1、在人工智能时代，终端AI芯片针对特定场景实现优化方案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。由于终端场景多种多样各不相同，对于算力和能耗等性能需求也有大有小，应用于终端芯片需要针对特殊场景进行针对性设计以实现最优解方案，最终实现有时间关联度的三维处理能力，这将实现更深层次的产业链升级，是设计、制造、封测和设备材料，以及软件环境的全产业链协同升级过程。
2、GPU服务器渗透率提升，自动驾驶等级提升推动GPU算力需求相比于传统CPU服务器，在提供相同算力情况下，GPU服务器在成本、空间占用和能耗分别为传统方案的1/8、1/15和1/8。人工智能服务器是AI算力基础设施的主要角色，在服务器中渗透率不断提升。L3自动驾驶算力需求为30-60TOPS，L4需求100TOPS以上，L5需求甚至达1,000TOPS，GPU算力需求提升明显，芯片主要向着大算力、低功耗和高制程三个方向发展。
3、软硬件生态构筑Nvidia核心优势，国内AI企业加速发展2006年Nvidia推出CUDA计算平台，让GPU支持CUDA，在优化硬件性能的同时，赋予良好的兼容性，构筑通用计算平台系统和核心优势。国内AI企业产品如景嘉微J9系列，寒武纪思元370、燧原邃思2.0、地平线征途5、黑芝麻华山二号A1000 由低算力逐渐向高算力发展，由终端侧往云端和车载方向发展，加快软硬件和开发者生态系统建设。
