GPU 异构生态导引：国产格局、海外阵营与 K8s 支持

GPU 异构生态日新月异，但通过分层梳理国内外厂商与技术路线，我们仍能找到稳定的坐标系。掌握这张生态图谱，将帮助平台工程师在纷繁硬件选择中建立清晰直觉，并为后续 Kubernetes 异构调度治理打下基础。

中国 GPU 厂商分层生态图谱

近年来，国内 GPU 厂商快速发展，形成了头部、腰部和尾部三个层级。下文将按梯队梳理主要厂商，并标注其核心芯片、技术特点和资本背景，帮助读者建立整体认知。

下方结构化图谱以二维坐标系展示主要厂商在不同维度的定位，帮助读者快速建立整体认知。

该图谱以国内/国外为横向分组，以厂商地位为纵向层次，展示主要参与者。颜色深浅可代表 Kubernetes 兼容成熟度，节点形状可代表驱动开放性。

头部厂商（领先通用 GPU）

头部厂商在国产 GPU 生态中占据核心地位，具备较强的研发和资本实力。以下是主要代表：

• 华为昇腾（Ascend） —— 华为旗下 AI 加速器系列，包括昇腾 310 推理芯片和昇腾 910 训练芯片。昇腾 910 于 2019 年发布，采用 7nm 工艺，单芯片提供 256 TFLOPS FP16 算力，搭载自研达芬奇架构和 32GB HBM 内存，定位高性能训练。华为为昇腾构建了配套 CANN 软件栈和 MindSpore 框架。技术路线上，昇腾与 CUDA 不兼容，采用自主指令集与编译器；容器支持通过 Ascend 设备插件及驱动实现。资本和生态方面，昇腾由华为主导，依托华为软硬件生态和鲲鹏/麒麟体系，在国内信创及超算中心获得重点部署支持。
• 寒武纪（Cambricon） —— 出身中科院的 AI 芯片企业，以“思元（MLU）”系列芯片闻名。寒武纪早期为华为麒麟手机提供 NPU IP，后独立推出云端通用 AI 芯片思元 100/270/370 等。最新思元 590 芯片在大模型训练中大规模落地，2024 年营收达 11.74 亿元，同比增长 65%。技术上，寒武纪芯片采用自研架构并提供 Neuware 软件栈，支持主流深度学习框架但不直接兼容 CUDA。资本方面，寒武纪获阿里巴巴投资并于 2020 年科创板上市，是国内 AI 芯片第一股。阿里云在通义大模型中采购寒武纪 MLU 芯片作为 GPU 替代。
• 沐曦科技（MetaX） —— 被称为“中国版 AMD”，成立于 2020 年，由多位 AMD 前资深工程师创立。沐曦专注高性能通用 GPU（GPGPU），2024 年量产主力芯片曦云 C500/C550，定位“训练推理一体”通用 GPU，FP16/BF16 算力已达到 NVIDIA A100 同级区间。技术路线强调 CUDA 兼容和高通用性，提供完整软件栈（MXStack）。资本上，沐曦于 2023 年科创板上市，首发募资 42 亿元，总市值超 3300 亿元。
• 天数智芯（Iluvatar CoreX） —— 国内较早研发 7nm 通用 GPU 的企业。2021 年发布“Big Island”（BI）通用 GPU 芯片，峰值算力 147 TFLOPS FP16，定位对标英伟达数据中心 GPU。后续推出第二代“智铠 100”GPU，支持多精度计算和高带宽存储，强调云端高效训练与推理。资本背景包括国家大基金、上海市政府基金等。

腰部厂商（新兴通用/AI GPU）

腰部厂商多为新兴企业，技术路线各具特色，部分已上市或获得大厂投资。

• 摩尔线程（Moore Threads） —— 国内首家全功能 GPU 公司，成立于 2020 年，由前英伟达中国区总经理创立。已发布“苏堤”和“春晓”架构，推出面向桌面和服务器的显卡产品 MTT S80、MTT S3000。摩尔线程构建了自主 MUSA 架构和驱动，支持主流 API，努力实现软硬件生态兼容。资本方面，摩尔线程获得字节跳动等投资并于 2023 年末科创板上市。
• 壁仞科技（Biren Tech） —— 专注高性能通用 GPU，成立于 2019 年。2022 年发布旗舰芯片 BR100，采用 Chiplet 架构和 7nm 工艺，峰值达到 1024 TFLOPS BF16。软件栈支持主流 AI 框架和编译器，努力实现 CUDA 迁移。资本上，壁仞融资多轮，股东包括腾讯、国家集成电路大基金等。
• 燧原科技（Enflame） —— 深耕 AI 训练与推理的定制芯片公司，成立于 2018 年。已发布三代产品，包括训练芯片“云燧”系列和推理芯片“雨霁”系列。燧原芯片采用专用架构深度定制 AI 计算，注重算力密度和能效。资本方面，燧原获得腾讯等投资，正在科创板上市辅导阶段。
• 昆仑芯（Baidu Kunlun） —— 百度自研的云端 AI 芯片品牌，2018 年发布昆仑 1 代，2021 年推出昆仑 2 代，主要用于百度内部大规模推理和部分训练。采用自主 XPU 架构，支持百度飞桨框架和部分主流框架的适配。

尾部厂商（新入局者与垂直芯片）

尾部厂商包括初创团队和专注特定细分领域的 AI 芯片公司，产品多处于研发或小规模流片阶段。

• 初创 GPU 团队：如南京的景嘉微、登临科技等，体量和影响力有限，产品尚未大规模商业化。
• 专用领域芯片：如地平线（Horizon Robotics，推出“征程”系列车载 AI 芯片）、黑芝麻智能（Black Sesame，汽车视觉芯片）等，主要部署在本地设备或专用服务器中。
• 互联网大厂自研：如阿里巴巴的含光 800、腾讯的“紫霄”AI 芯片等，通常服务于自家业务，未形成通用 GPU 生态。

