AI芯片厂为什么会在意游戏市场？这个问题的答案自然要从NVIDIA（英伟达）说起。

以Intel为代表的芯片企业为什么看得上游戏这个在NVIDIA营收占比中越来越小的市场？这是个挺值得说道的有趣议题。

图1：NVIDIA GeForce RTX 5080游戏显卡 图片来源：Illumi Huang

从游戏产业吃到的红利很多？

抛开Intel、NVIDIA这些企业很喜欢在市场宣传中提游戏用户越来越多、游戏PC市场价值不断上升这些冠冕堂皇的资料——事实上从市场体量来看，至少目前游戏芯片带来的营收并不对这些芯片巨擘产生大影响。

从软件、内容角度来看，游戏产业2025年的市场价值大约是1,888亿美元（数据源自Newzoo）。这是一个什么量级呢？大约是全球电影市场（仅票房）的5.6倍。即便把电影和音乐行业加起来，游戏都是这两者市场价值总和的近3倍——部分统计机构的数据比这还要激进。可见游戏本身是个不容小觑的市场。

而从趋势数据来看，虽然游戏行业已经过了疫情时期的高速增长，但综合多家市场研究机构的数据，该行业未来5年的CAGR（年复合增长率）在6%-9%之间——可用稳步上升来形容。这里的CAGR不仅涵盖游戏内容，还包括硬件相关的部分，如游戏PC、主机、外设等——也就是芯片厂商会看重的部分。

从NVIDIA的游戏业务营收数据来看，GPU芯片或显卡只是该行业的一小部分。如果说NVIDIA的营收数据不具说服力，那么不妨看看长期与家用游戏主机行业保持密切合作关系的AMD。在2022这一巅峰年份，AMD的游戏业务营收大约68亿美元。

有一份更能建立量级概念的数据可做呈现——2022年年报中，AMD提到了这样一句话：“在截至2022年12月31日的这一年中，有一名客户占到我们合并净收入（consolidatednet revenue）的16%。”虽然AMD未指名是哪家客户，但外媒当时曾明确这家客户就是索尼——索尼当年之所以成为AMD最大客户，就在于PS5游戏主机刚上市的热销。

以此推算，AMD从单一游戏主机客户处赚到的钱大概是38亿美元——看起来似乎还不错。但家用游戏主机的销量是季节性的，AMD后续几年的游戏业务营收就再也没有达到68亿美元高位，毕竟游戏主机的更新周期相对主流数码产品（如PC、手机）要久得多。2025年AMD的游戏业务营收约39亿美元，相比2024年增长了超过50%——主要得益于PS5 Pro的更新，以及Radeon GPU销售的强势表现。

即便是游戏主机周期性销售旺季，再加上PC显卡，游戏芯片的营收量级在数据中心AI芯片面前依旧是不值一提的。实际上AMD在超过5年的PS5游戏机生命周期中，从索尼获得营收粗算也就约110亿美元；即便是出货量更大、但芯片单价明显更低的任天堂Switch也不例外——按NVIDIA FY2018年报披露的数据推算，NVIDIA从2017年3月发售的Switch初代掌机获得的全年营收预计不超过10亿美元。

从NVIDIA和AMD这两家一线游戏芯片厂的营收数字来看，游戏业务虽然能赚到钱，但与其他业务相较明显不是一个量级——尤其是在现如今市场体量及潜力惊人的AI业务面前。那么像Intel这样的厂商近两年费心巴力地做游戏显卡、掌机芯片又是为哪般呢？

游戏与AI的关系很密切？

今年7月份，Pat Gelsinger（Intel前CEO）对媒体说Intel原本是看不上GPU市场的，毕竟曾经的CPU就是市场真理——这话不假。即便是现在，基于前述显卡的游戏应用和通用加速计算场景带来的营收，在一线芯片企业眼里，这番“看不上”是有道理的。但实际上Intel历史上曾有多次有关独显的市场探索，包括i740、Larrabee，以及当代的Arc。部分媒体总结Intel、摩尔线程这类企业之所以现在努力做游戏与图形卡，根本原因是AI市场空间巨大——而游戏与图形卡只是AI芯片/加速卡的副产品。这话是基本切中要害的，但关键是为什么图形卡会成为AI加速卡的副产品？

严格来说，并不是所有涉足AI芯片的芯片厂都在做图形和游戏市场的——比如，谷歌TPU、亚马逊Trainium、Cerebras，以及中国国内的不少AI芯片初创企业推出的AI和GPGPU芯片，都不考虑专业图形和游戏应用。

