在人工智能时代，随着对芯片大算力和低功耗的要求提高，GPU的市场渗透率正不断提升。据统计，2020年GPU市场规模为254.1亿美元，预计到2027年将达到1853.1亿美元，从2021年到2027年的复合年增长率为32.82％。
数据来源：Verified Market Research
目前智能手机占据全球GPU市场份额的主导地位，但随着自动驾驶、医疗设备、游戏设备、加密货币等领域对GPU需求的不断增长，未来GPU应用市场将会被多领域划分，谁将是增长最快的应用市场呢？
答案或许就在以下GPU八大应用场景中。
游戏设备
如果你是一位游戏爱好者，你大概率会知道购买游戏设备，会更看重其GPU性能。即所谓的“CPU决定下限，GPU决定上限”。GPU大体决定了游戏分辨率、特效能开多高，对于用户的游戏体验起到关键性作用。
一直以来，游戏绘图是GPU的传统应用领域，GPU能为游戏开发者提供电影级画质的实时渲染，以增强游戏用户体验。何以实现？一个字：快！
- GPU并行计算的基础结构、可以执行海量数据计算；
- GPU访存速度快；
- GPU拥有更高的浮点运算能力，对图形与媒体加工速度快。
RTX的光追为水面镜面带来逼真的光影效果
也正是凭着实时渲染游戏画质的优势，GPU占据大份额游戏PC和显示屏市场。随着全球游戏PC和显示器出货量的强劲增长，未来游戏渲染场景对GPU需求旺盛。
IDC数据显示，2020年游戏PC和显示器的出货量同比增长26.8％，达到5500万台。同样的，JPR数据显示，2020年全球GPU出货3.94亿片，同比增长17.9%。
全球GPU巨头英伟达（Nvidia）的年报也显示，游戏是其最大市场，占比46.5%。
2020年Nvidia各市场营收占比，数据来源：Nvidia年报
消费电子
目前智能手机市场占据了全球GPU市场份额的主导地位，此外，智能音箱、智能手环/手表、VR/AR眼镜等移动消费电子都是GPU潜在的市场。
应用于手机等嵌入式、移动终端等领域的GPU芯片，一般体积小、耗电低、性能无需特别强大，但也支持诸多功能，不限于创建图像、图像处理、计算摄影、手势识别等，能为消费者带来全新的移动设备视觉体验。
移动端GPU主要采用集成GPU，集成GPU常和CPU共用一个Die，共享系统内存。而随着智能手机应用更加丰富，GPU的优势更加明显，比如拍照、导航地图的合成、UI图标、图像框、照片的后处理等都需要GPU来完成。
但GPU于手机及PC端渗透率基本见顶，根据中国社科院数据，2011-2018年全球主要国家PC每百人渗透率呈下降趋势，智能手机对PC具有一定替代性。而云计算与智能驾驶及AI的兴起对高算力产生新需求，将带来高性能GPU市场快速增长。
GPU分类与主要厂商，资料来源：架构师技术联盟、华西证券研究所
云端AI服务器
AI服务器通常搭载GPU、FPGA、ASIC等加速芯片，利用CPU与加速芯片的组合可以满足高吞吐量互联的需求，为自然语言处理、计算机视觉、语音交互等人工智能应用场景提供强大的算力支持，支撑AI算法训练和推理过程。
当前在云端场景下被最广泛应用的AI芯片是英伟达的GPU，主要原因是：强大的并行计算能力（相比CPU）、通用性以及成熟的开发环境。
2020年全球AI服务器市场规模为122亿美元，预计到2025年全球AI智能服务器市场将达到288亿美元，5年CAGR达到18.8%。
2020-2025年全球AI服务器行业市场规模及增速（单位：亿美元），来源：华经产业研究院
自动驾驶
GPU兼具技术成本优势，已成为自动驾驶领域主流。
一方面，行车过程中依赖雷达等传感器对道理信息进行采集后，处理器每秒需实时数据解析几G量级数据，每秒可以产生超过1G的数据。因此自动驾驶对处理器的计算量要求较高。
另一方面，处理分析实时数据后，需要在毫秒的时间精度下对行车路径、车速进行规划，保障行车过程安全，对处理器的计算速度要求也较高。
而GPU采用流式并行计算模式，可对每个数据行独立的并行计算,擅长大规模并发计算，正是自动驾驶所需要的。
目前汽车电子控制系统是分布式ECU架构，不同的信息娱乐、车身、车辆运动和动力总成系统及其细分功能分别由不同独立的ECU单元进行独立控制，部分高档车型上的ECU数量超过100个。未来，汽车电子操控系统将会进一步向着集中化、软硬件解耦及平台化方向发展，汽车将会由统一的超算平台对传感器数据进行处理、融合、决策最终实现高级别的自动驾驶功能。
