报告概述
本报告系统解析算力、GPU与AI服务器的核心技术与发展现状。首先从概念出发，定义算力并阐述其分类（基础算力、智能算力、超算算力）及市场规模；其次深入GPU芯片技术，包括性能指标、主流型号（如英伟达A100/H100）及国产芯片对比；然后详解AI服务器架构，分析PCIE与NVLink两种互联方式及智算中心产品组成；最后涉及网络产品（IB/RoCE）与典型组网方案。报告采用技术解读与数据对比的方法，为读者提供从芯片到系统、从理论到实践的完整知识框架，适用于了解智算生态的从业人员与决策者。
报告的核心结论
算力需求持续高增长，智算是核心驱动力
报告显示，中国智算市场规模从2020年的75亿元预计增长至2028年的34,174亿元，复合增长率高达46.3%；智能算力规模同样快速增长，反映出AI大模型等应用对智能算力的强劲需求。
AI训练与推理对算力的要求存在显著差异
训练需要高密度集中部署、高性能网络和GPU为主的计算，而推理更注重低时延、高弹性和贴近用户部署，芯片类型可涵盖GPU、ASIC/FPGA等。这一差异直接影响智算中心的选址与架构设计。
NVLink全互联是GPU服务器支持大模型训练的关键
相较于PCIE机型，NVLink机型通过高带宽（如A100达600GB/s）实现GPU全互联，显著提升大模型训练效率。英伟达HGX模组及NVL72产品体现了这一技术路线的极致性能。
国产AI芯片性能快速追赶，但生态与互联仍有差距
报告列举了华为昇腾910B、天数天垓150等十余款国产芯片，FP16稠密算力接近英伟达H100的1P水平，但在显存带宽、GPU互联速率等方面仍存差距，且适配软件生态有待完善。
报告回答的关键问题
什么是算力？有哪些分类？
算力是计算能力的简称，通常以FLOPS衡量。报告将算力分为基础算力（CPU）、智能算力（GPU/FPGA/ASIC）和超算算力（HPC）三类。智能算力主要服务于AI领域，是当前增长最快的类型。
GPU算力如何计算？关键指标有哪些？
GPU峰值算力公式为：核心频率 × SM数量 × 单周期指令吞吐量 × 2。关键指标包括算力（TFLOPS）、显存容量、显存带宽、功耗和卡间互联（NVLink）。不同精度（FP16/FP32/FP64）算力差异显著。
智算中心是怎样构成的？
智算中心包括基础设施层（GPU服务器、存储、网络）、平台管理层（虚拟化、算力调度、监控）和行业应用层。服务器以AI训练/推理服务器为主，网络常用IB或RoCE，并依赖液冷等绿色技术。
英伟达H100和A100有哪些主要区别？
H100采用Hopper架构，FP16稠密算力约1P（A100为312T），显存带宽3.35TB/s（A100 2TB/s），支持PCIe 5.0和NVLink 4.0，互联带宽达900GB/s。H100性能约为A100的3倍，且新增Transformer引擎。
报告中的代表性数据
34,174亿元
中国智算市场规模
2028年（预测），根据IDC数据及艾瑞咨询预测，2020-2028年中国智算市场规模从75亿元增长至34,174亿元，年复合增长率为46.3%。
312 TFlops
A100 GPU FP16稠密算力
发布时，基于Tensor Core加速，单精度FP16稠密算力为312 TFlops，对应8卡整机约2.5P。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 智算市场规模与智能算力规模的历年数据及预测图表，展示行业增长趋势。
- 算力芯片技术路线详解，包括GPU、FPGA、ASIC和类脑芯片的优缺点及适用场景。
- 英伟达主流GPU（A100/H100/H200/B100）的详细参数对比，含算力、显存、功耗等指标。
- 国产AI芯片（华为昇腾、天数智芯、沐曦等）的算力、显存、互联性能全方位比较表。
- GPU服务器PCIE与NVLink两种架构的深度技术分析，包括拓扑图、带宽对比和常见问题解答。
- 英伟达HGX模组、DGX系统及NVL72一体机内部结构拆解与互联方案解析。
- 智算中心网络产品需求分析及IB（InfiniBand）与RoCE方案的技术特点与选型建议。
- Mellanox网卡、交换机、线缆及互联拓扑的详细产品规格与部署案例。
- 典型AI服务器产品（如超聚变G8600 V7）的硬件配置与模块化设计说明。
- 算力精度（FP16/FP32/FP64、TF32、BF16）的数学定义与换算方法，含实例计算。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
