面向大规模AI训练、推理和HPC提供高并行计算、HBM显存、片间互连和集群软件栈，是智算中心最核心的加速算力入口；竞争焦点集中于单卡性能、内存容量、互连带宽、软件生态、供给能力和系统级交付。
数据中心GPU行业，是指研发、销售和部署面向云数据中心、AI训练集群、推理服务和高性能计算的通用并行加速处理器及其系统平台的产业。产品通常包括GPU加速卡、OAM或SXM模块、机柜级GPU系统、GPU服务器参考平台、驱动、编译器、通信库、算子库、模型优化工具和集群管理软件。主要采购与使用者包括超大规模云服务商、互联网平台、AI模型公司、HPC中心、企业AI平台和服务器系统厂商。典型场景包括大模型预训练、后训练、推理服务、科学计算、仿真、渲染和数据分析。其边界在于：AI ASIC与NPU是更专用的矩阵/张量处理器；边缘AI芯片侧重低功耗端侧推理；DPU负责网络、存储和安全卸载，不直接承担主AI算力。
数据中心GPU加速卡、OAM/SXM模块、GPU服务器和整机柜系统、GPU驱动、编译器、算子库、集合通信库、虚拟化和调度软件、模型优化工具、液冷与互连参考设计、GPU云实例和算力服务。
超大规模云服务商、AI模型公司、互联网平台、HPC中心、企业AI平台、服务器OEM/ODM、主权算力平台、金融科研和工业仿真机构，以及负责AI训练、推理和集群运维的基础设施团队。
全球数据中心GPU竞争由单卡性能扩展到GPU、CPU、DPU、网络、HBM、液冷和软件栈的系统级平台竞争。NVIDIA保持生态和供给领先，AMD、Intel以及云厂商自研加速器提供替代路线。大模型训练和推理需求推动机柜级交付、互连网络和功耗管理成为采购核心。
中国数据中心GPU和AI加速卡需求受智算中心、模型训练和国产化驱动，华为昇腾、寒武纪、海光、沐曦、摩尔线程等持续推进。主要约束在先进制造、HBM/封装、驱动稳定性、算子覆盖和主流框架适配。短期竞争不只看峰值算力，更看集群稳定、模型迁移和供应连续性。
AI训练和推理算力需求继续扩大，GPU仍是最通用的加速入口；但云厂商自研AI ASIC、国产替代和不同软件生态并行，行业呈现头部平台强势与替代路线加速并存。
核心瓶颈是先进封装、HBM供给、互连网络、功耗散热和软件生态。大规模集群需要驱动、通信库、故障恢复和模型并行策略长期验证。
主要风险包括出口管制、HBM和封装产能不足、客户资本开支波动、替代加速器成熟度提升，以及电力和液冷能力限制集群落地。
查看该子行业的产业控制力结构、关键节点与最新变化。
驱动、算子库、通信库和开发者生态决定模型迁移成本
内存容量、带宽和封装能力决定大模型训练边界
GPU间通信和网络拓扑决定规模化效率
机柜、电力、液冷和交付周期影响有效产能
云实例和托管平台把芯片能力转化为可用算力
AI GPU采购从单卡转向整机柜、网络、电力和冷却协同。
TPU、Trainium和Maia等云端芯片在特定模型和服务场景替代部分GPU需求。
大模型部署扩大推理负载，显存容量、低精度算力和调度效率更重要。
国产GPU和NPU加强PyTorch、算子库、模型库和集群调度适配。
地方和行业智算中心推动国产加速卡验证、集采和运维体系建设。
出口限制使替代芯片、国产服务器和软件迁移成为基础设施议题。
HBM容量、带宽和交期会直接限制高端GPU出货与集群规模。
框架、算子和模型迁移成本决定替代平台导入速度。
电力和液冷能力决定芯片性能能否转化为可部署算力。
自研ASIC扩大将改变GPU议价和供给结构。
区域供给限制会重塑中国市场产品组合和采购周期。