来源：地平线公司官网
2021年4月13日，Nvidia发布最新一代超算力芯片Atlan，单芯片算力达1,000TOPS，可满足L5需求，预计2023年提供样品。
除了自动驾驶，GPU还在汽车设计和工程应用中被广泛使用。汽车设计部门面临越来越大的压力，需要迅速实现汽车创新，响应市场不断变化的需求。远程工作人员，外部供应商和合作伙伴需要更快，更好地访问数据。GPU使汽车制造商可以更轻松地与全球团队建立和协作，并根据需要扩展其计算资源。
边缘计算
在边缘计算场景，AI芯片主要承担推断任务，通过将终端设备上的传感器（麦克风阵列、摄像头等）收集的数据代入训练好的模型推理得出推断结果。
GPU作为最成熟的通用型AI芯片，将受益于广泛的边缘计算场景。包括物联网、自动驾驶等应用场景。
不同边缘计算场景对AI芯片性能要求，来源：艾瑞咨询
由于边缘侧场景多种多样、各不相同，对于计算硬件的考量也不尽相同，对于算力和能耗等性能需求也有大有小。因此应用于边缘侧的计算芯片需要针对特殊场景进行针对性设计以实现最优的解决方案。
智慧安防
安防摄像头发展经历了由模拟向数字化、数字化高清到现在的数字化智能方向的发展，最新的智能摄像头除了实现简单的录、存功能外，还可以实现结构化图像数据分析。
安防摄像头一天可产生20GB数据，若将全部数据回传到云数据中心将会对网络带宽和数据中心资源造成极大占用。通过在摄像头终端、网络边缘侧加装AI芯片，实现对摄像头数据的本地化实时处理，经过结构化处理、关键信息提取，仅将带有关键信息的数据回传后方，将会大大降低网络传输带宽压力。
当前主流解决方案分为：前端摄像头设备内集成AI芯片和在边缘侧采取智能服务器级产品。前端芯片在设计上需要平衡面积、功耗、成本、可靠性等问题，最好采取低功耗、低成本解决方案（如：DSP、ASIC）；边缘侧限制更少，可以采取能够进行更大规模数据处理任务的服务器级产品（如：GPU、ASIC）。
AI芯片在智能安防摄像头中的应用，资料来源：艾瑞咨询，CPS中安网、HIS
GPU可以加速处理快速膨胀的数据与视频资料，在智慧安防视频处理方面有很好的应用前景。
加密货币
比特币等加密货币的行情火爆带动矿卡GPU需求，2020Q4-2021Q2全球PC GPU单季度出货量连续三个季度超过1亿片，2021Q2达到1.23亿片，同比大增42%。
矿机算力的大小决定挖矿的速度，算力越大，挖矿越快。除了主流的ASIC矿机，加密货币挖矿用的最多大概是GPU矿机了。
GPU的硬件特点是：核心数量非常多、单个核心的结构比较简单、适合进行大量重复性的一般运算，比如咱们玩游戏、3D设计，实际上就是大量、而且重复性的一般运算，而GPU的核心数量（称为流处理器）非常多，通常在几千颗，比如A卡的RX570，流处理器就高达2048颗。
而挖矿，恰好就是大量而且重复性的一般运算，正好跟GPU的性能特点相符合，GPU非常适合这种无脑性算法，流处理器数目越多越占优势。
尽管不少国家对于加密货币的监管加严，且存在金融风险，但不防碍加密货币行业的蓬勃发展。截至2021年9月，所有加密资产的总市值已超过2万亿美元，自2020年初以来增长了9倍。未来随着加密资产变得越来越主流，对于GPU矿机的需求也势必会增大。
医疗影像设备
近年来，在深度学习和GPU加速运算快速发展之下，人工智能成为满足医疗影像需求日益增长的推手。多份医疗市场研究报告指出，医疗影像领域中的人工智能市场规模，于2021至2026年间，预计将以30%的年复合成长率快速增长。
医疗影像涉及一系列复杂的讯号和影像重组过程，这些过程将X光或超音波感测器检测到的原始数据转换成2D横切面或3D立体影像。这种影像处理耗时、数据量大、要求画面渲染品质准确且稳定。
凭着强大的并行计算能力，GPU可以完成影像即时渲染，再结合深度学习神经网路的训练和推论提供矩阵运算加速，可助于移除假影、调整对比度、增强锐度，获得更清晰的医学图像。
结语：
以上，是GPU主流的应用场景，但GPU还有部分特殊应用领域。包括军事、航空、信创等，但市场需求量较小。比如，据统计，2018年我国军用GPU市场规模仅约1176万元。综合来看，未来GPU增长的主要驱动在于在GPU在服务器、自动驾驶渗透率的提升。