在2007年完成中航631所基于ATI Mobility Radeon 9000（简称 M9）芯片的图形显控模块开发项目后，公司核心团队认识到GPU芯片是图显产品的核心，且当时国内GPU市场一片空白，遂开启了自研GPU的漫漫长路。从2006年成立、2010年获国家重大专项“核高基”项目立项，到2014年嵌入式GPU—JM5400、2018年高可靠高性能GPU—JM7200，再到2021年最新款GPU—JH920流片成功，公司已成长为国内拥有完全自主知识产权的GPU领军企业。
既然想对标英伟达，那肯定离不开英伟达的主营业务，也就是英伟达财报中所述的数据中心业务，主要是人工智能。那么景嘉微有人工智能业务吗？在最新财报中，“人工智能”这个词仅出现了两次“公司JM9系列第二款图形处理芯片成功研发，能够完全满足地理信息系统、媒体处理、CAD 辅助设计、游戏、虚拟化等高性能显示需求和AI计算需求”，至于说营收还远远谈不上，只能说还处于早期萌芽状态。
1998-2016：GPU。英伟达与台积电达成战略合作，将其显卡交付台积电生产。双方合作的第二年，英伟达提出了GPU概念。这一处理器后来被整个电脑和游戏行业所采用。1999年8月，NVIDIA启用GeForce作为品牌推出了第一款GPU产品“NV10”，即“GeForce256”
到2012年，上天为准备好了的英伟达掉下一块“大馅饼”，这个馅饼就是2012年的ImageNet比赛。在这个比赛中取得突破的AlexNet的发明人亚历克斯就使用了英伟达的GPU，证明了GPU很适合用于有许多并行计算的神经网络，比CPU快得多。
为什么GPU会成为神经网络计算的引擎？训练神经网络就等于调黑盒子上的旋钮，调旋钮是通过数学的算法调的，这些旋钮动辄几十亿个，需要大量的计算。传统电脑用的是CPU，用CPU去调旋钮相当于调完第一个再调第二个，一个一个按顺序来，虽然现在CPU很快，但神经网络的旋钮实在太多了，连CPU都招架不住了，这时候GPU就出现了。
深度学习需要用GPU的主要有两类：模型训练和识别。前者不光要处理大量训练数据，还要不断地试验不同的模型和参数，因此运算量巨大，一个训练模型可能要成百上千个GPU来算。识别的计算量少很多，但是用户多（例如谷歌、Facebook的用户都以10亿计），所以总的运算量更大，通常是模型训练的几十倍甚至上百倍。
2017年12月，Nvidia发布了Titan V，这是一个价值3000美元的显卡工作站。然而，它并不是用于图形处理，而是将Nvidia的GPU计算平台扩展到下一代工作站。投资者应该关注这种前瞻性思维，这就是伟大的公司该做的。如今，GPU是AI领域的标准配置。
而正在风口上的无人驾驶更加依赖算力，但很强的算力芯片却不被允许消耗太多电量，因为电动汽车的电量要像金子一样尽可能的用到汽车动力上，通常芯片耗电不能使电池巡航距离降低超过1%。对成本有一定的要求，计算速度也要比较快，还不能多耗电，于是英伟达的GPU又成了各大汽车厂商的首选，英伟达也将无人驾驶作为最重要的布局领域。
短期内走向信创市场可能性很大，但是走向个人消费的人还是有较长的路。主要是产品技术差距，试想一下计算机厂商推出配置景嘉微独立显卡的计算机，性能与英伟达5年前的产品性能相若，如何让我们消费者买单？消费者是否认为还不如配置Intel自带的集成显卡算了。毕竟，口上喊爱国，身体却很实诚的想要更好的视觉体验是绝大多数人的选择。
郑重声明：用户在财富号/股吧/博客等社区发表的所有信息（包括但不限于文字、视频、音频、数据及图表）仅代表个人自己的观点，与本网站立场无关，不对您构成任何投资建议，据此操作风险自担。
