GPU已接过CPU的接力棒，成为驱动算力革命的新引擎。国信证券报告指出，英伟达单个GPU在AI推理方面的性能10年提升了1000倍，CUDA核心数从2008年的240个增至2022年的18432个。但性能提升伴随功耗从175W升至700W，每GFLOPS成本年降幅已放缓至24%。算力成本下降速度放缓为中国芯片业迎来追赶窗口，而新技术突破（碳化硅、石墨烯、量子计算）正等待时机。
CPU受阻，GPU接棒：从Tick-Tock到并行计算
2016年英特尔放弃Tick-Tock战略——2007年45nm、2010年32nm、2012年22nm、2014年14nm均如期完成，但10nm卡壳长达7年。与此同时，单核CPU性能增速从1986-2003年每年52%降至2011-2018年仅7%。摩尔定律遭遇硅物理极限、制造成本飙升（EUV光刻机）、功耗增加、设计复杂度四重挑战。
2006年英伟达发布CUDA架构（统一计算设备架构），允许软件使用GPU进行加速通用处理。CUDA旨在与C、C++、Fortran、Python配合使用，使并行编程更易访问。2007年CUDA SDK公开，此后英伟达显卡均包含支持CUDA运算的核心。CPU核心数扩展有限，GPU核心数扩展却容易得多——GeForce 8800 GTX（2006）核心数不适用，GeForce GTX 280（2008）240个，H100（2022）18432个。GPU架构从Tesla到Blackwell约每2年迭代一次。
1000倍性能提升：算法与指令优化贡献96%
英伟达首席科学家比尔·戴利披露，单个GPU在AI推理性能10年提升1000倍，分解为：算法优化16倍（简化数字表示方式）、指令优化12.5倍（高级指令组织GPU工作）、结构优化2倍、制程进步2.5倍。可见性能提升主体是算法与指令优化，而非制程进步。
记者乔尔·赫鲁斯卡2020年撰文称“黄氏定律根本不存在”，称其为建立在摩尔定律收益之上的“幻觉”。非营利研究机构Epoch发现，2006-2021年间GPU性价比（FLOPs/$）每2.5年翻一番，比黄氏定律预测慢得多。英伟达GPU功率从Tesla架构175W升至Volta 300W、Hopper H100 700W、Blackwell GB200 1000W——英伟达通过堆核心与功耗实现了“速度标榜”，而非真正遵循摩尔定律的“功率不变、速度翻倍”。
算力成本降幅放缓：中国的追赶窗口
每GFLOPS成本（调整至2022年美元）趋势显示，1945年以来77年年复合成本降幅40.24%，1961年以来61年39.27%，1997年以来25年45.79%，2011年以来12年35.28%，2015年以来8.3年24.14%。算力成本下降速度明显放缓。
这意味着：想获得更大算力需支付更高成本（H100最高炒至3-4万美元/块）；体积无法更小（手持设备短期难享GPU革命成果）；有利于中国芯片业追赶（先发者比较优势缩小）；等待新技术突破（碳化硅、石墨烯、金刚石、其他III-V族/II-VI族化合物、量子计算）。
英伟达在GPU领域的领先地位短期内难以撼动，但算力成本降幅放缓为中国芯片业赢得了宝贵时间窗口。随着大模型军备竞赛持续，算力需求仍将指数级增长。
GPU应用场景：从图像处理到通用计算的百年跨越
GPU早期是图像处理设备。1995年3DFX Voodoo显卡市场份额85%，英伟达凭借适配微软Direct3D 7标准的Geforce256（1999）迅速崛起，2000年收购3DFX。2003年发现GPU可解决一般线性代数问题且比CPU更快，催生GPGPU概念。GPGPU是GPU与CPU之间的并行处理，将数据迁移到图形形式后用GPU扫描分析可大幅提高速度。
GPU应用已从图像处理扩展至三大算力场景：比特币挖矿（14年全网算力增4万亿倍）、云计算（2024年市场6760亿美元）、新能源汽车（车载芯片算力从1T到2000TOPS）。2023年英伟达H100最高炒至3-4万美元/块，算力军备竞赛仍在持续。
