《投資者網》云詩蒙

景嘉微的架構研發中心，已有了進展。

9月，景嘉微在投資者平臺回復：“子公司無錫錦之源電子科技有限公司已經成立。”之前，公司擬定增募資不超42.01億元切入通用GPU領域，其中約9.45億元將用于通用GPU先進架構研發中心建設項目，后者將建于江蘇無錫。

值得一提的是，這筆40億元定增過會，從深交所受理算起僅用兩周時間，從發布定增預案到獲交易所審核通過前后僅兩個月。

景嘉微從航空圖顯模塊起家，是軍工顯控領域佼佼者。拳頭產品JM5400已占據國內軍用飛機圖顯模塊絕大部分市場，成為圖形顯控行業領域的標桿型企業。

作為國內唯一一家實現國產GPU大規模商業化生產的公司，技術完全自主研發。景嘉微能否持續發揮行業“領頭羊”作用？國產GPU上市廠商面對的主要難題又是什么？

上半年業績承壓

2023年上半年，景嘉微實現營收3.45億元，同比下降36.6%；歸母凈利潤-0.08億元，同比下降106.1%；扣非歸母凈利潤-0.26億元，同比下降124%。

《投資者網》整理

營業收入分產品來看，圖形顯控領域產品（GPU）、芯片領域產品、小型專用化雷達領域產品營業收入依次為2.11億元、0.43億元、0.76億元，分別占比61.23%、12.58%、22.09%。可以看出圖形顯控產品長期驅動景嘉微的營收。

對此，公司表示業績變動原因是受宏觀經濟波動、下游產業需求波動、銷售結構變化等多方因素影響，導致產品銷售規模下降。產品的應用領域看，主要集中在民用，但公司已宣布將拓展到民用。

研發方面，景嘉微研發費用為1.67億元，同比增長23.77%，占公司營業收入占比48.25%。公司共有員工1296人，其中研發人員873人，占員工總數比例為67.36%。

值得一提的是，景嘉微第二達股東是國家集成電路產業投資基金股份有限公司，持股比例7.05%。它是國家級別的產業投資基金，專注于支持和發展中國集成電路產業。

GPU國產新勢力

GPU是一種復雜的高端芯片。國際巨頭起步早，有著高技術壁壘和專利壁壘。相比于像英偉達、AMD這些國際巨頭，我國芯片行業尚在起步階段。

2022年，美國政府命令芯片廠商英偉達停止向中國銷售部分高性能GPU，據海外媒體報道，另一家AMD也稱收到了相關的禁止命令。

危與機往往同時出現，在美國的壓力和封鎖之后，國內芯片企業進行產業創新自主研發的動力更足。

在機構調研中，景嘉微提到“2020年下半年受國際因素影響，AMD供貨短缺，整機廠商就只能用國產的。國產有成熟產品的，只有景嘉微。2020年下半年開始景嘉微訂單數高速增加，產品出貨超過預期。”

在一個壁壘極高且贏家通吃領域，彎道超車談何容易。不過，芯片國產化是大勢所趨，近些年也不斷涌現相關企業。

目前來看，景嘉微具備支持本土GPU和本土操作系統的自主知識產權GPU，產品主要為M5400、JM7201、JM92系列，應用于軍用工業、人工智能、金融、云計算等領域。

華為海思的產品有昇騰910、昇騰310，兩款都是基于自研華為達芬奇架構3DCube技術，支持云邊端全棧全場景應用，昇騰910是基于7nm制程工藝的AI芯片，性能接近英偉達A100（40GB），半精度（FP16），算力達到320TFLOPS，整數精度（INT8）算力達到640TOPS，功耗310W。

另一個是昇騰310，它是一款低功耗AI芯片，該芯片FP16算力為8TOPS，INT8算力16TOPS，采用12nm工藝制造。適用于物聯網設備和邊緣計算場景。它具有高度集成的特點，能夠在資源受限的環境下實現高效的AI推理。

海光信息產品有海光系、深算系，海光DCU屬于GPGPU(通用圖形處理)一種。2021年深算一號DCU產品已實現商業化應用，產品主要為深算一號DCU產品，應用于人工智能訓練。

還有摩爾線程的MTTS60、MTTS2000，多應用于物理仿真、人工智能、自動駕駛等領域。

在調研中，當景嘉微被問到：“壁仞科技、摩爾線程的人都是英偉達或AMD出來的，他們在架構方面是不是有一定優勢，是不是在數據中心領域有競爭？”

對此，景嘉微給出的回答是“技術只是一部分，市場渠道的因素更大。他們的確有大廠經驗，起點比較高，技術可能有優勢。但是芯片真不是誰技術好就行，關鍵要看落地的市場。市場主要是C端和B端兩個，C端他們是沒有競爭力的，因為成本敏感，流片不到百萬量級就會很貴。在安防領域，別人恰恰會懷疑英偉達，在不計成本、考慮安全的市場，恰恰是景嘉微和華為的優勢。”

決勝在架構

投資者提到的架構，目前是決定GPU算力、性價比的核心。

今年，英偉達憑借CHATGPT成為市場焦點。支撐起該企業產品背后的AI大模型，就是由其打造的CUDA。

簡單說，CUDA是一種并行計算平臺和編程模型，提供了一套完整的軟件工具和庫，支持多種編程語言和操作系統，簡化GPU編程的難度和復雜度。CUDA提供各種深度學習框架（TensorFlow、PyTorch、MXNet）、機器學習庫（cuDNN、cuML、RAPIDS）、科學計算庫（cuBLAS、cuFFT、cuSPARSE）等，可以幫助開發者快速構建和部署AI應用程序。

眾多算法工程師非常依賴CUDA提供的工具庫及其編程語言，甚至有些工程師在學校期間就開始使用CUDA，畢業后入職企業依舊使用CUDA。

此外，在消費級市場上，幾乎每一款重要的消費級視頻應用程序都已經使用CUDA加速或很快將會利用CUDA來加速。原因是CUDA的GPU編程語言基于標準的C語言，因此任何有C語言基礎的用戶都很容易地開發CUDA的應用程序。

因此，由于開發者使用CUDA，且AI大模型則無法繞過CUDA，同時CUDA又是基于英偉達圖形處理器（GPU）上全新的并行計算體系架構。換言之，CUDA幾乎只支持英偉達的Tesla架構GPU，不容易遷移，由于AI開發者與英偉達軟硬件長期綁定，所以英偉達憑借CUDA生態構筑極高的行業壁壘。

任何芯片企業想要打開市場，短期內兼容CUDA生態十分必要。軟硬件協同完善的生態是客戶選擇CUDA的根本原因，也是英偉達領先于其他算力芯片企業最核心的競爭力。相比之下，AMD的ROCm是基于開源接口OpenCL，不同廠商支持不同的標準，導致應用范圍不如CUDA更廣。

如果不兼容CUDA，后期代碼微調的工作量很大，兼容的話客戶就無需再做二次開發或者修改算法。優勢在于幫助客戶節約時間。對于以大模型為主營業務的企業而言，時間的重要性不言而喻。模型推演快一天、比競爭對手的產品早一天上線都能決定一家企業的成敗。

國內對標CUDA的AI計算生態有華為昇騰異構計算架構（CANN），它搭建從上層深度學習框架到底層AI硬件的橋梁，兼容性上，適配包括昇騰系列產品、英偉達系列產品、Arm系列的高通驍龍、華為麒麟的芯片等系列產品。

因此，火熱的GPU賽道上，國產能否縮小差距，架構的打造將成為關鍵。（思維財經出品）■