電子發(fā)燒友網(wǎng)報(bào)道（文/周凱揚(yáng)）隨著AI計(jì)算開始有著風(fēng)頭蓋過通用計(jì)算開始，不少芯片廠商都將其視為下一輪技術(shù)革新。CPU、GPU、FPGA和ASIC紛紛投入到這輪AI革命中來，但斬獲的戰(zhàn)果卻是有多有少。由于承載了絕大多數(shù)AI計(jì)算負(fù)載，GPU和ASIC成了市面上最炙手可熱的計(jì)算硬件。表面上來看，這是市場提供了兩種不同的靈活選擇，但面對利潤如此高的AI市場，兩者總得爭一個(gè)高下。

根據(jù)GMInsight的統(tǒng)計(jì)，2022年全球AI芯片市場規(guī)模超過150億美元，預(yù)計(jì)將在2032年超過4000億美元，年復(fù)合增長率高達(dá)35%。而在去年出貨量最大的依然是GPU，占比高達(dá)47%左右，第二名為占比34%的CPU，其次才是ASIC與FPGA，但ASIC已經(jīng)隱隱有迎頭趕超之勢。

選擇通用性還是專用性

從2016年左右，就一直流傳著這樣一個(gè)說法，那就是AI計(jì)算作為特定負(fù)載的高性能計(jì)算，其未來肯定是屬于ASIC這樣的“專用芯片”。這個(gè)說法似乎也沒錯(cuò)，畢竟我們轉(zhuǎn)而看下目前排名前三的云巨頭們，亞馬遜、微軟和谷歌紛紛都選擇了自研ASIC，比如亞馬遜的Trainium和Inferentia、谷歌的TPU、英特爾的Gaudi以及微軟的Maia等。

Gaudi 2 /英特爾

要從通用性和專用性的角度來看，ASIC確實(shí)是最“?！钡哪莻€(gè)。即便是在GPU之外，CPU、FPGA的通用性也要遠(yuǎn)高于ASIC，但CPU并不適用于純AI負(fù)載，更多的是給AI計(jì)算起到輔助作用，其提供的算力占比并不算高，哪怕是英偉達(dá)的Grace這種宣稱為AI打造的CPU。而FPGA的應(yīng)用市場則比較固定，比如汽車、工業(yè)和金融科技等，難以在大規(guī)模的服務(wù)器端進(jìn)行部署。

由此看來，ASIC確實(shí)是上佳的硬件之選。尤其是目前LLM占據(jù)AI應(yīng)用的主流，算法逐漸固定，反倒是專用的ASIC在性能、能效上占了上風(fēng)，不再需要像過去一樣，一代算法一代芯片地不斷迭代。且隨著云服務(wù)廠商開始擴(kuò)大AI服務(wù)器規(guī)模，ASIC顯然具備更強(qiáng)的擴(kuò)展性，大量出貨后也能控制好制造成本。

第一代TPU /谷歌

而且從谷歌的TPU設(shè)計(jì)來看，借助先進(jìn)的接口IP、Chiplet和EDA工具，在已有架構(gòu)上進(jìn)行迭代設(shè)計(jì)也開始變得簡單，更不用說谷歌在TensorFlow上有著深厚的積累。云服務(wù)廠商幾乎評估了市面上所有具備商用可行性的AI芯片，如果他們沒有這個(gè)底氣是斷然不會選擇大規(guī)模部署的，而他們對ASIC的看好恰好說明了這一點(diǎn)。英特爾這幾年開始分離各種業(yè)務(wù)，而Habana Labs的ASIC AI芯片業(yè)務(wù)雖然沒有創(chuàng)造可觀的營收，英特爾卻依然看好這一業(yè)務(wù)，也證明了ASIC的前景無限。

市場和開發(fā)者依然偏愛GPU

但從市場和開發(fā)者角度來看，GPU依舊是最吃香的，且牢牢占據(jù)主導(dǎo)地位，這又是為什么呢？前英特爾圖形部門負(fù)責(zé)人Raja Koduri也發(fā)表了一些自己的見解。首先，專用芯片的“專用”并不算穩(wěn)定，與絕大多數(shù)人認(rèn)知中不一樣的是，AI計(jì)算并非一成不變，也并不是簡單的一堆矩陣乘法運(yùn)算。

而反觀GPU這邊，其系統(tǒng)架構(gòu)已經(jīng)經(jīng)過了20多年的演進(jìn)，比如頁表、內(nèi)存管理、中斷處理和調(diào)試等，這些已經(jīng)成了支持商用軟件棧落地的必要因素。而ASIC在這方面確實(shí)有所欠缺，反而將不少重?fù)?dān)甩給了軟件開發(fā)者。而Raja認(rèn)為，如今并沒有太多年輕的軟件開發(fā)者進(jìn)入行業(yè)，所以絕大多數(shù)公司都還在爭搶為數(shù)不多的老將。