整体来看，头部厂商提供了国内 GPU 算力的中坚力量，腰部厂商各具特色，尾部及垂直玩家丰富了生态多样性。技术路径上，有的追求 CUDA 生态兼容，有的专注定制算力。中国 GPU 生态正逐步形成从通用到专用的完整谱系。

国外 GPU 厂商主要阵营

国际市场上，GPU/AI 加速硬件格局相对成熟，主要分为三大传统巨头阵营和一批新兴专用加速器厂商。下文将介绍其代表性产品与生态特点。

主流 GPU 厂商

• NVIDIA —— AI 计算领域的领导者。NVIDIA 的 GPU（如 A100、H100 系列）已成为深度学习训练的事实标准。H100（Hopper 架构）GPU 提供高达 1000+ TFLOPS FP16/BF16 算力，配备高速 HBM 显存和 NVLink 互连。NVIDIA 构建了强大的 CUDA 生态，CUDA 库和开发工具被所有主流深度学习框架原生支持。还提供 TensorRT、NCCL、vLLM 等软件工具。MIG 技术支持 GPU 实例化，方便在 Kubernetes 等平台以更细粒度调度。
• AMD —— GPU 市场的重要参与者。AMD 的 Instinct 加速卡（MI 系列）专注数据中心 AI 训练，最新 MI300X 集成 CPU+GPU 异构架构。AMD 推出 ROCm 开发套件以对应 CUDA，支持主流深度学习框架。优势在于开放的驱动和工具链以及性价比潜力，劣势在于生态相对薄弱。
• Intel —— CPU 巨头发力 GPU 及 AI 加速领域。推出数据中心 GPU Flex 系列和 Ponte Vecchio GPU。收购 Habana Labs 带来 Gaudi AI 训练处理器。Intel 的 oneAPI 生态支持 CPU、GPU、FPGA 融合编程，OpenVINO 工具优化推理部署。Intel 以开放源代码和标准为策略，积极主导 SYCL 等开放规范。

新兴专用加速器

新兴专用加速器公司推出与 GPU 不同架构的芯片，主攻特定细分场景。以下为主要代表：

• Tenstorrent —— 由 Jim Keller 掌舵，采用 RISC-V CPU 加片上神经网络单元，强调开源生态，支持 PyTorch 等模型部署。
• Groq —— 由谷歌 TPU 团队成员创立，特色在于极致低延迟 AI 推理，采用 TSP 体系结构，通过编译时确定执行顺序实现毫秒级延迟。
• Cerebras —— 以“晶圆级芯片”闻名，WSE-2 拥有 85 万个 AI 核心和 40GB 片上 SRAM 存储，适合超大模型训练。
• Graphcore —— 推出 IPU（Intelligence Processing Unit）架构，专为大规模并行计算设计，适合稀疏模型和图神经网络。

这些新兴厂商在特定场景下提供了 GPU 之外的多元方案，推动 AI 硬件多样化。

Kubernetes 中的 GPU 支持现状

在异构硬件云原生化趋势下，各类 GPU 和加速芯片如何融入 Kubernetes（K8s）平台成为平台工程师关注的重点。下文梳理主流 GPU/芯片在 K8s 中的支持现状，包括容器运行时、设备插件、Operator、HAMi 兼容及 DRA（Dynamic Resource Allocation）驱动等方面。

• NVIDIA GPU：K8s 支持度较高。NVIDIA 提供官方 Container Toolkit 和 K8s Device Plugin，支持 GPU 资源透明调度。MIG 技术支持实例化，HAMi 项目支持多种虚拟化模式。NVIDIA 积极推动 DRA 驱动，提升资源抽象能力。
• AMD GPU：近年来进步显著。AMD 提供 ROCm 软件栈和 K8s Device Plugin，支持资源调度。虚拟化与共享能力正在完善，HAMi 兼容性有待提升，DRA 驱动尚未发布。
• Intel GPU/加速器：早期支持较为完备，专注异构融合。提供 Device Plugin 和 Operator，支持 OpenVINO 集成。HAMi/DRA 方案仍在探索中，当前以整卡直通为主。
• 华为昇腾（Ascend）：K8s 支持逐步完善。提供专用 device plugin，支持静态和动态虚拟化。HAMi 已支持昇腾系列共享调度，DRA 计划尚未公开。
• 寒武纪 MLU：官方提供 K8s 设备插件，支持整卡调度和健康探测。HAMi 集成细粒度共享，DRA 驱动有待推进。
• 其他国产 GPU（沐曦、壁仞、天数、摩尔线程等）：主要通过自有设备插件或 HAMi 项目支持 K8s，标准化程度有待提升，DRA 方案尚未普及。

整体来看，NVIDIA 在 K8s 上的支持最为完善，AMD/Intel 基本可用，国产方案逐步接入。未来 K8s 原生异构支持将进一步减少集成差异，提升异构集群运维和调度效率。

总结

本文系统梳理了国内外 GPU 厂商生态、技术路线及其在 Kubernetes 平台的支持现状。国产 GPU 生态呈现梯队化，头部厂商具备高性能芯片和资本背书，腰部厂商快速成长，尾部及垂直领域不断探索专用加速方案。国外阵营由 NVIDIA 主导，AMD、Intel 通过开放生态形成竞争，新兴加速器提供多元方案。Kubernetes 支持方面，NVIDIA 方案最成熟，AMD/Intel 基本可用，国产方案逐步接入。未来，K8s 原生异构支持将进一步提升异构集群的运维和调度能力。平台工程师应结合自身业务需求，基于结构化认知，科学选型并优化异构算力管理策略。