服务器规模及加速器服务器渗透率（左侧百万部；右侧%）

AI计算分为训练和推理，AI推理算力需求小于AI训练。AI训练包括前向和后向计算，需要通过不断反复试错、调整参数权重以提高预测准确度，模型参数规模的膨胀趋势也推升了单次训练的算力需求；而AI推理仅进行前向计算，输入数据经过固定的模型参数计算并输出预测结果，对算力的需求相对较低。训练方面，业内目前主要使用英伟达GPU及其CUDA并行计算架构；推理方面，可以使用CPU、GPU、FPGA和NPU等处理单元实现推理任务，架构则因硬件设备而异。

综上，AI推理算力需求小于AI训练，模型可通过ONNX等中间结构转换并部署，各类硬件均有发展空间，我们认为英伟达的竞争优势和壁垒主要在AI训练市场。

（2016）、Volta（2017）、Turning（2018）、Ampere（2020）、Ada Lovelace（2022）、Hopper（2022）等专用于并行计算任务的GPU硬件架构，与CPU的顺序计算相比，GPU的并行计算能力更适合同时处理大量计算任务，不仅适合游戏中的图形渲染，也适用于数据中心的深度学习、AI训练。