半导体指常温下导电性能介于导体与绝缘体之间，且导电性可控的材料。
按产品来划分，半导体产品可分为集成电路、分立器件、光电器件和传感器四种。集成电路作为半导体的核心产品，又分为数字集成电路、模拟集成电路和存储器这三类。集成电路占据整个半导体行业规模八成以上，光电子器件、分立器件和传感器虽然应用广泛，但需求和单价与集成电路差距较大。
半导体产业涉及国家安全和战略部署。近年来，全球主要国家和地区相继出台半导体支持政策，加强自身半导体产业国际竞争力。全球半导体行业总体上依然保持着高速发展的态势，半导体供应从全球分工逐渐朝向区域化的方向发展。
如美国加大半导体和芯片领域投资规模；欧盟扩大半导体产业综合竞争力；日本则加强半导体产业薄弱环节建设。
什么是芯片？
芯片，又称微电路（microcircuit）、微芯片（microchip）、晶片（chip）、集成电路（integratedcircuit，IC）。在电子学中是一种将电路（主要包括半导体设备，也包括被动组件等）小型化的方式，并时常制造在半导体晶圆表面上。
芯片的本质是在半导体衬底上制作能实现一系列特定功能的集成电路。
晶体管（transistor）是一种固体半导体器件（包括二极管、三极管、场效应管、晶闸管等，有时特指双极型器件），具有检波、整流、放大、开关、稳压、信号调制等多种功能。晶体管作为一种可变电流开关，能够基于输入电压控制输出电流。逻辑门（LogicGates）是在集成电路(IntegratedCircuit)上的基本组件。简单的逻辑门可由晶体管组成。
芯片的分类
为适应现代社会的发展需求，芯片的架构、种类随之增多。按照不同的标准，可将其分为不同的类型，比如数字集成电路（大规模IC-CPU、ASIC、FPGA、GPU，微处理器-MCU、MPU、DPS）、模拟集成电路、存储器等。
CPU是计算机的运算和控制核心，是信息处理、程序运行的最终执行单元，是计算机的核心组成部件。CPU即中央处理器（CentralProcessingUnit），其本质是超大规模集成电路，用于解释计算机指令和处理计算机软件中的数据，并负责控制、调配计算机的所有软硬件资源。
从CPU的分类来看：
1）按内部结构划分，可以分为冯·诺依曼结构、哈佛结构等；
冯·诺依曼结构和哈佛结构的区别在于程序空间和数据空间是否一体，冯·诺依曼结构的数据空间与程序空间不分开，而哈佛结构的数据空间与程序空间分开。现代的复杂芯片中，大多是冯·诺依曼结构和哈佛结构融合或者并存的体系。
2）按应用领域划分，CPU可以分为微处理器（MPU）、微控制器（MCU）、数字信号处理器（DSP）、专用处理器（ASP）等；
微处理器（MPU）属于通用处理芯片，是微型计算机的控制和运算核心，通用性强、功能强大。MPU涵盖的范围比CPU小，小型的处理器都可以被称作MPU。MPU通过较为强大的运算和处理能力执行较为复杂的大型程序，可以视作是功能增强的CPU。往往被用作个人计算机和高端工作站的核心CPU。
微控制器（MCU）介于通用处理芯片和专用处理芯片之间，侧重于特定场景的控制。俗称单片机，是专门用作嵌入式应用而设计的单芯片型计算机，是将计算机的CPU、RAM、ROM、定时计数器和多种I/O接口集成在一片芯片上从而形成的芯片级计算机，是随着大规模集成电路的出现而产生的。
数字信号处理器（DSP）属于专用处理芯片，主要功能为数字信号处理。是由大规模或超大规模集成电路芯片组成的用来完成数字信号处理任务的处理器。DSP不只局限于音视频层面，也应用于通信与信息系统、自动控制、雷达、军事、航空航天、医疗等领域。DSP是为适应高速实时信号处理任务的需要而发展的，解决了微处理器器件较多、逻辑设计和程序设计复杂、价格较贵等问题，实现了对信号的采集、变换、滤波、估值、增强、压缩、识别。
专用处理器（ASP）主要针对于特定领域，比如用于HDTV、ADSL、CableModem等的专用处理器。
）按下游应用场景划分，CPU可以应用在服务器、工作站、个人计算机、移动终端和嵌入式设备等不同设备上。
GPU最早作为显卡的核心零部件，专用于图形渲染及处理。GPU（GraphicProcessingUnit），即图形处理单元，英伟达公司在年发布GeForce图形处理芯片首先提出GPU的概念，GeForce作为专门负责计算机图形显示的计算机零部件，通过TL及其他多项技术引擎，减少了显卡对于CPU的依赖。GPU组成中通常包含一个显存、一个主频、一个VRAM、一个显存速率以及一个显存位宽。
GPU架构迭代频繁，已从从专用图形处理器发展为高效的通用计算平台，向外拓展人工智能计算及高性能计算领域。当GPU引入可编程特性，将图形硬件的流水线作为流处理器来解释，基于GPU的通用计算也开始出现，即GPGPU。