针对这个问题，当代有两个主流说法。一是，游戏乃是AI技术的重要应用场景之一。当年NVIDIA期望GeForce RTX显卡之上的Tensorcore（张量核心）发挥作用，为游戏增设了DLSS技术：现在基于AI的超分辨率、帧生成、低延迟技术越来越成为当代3A游戏的标配——Intel、AMD、Arm都跟进了对应的技术方法。

最新版本的DLSS甚至已经开始用Transformer模型来推理生成画面像素与帧。黄仁勋的一句名言是，现在的显卡可以每渲染1个像素，就基于AI生成16个像素。加上NVIDIA现在还在推广Neural Shading（神经着色）理念，即将AI技术更大程度地融入到图形渲染管线的不同环节，可能到目前为止，游戏的确是AI在消费电子场景中最有存在感的应用了。

所以Intel也在游戏场景中塞入了XeSS超分、帧生成、低延迟技术；Arc显卡之中的专用AI加速器（XMX）塞得比GeForce RTX显卡还要激进。连Arm都在为手游加入类似特性，并在过去1年增加了在图形技术投入上的宣传力度。

但游戏应用对AI技术的充分利用、游戏是消费领域AI的成果展示最佳场景，仍然不能解释Intel、Arm等企业为什么要在做加速计算的同时，还那么在意游戏市场。因为即便AI技术真的有利于游戏市场的扩大，游戏芯片的天花板还是在那儿，令其完全无法与AI基础设施相提并论；更不用谈游戏这一个应用能养活得了AI。

二是，图形卡与AI加速卡的技术栈部分共享，促成了前者成为后者的副产品。这个逻辑是部分成立的，毕竟最早将GPU用于深度学习加速的AlexNet网络，就是原本以图形加速为主场的GPU彻底“翻红”的开端。

抛开软件栈与开发工具相关的编译器、后端、驱动等组成部分的确在图形渲染与AI加速间存在共享或继承不谈（尤其NVIDIA在过去20年都在强调，跨GeForce到数据中心的统一驱动架构），图形卡与AI加速卡的确都有大量并行加速单元堆砌。在芯片底层，不论是跑像素shader（着色器），还是跑CUDA kernel，每个GPU ALU都要执行基础的FMA（融合乘加）指令。

换句话说，在shader中算像素颜色和在神经网络层上算权重和，都需要FMA相关单元——底层硬件并不在意FMA指令需求是来自DirectX还是来自CUDA，用的都是相同的晶体管。即便是MAC阵列构成的专用AI加速单元，它们现在也同时参与游戏（如DLSS）和AI模型推理。

既然能以一个架构覆盖两种用途，“游戏与图形卡只是AI芯片/加速卡的副产品”这个说法也就有了立足点。这大概是计算机图形学与神经网络的共性所致——数学决定了AI加速器的构成——虽然我们认为，GPU成为“正统”AI加速器一事存在一定的偶然性，AlexNet可能是该偶然事件的催化剂之一。所以才有那么多AI芯片厂商宣传AI应该有自己的处理器，且NVIDIA本身也在GPU架构的后续发展中越来越注重专用加速单元。

图2：基于Arc G3 Extreme的游戏掌机MSI Claw 8 EX AI+ 图片来源：Illumi Huang

做游戏芯片是业务逻辑的必然？

今年Intel不仅在力推带大规模iGPU的酷睿Ultra处理器，而且特别为游戏掌机发布了Arc G3 Extreme芯片（图2）——虽然我们此前分析过，它本质上就是酷睿Ultra处理器（Panther Lake）binning（分拣）后的产物。Arc与Arc Pro独显的推广工作虽然并不算顺利，但软件栈及与应用开发者的合作依旧是不遗余力的。

这可能的确是以Intel为代表的一众芯片厂决心在AI加速器市场发力带来的副产品，尤其在有着相似的芯片底层架构、部分共享技术栈的情况下。不过这依旧解释不了为何谷歌、亚马逊等企业所推的AI加速器并不带图形渲染能力。这大概就要从芯片厂与系统级企业的差异说起了。

谷歌、亚马逊这类所谓的“hyperscaler”超级计算集群厂商，或者常被芯片供应链称作“系统厂”“CSP（云服务提供商）”的企业，其芯片设计的目标业务是相当明确的：无论是TPU还是Trainium，都要用在自家的计算集群之中。如果下游市场或市场潜力确定，则这些芯片的使用场景也就明确了，自然没有必要用图形渲染单元。更不用说系统级企业设计芯片的方法，更倾向于充分利用上游资源——比如，谷歌选择了与博通合作，这本身也降低了芯片设计的成本和可能带来的风险。

