 第一代是 Meta 自研的第一代 AI 推理加速器，采用台积电 7 纳米制程，配备 128 MB 片上内存，面向深度学习推荐模型。

英特尔 Gaudi 2 是一块面向数据中心的 AI 加速器，配备 96 GB HBM2e 显存、432 TFLOPS 的 BF16 算力和 24 个张量处理器核心，专门承担大型神经网络里的矩阵运算。

AMD Instinct MI100 是一款基于 AMD 第一代 CDNA 架构的 GPU 加速器，配备 32 GB HBM2 显存，并给出双精度、单精度和半精度计算的峰值吞吐指标。

Cerebras 的第二代晶圆级芯片，被称为当时最大的 AI 处理器：采用 7 纳米工艺，在单块晶圆上集成 2.6 万亿个晶体管、85 万个核心和 40 GB 片上内存。

AWS Inferentia 是亚马逊云科技（AWS）自研的一款芯片，专门用于运行已经训练好的机器学习模型，用户通过 EC2 Inf1 实例使用。它的目标是在推理任务上比通用实例更快、更便宜。

英伟达 L40S 是基于 Ada Lovelace 架构的数据中心 GPU，48 GB ECC 显存兼顾 AI 与图形负载，采用 PCIe Gen4 被动散热设计，不支持 NVLink 与 MIG。

NVIDIA Tesla T4 是采用 Turing 架构、功耗 70 瓦的单槽 GPU，面向 AI 推理，把张量核心与专用视频转码引擎装进一张可以直接插进普通服务器的卡里。

NVIDIA A10 是一款基于 Ampere 架构的数据中心 GPU，把图形、视频与 AI 推理放进一张 24 GB 显存的单槽 PCIe 卡，面向主流企业服务器。

NVIDIA Tesla P40 是 2016 年 9 月数据表所载的服务器 GPU 加速卡，基于 Pascal 架构，专用于深度学习推理，具备 24 GB 显存和 47 TOPS 的 INT8 性能。

NVIDIA 基于 Ampere 架构打造的数据中心 GPU，面向 AI 推理和主流企业级计算，配备 24 GB HBM2 显存，功耗上限 165 W，最多可切分为 4 个 MIG 实例。