从算力需求视角来看，GPU较CPU而言，更符合深度学习算法的高度并行计算需求，且GPU架构技术仍在演进，其高性能计算与智能计算能力不断优化。
-年，CPU性能每年提升仅.5%
英伟达产品在-年内，架构迭代调整了8次，其在年推出具有完整GPU架构的Fermi，在年Volta架构中首次推出Tensor内核支持深度学习算法，而目前Hopper架构的GPU已广泛的应用于AI大模型训练与推理环节。
GPU下游目前主要应用于移动端、数据中心服务器以及车规级芯片。
其中，移动端应用又可以分为PCGPU、手机GPU，主要用于加速图形处理，以提高计算机游戏的图像质量及性能，随着深度学习及人工智能发展的需要，移动端GPU也可以用于手机端加速深度学习、计算机视觉和自然语言处理算法等；
数据中心服务器又可以分为高性能计算服务器与智能计算服务器，由于GPU具有高并发的计算能力，因此被广泛的用于数据中心建设；
在汽车领域，GPU主要应用于车端及其配套设施智能芯片，负责处理来自摄像头、普通雷达、激光雷达等传感器数据，实现智能驾驶。
GPU市场下游需求
1）个人电脑为GPU移动端主要市场，智能手机及可穿戴设备有望渗透。
GPU作为图形处理加速硬件，其最常见的应用即为个人电脑、智能手机等游戏设备，不限于创建图像、图像处理、计算摄影、手势识别的视觉处理需求。未来，随着终端侧AI处理需求的提升，将对终端设备，包括手机、电脑、汽车、XR等便携设备以及物联网设备的AI计算及推理性能提出新的需求，有望带动移动端GPU需求的提升。
2）自动驾驶贡献GPU全新增量，蓝海广阔，根据测算，预计年全球自动驾驶领域GPU市场空间将达到24亿美元。
车载芯片的架构模式经历分布式架构向混合式架构转变，未来将向中心计算架构演进。计算架构将随着自动驾驶升级进行优化，不同的计算架构，对于车载芯片的要求具有差异。分布式架构计算需求小，仅通过CPU控制；混合式架构为实现部分自动驾驶功能将引入GPU来辅助计算；而中央计算架构中，汽车端计算将升级为更加通用的计算平台，进而保证了整车架构的稳定性和功能的扩展性。
）受益于数字经济及人工智能，数据中心市场GPU加速放量，预计年全球高性能计算中心GUP市场空间约为21亿美元。
高性能计算中心及智算中心建设属于数字经济建设重要的一环，二者的建设将带动GPU市场增长。据Hyperion研究显示，5年全球高性能计算市场规模将达到亿美元，-5年CAGR约为5.5%，此外，根据超算top统计，全球前超级计算机中56%算力由GPU提供，GPU需求将随着高性能计算市场增长同步提升。
芯片的制造过程
#半导体#芯片的制造主要包括IC设计、晶圆制造、封装和测试等一系列工序。整个流程类似D打印，一步一步对各部件进行分层安装。（系列二单独详细介绍）
芯片行业图谱
上游产业：原材料及机器设备
芯片行业产业链上游为半导体支撑产业，涵盖芯片生产制造所需的原材料以及机器设备，在整个产业链中壁垒极高。
中游产业：半导体制造
芯片行业产业链中游为半导体制造领域，包含设计、制造、封测等一系列环节。
下游产业：半导体应用
芯片行业产业链下游为半导体应用领域，囊括汽车电子、机器人、医疗、交通等社会经济诸多方面。
传统意义上的CPU通常为芯片上的控制中心，优点在于调度管理、协调能力强，但CPU计算能力相对有限。因此，对于AI高性能计算而言，人们通常用GPU/FPGA/ASIC来做加强。
竞争格局及国际环境
目前全球CPU市场呈现寡头垄断格局，海外厂商Intel和AMD市场份额占优，中国CPU厂商正在崛起，主要国产玩家包括海光信息、龙芯中科、飞腾、申威、兆芯等。
GPU方面，英伟达市场份额独占鳌头，国际呈现三强格局，国内厂商加速布局。英伟达凭借技术及产能优势，在移动端、AI服务器、自动驾驶领域具有较大话语权。国际市场方面，根据JonPeddieResearch调查数据显示，年第一季度，全球桌面级显卡销量约为60万块，其中英伟达显卡销量约为万张，以84%的市场份额占据领先地位，此外销量位居前三的GPU供应商还包括AMD及Intel，其销量分别为76万张、25万张；国内市场方面，我国厂商GPU市场份额较小，正处于技术追赶及国产替代环节，目前国产GPU在数据中心、人工智能以及通用计算型GPU领域均实现产品布局，未来随着国内数据中心、智能驾驶及终端侧GPU市场需求的提升，国产GPU市场份额有望实现渗透。
年10月起，美国宣布实施芯片出口管制措施；年6月0日，荷兰宣布将进一步收紧光刻机出口政策，高端DUV光刻机9月1日起将限制向中国出口。年7月日，中国两部门公告对镓锗相关物项实施出口管制或是对等反制，提振了半导体国产替代信心，有望加速第三代半导体国产化。
参考文献：
1.《行业知识报告-芯片》报告
2.《CPU研究系列一：全球CPU市场梳理》年6月22日
.GPU行业深度报告：AI与自动驾驶打造GPU强力增长引擎年9月1日