需要注意的是，Raja此處指的軟件開發(fā)者并非那些模型/算法開發(fā)者，在這類軟件開發(fā)者上依然新秀層出不窮，但反觀系統(tǒng)軟件工程師，比如底層驅(qū)動(dòng)開發(fā)者，就確實(shí)相對較少了。英偉達(dá)雖說也常有人員變動(dòng)，但其在這類軟件的開發(fā)上，至少比初創(chuàng)企業(yè)領(lǐng)先10多年。

再拿常見的AI基準(zhǔn)測試MLPerf為例，這個(gè)對訓(xùn)練和推理性能提供公平評估的榜單，幾乎所有的MLPerf應(yīng)用都是原生基于CUDA開發(fā)。且原本GPU在AI計(jì)算效能上的劣勢，也隨著英偉達(dá)這幾代不斷添加TensorCore而得到了改善。ASIC的AI加速器雖然理論性能占優(yōu)，但始終沒法拉開較大差距。

對AI硬件的未來憧憬

即便目前AI硬件生態(tài)向好，但要想各類硬件都能活下去創(chuàng)造良性的競爭，我們也可以做一些“愿望清單”。首先，雖然各大AI芯片廠商都在宣揚(yáng)自己在大模型下的優(yōu)異表現(xiàn)，然而對于那些沒法全塞進(jìn)內(nèi)存里的大模型的訓(xùn)練和推理來說，英偉達(dá)的GPU依然是唯一的可行方案，其他廠商明年還是應(yīng)該繼續(xù)努力。

第二則是軟件生態(tài)的兼容性，對于GPU廠商、云服務(wù)廠商之外的第三方AI芯片廠商，還是應(yīng)該加強(qiáng)對各類模型的兼容性，特別是要做到開箱即用。比如英特爾的Gaudi現(xiàn)在已經(jīng)投入云服務(wù)商的服務(wù)器中正式使用了，且從性能角度來看著實(shí)不賴，但對于PyTorch的支持并不像英偉達(dá)的CUDA和AMD的ROCm般順暢。連英特爾都受制于此，可想而知其他的ASIC AI芯片廠商要付出多大的成本和精力了。

另一個(gè)做法就是AI芯片廠商自己下場做大模型，如果廠商有這個(gè)軟件開發(fā)實(shí)力的話，自己根據(jù)自研芯片開發(fā)大模型是最好的，無論模型的架構(gòu)和芯片的架構(gòu)怎么演進(jìn)，都在自己的把控范圍內(nèi)。畢竟像浪潮這樣的服務(wù)器廠商，都已經(jīng)下場開發(fā)大模型了，更為上游的谷歌也已經(jīng)投身其中。但這種方式也存在一個(gè)問題，那就是其模型和硬件往往都會選擇閉源，這也就意味著放棄了龐大的開源開發(fā)生態(tài)，很難帶動(dòng)相關(guān)AI應(yīng)用的真正騰飛。

第三是性能優(yōu)化，在AI芯片廠商與軟件開發(fā)社區(qū)的不懈努力下，我們看到不同硬件之間的軟件兼容性已經(jīng)有了可觀的改善，但性能問題仍然擺在臺前，即便是英特爾、AMD和蘋果這樣的大廠也沒法徹底突破。所以在解決完兼容性的問題后，AI芯片廠商還是要持續(xù)投入硬件利用率的優(yōu)化中去。當(dāng)然了，如果GPU之外的ASIC真的能做到GPU三倍以上的性能，以力大磚飛之勢力壓GPU也不是不可能。

寫在最后

我們現(xiàn)在處于AI硬件的“寒武紀(jì)爆發(fā)期”，從EDA廠商和晶圓廠的業(yè)績就可以看出，AI芯片無論是新的設(shè)計(jì)還是制造都沒有止步，市面上公開提供的選擇就足以令人眼花繚亂了，還有不少初創(chuàng)企業(yè)處于“隱身階段”，或是在等待先進(jìn)封裝的產(chǎn)能。不管如何，2024年都應(yīng)該會有更多的產(chǎn)品面市。

AI應(yīng)用開發(fā)者固然沒法一個(gè)個(gè)買來測試，好在云服務(wù)廠商提供了AI服務(wù)器的租賃選項(xiàng)，在上面跑一遍自己的AI任務(wù)就能對其性能和開發(fā)難易度有個(gè)大致了解，畢竟AI應(yīng)用的落地不在于跑矩陣乘法計(jì)算有多快，而在于開發(fā)者愿不愿意選擇這個(gè)開發(fā)平臺的硬件與軟件。