而对成熟的芯片企业而言，芯片做出来是要卖给客户的：在客户和目标场景不确定的情况下，就需要找到可以分散风险的业务模型；尤其AI加速器通常还要采用先进制造工艺和封装技术，芯片设计与制造成本是高昂的，更应考虑市场风险问题。基于AI与游戏及HPC等应用，具备相似和共享的技术栈，则游戏自然成为分散风险、技术验证的理想场景之一。

简单来说，对于像Intel这样的市场玩家来说，游戏作为消费场景，更能通过走量来快速摊薄GPU的研发与制造成本；游戏场景也能为自家的GPU和AI技术做技术验证。只不过NVIDIA和AMD游戏芯片双寡头之外的参与者，并不具备游戏业务的积累，以Intel为代表的芯片厂商在游戏方向上的投入在短期内就会显得格外惹眼。

当然，从AI芯片初创企业的视角来看，又因为资本市场的关系而与系统级企业和已然成熟的芯片厂不同——不少AI芯片初创企业自然不考虑成本摊薄问题。

或许，当代决心投身AI加速器、同时也做游戏芯片的厂商并不像他们自己说的那样在意游戏业务或怀揣娱乐精神，包括NVIDIA也是如此——否则也就不会出现当AI数据中心与基础设施对AI芯片、内存与存储器存在超量需求时，芯片企业首先考虑为利润更厚的数据中心供货，游戏玩家则需要以数倍于MSRP（厂商指导价）的价格买显卡的情况了。

今年4月，媒体报道称Intel取消了Celestial游戏独显的发布，但准备特别面向数据中心市场推出代号Crescent Island的GPU，搭配480GB LPDDR5X显存。在游戏与AI应用存在冲突时，无论是Intel还是NVIDIA，商业企业现阶段必然首先考虑满足AI市场需求，“副产品”要往后推一推。

图3：游戏是技术创造力的源泉

不确定性和创造力更重要

最后值得一提的是，本文的讨论还遗漏了一个尚未展开的场景：数字孪生（Digital Twin）。数字孪生的技术底座——图形渲染与物理模拟——本就是GPU的传统主场。工业制造中的产线仿真、自动驾驶中的场景重建、城市规划中的环境建模，其底层无一不需要大量的图形渲染与物理计算。而GPU在这一领域的技术积累，很大程度上来自游戏与图形产业数十年的打磨。

而数字孪生正与AI产生深刻结合。一个完整的数字孪生系统不仅需要精确的图形渲染来还原物理世界，还需要AI模型来进行预测、决策与优化——前者负责“复现”，后者负责“推演”。比如，NVIDIA Omniverse既是一个基于GPU图形渲染的3D仿真平台，又深度集成了AI能力，应用于机器人训练、自动驾驶仿真、工厂产线数字孪生等场景。在这个框架下，GPU的图形渲染能力与AI加速能力不再是两条平行的线，而是汇聚到了同一个应用场景中。

这一场景的未来市场潜力可能远超游戏本身。对于芯片厂商而言，这或许是图形与游戏业务的另一个长期价值锚点：游戏所磨砺的图形能力，不仅能在消费市场走量摊薄成本，更可能在数字孪生这样的工业级AI场景中找到全新的增长极。

不过，回望整条技术脉络，或许最值得玩味的并非任何一个具体的商业逻辑或技术共性，而是技术发展本身的不确定性。

NVIDIA刚推出CUDA时，AI远未成为“超级应用”。彼时深度学习尚未爆发，CUDA的初衷是让GPU的并行计算能力服务于科学计算与通用加速——矩阵运算、线性代数求解、流体模拟——而非神经网络。NVIDIA不可能在当时就预测，后续决策最终会将GPU推向AI时代的绝对中心。更没有人预料到，数据中心GPU的营收，已经是游戏业务的近十倍。

而这一切的起点，是游戏。是数十年间为游戏画面不断堆叠的并行计算单元，为游戏开发者而构建的软件生态，为游戏玩家打磨的驱动与工具链——在某个历史节点上，恰好成为了人工智能爆发的硬件基础。GPU成为“正统”AI加速器，就是一个被数学亲和性所支撑的历史偶然，是一系列不可复制的决策与事件串联的结果。

这种偶然性正是技术发展迷人之处。没有人能精确预测哪一项技术投入会在未来某个时刻产生意想不到的回报。技术演进的路径从来不是一条可规划的直线，而是一条充满分叉与回溯的河流。

游戏作为一个凝结着人类创造力的领域，天然具备催生这种“意想不到”的土壤。它对图形渲染的极致追求推动了并行计算架构的演进，拓展了人机交互的边界。对于芯片厂商而言，投身游戏或许不仅仅是分散风险或摊薄成本的商业计算。在一个充满不确定性的技术世界里，投资于人类创造力的最前沿，本身就是在为那些尚未被预见的可能性埋下种子。