英偉達一直占據(jù)著深度學習數(shù)據(jù)中心業(yè)務(wù)上的主導地位，特別是它的K40是最先應(yīng)用于深度學習的首批GPU之一，在時代的發(fā)展過程中，之前一直沒有人可以撼動它的地位，如今，谷歌推出TPU，是否會給英偉達造成俱到的威脅。

　　一年的時間，股價增長兩倍以上，創(chuàng)始人成為《財富》雜志2017年度商業(yè)人物，這家公司就是風頭正勁英偉達（NVIDIA）。在多年的耕耘之后，英偉達的憑借著先發(fā)優(yōu)勢和快速迭代在AI時代迅速崛起。如今，英偉達的GPU幾乎壟斷了AI芯片市場，著實讓人眼紅。不過，大部分公司都不希望自己的命脈掌控在別人手中，于是谷歌推出了TPU，然后其他公司紛紛效仿，開始研發(fā)類似的深度學習專用芯片。那么類似TPU這種的專用芯片真的能對英偉達的GPU產(chǎn)生威脅嗎？

　　近日，ARK Invest的分析師James Wang撰文對這個問題進行了全面剖析，AI科技大本營對全文進行了不改變原意的翻譯，希望能給讀者，給整個行業(yè)一點啟發(fā)。

　　過去兩年間，深度學習的熱潮使英偉達的數(shù)據(jù)中心業(yè)務(wù)增長了五倍，同時也催生了行業(yè)競爭。截至2017年，以打造深度學習專用芯片為目標的創(chuàng)業(yè)公司已有十幾家。除此之外，Alphabet（谷歌母公司）、英特爾、高通、蘋果等一票大型上市科技公司也在計劃進入深度學習芯片市場。

　　在日益加劇的競爭下，英偉達還能在深度學習芯片市場中保持領(lǐng)先地位嗎？哪個新來者最有可能獲得成功？

　　GPU vs. TPU

　　目前的競爭主要集中在TPU（張量處理單元）領(lǐng)域，這是一種用于加速張量運算的新型芯片，深度學習算法的核心工作負載就是張量運算。Alphabet、英特爾、Wave Computing聲稱，TPU在執(zhí)行深度學習算法時要比GPU快十倍。對此差距的一種解釋是，GPU主要是為處理圖像而設(shè)計的，芯片中的很大一部分執(zhí)行單元并不參與深度學習運算。以英偉達最新的Volta GPU為例， 在GPU核心（如下圖所示）中，只有右側(cè)的兩個張量核心（Tensor Cores）負責執(zhí)行深度學習運算，左側(cè)的執(zhí)行單元要么很少使用，要么不太適合進行深度學習運算。而新成立的深度學習創(chuàng)業(yè)公司造出的芯片則似乎完全由張量核心和晶載內(nèi)存（on-chip memory）組成。理論上，這種TPU在利用率和性能上要優(yōu)于GPU。

　　不過目前看來，實際情況并非如此。在研發(fā)深度學習芯片的十幾家公司中，只有谷歌和Wave Computing擁有能夠工作的芯片，并正在進行客戶測試。雖然谷歌宣稱自家的TPU在性能和能效的表現(xiàn)上要比GPU好很多，但是這一說法并沒有經(jīng)過獨立驗證。谷歌的第二代“Cloud TPU”的功率大概為200多瓦，和英偉達的GPU處在同一范圍內(nèi)。而Wave Computing表示它的3U深度學習服務(wù)器可以在40分鐘內(nèi)訓練完AlexNet，比英偉達的P100 DGX-1服務(wù)器快3倍。如果這是真的，當然令人印象深刻，不過按照Wave Computing的說法，其TPU的處理速度本來要快1000倍。奇怪的是，這兩家公司生產(chǎn)的新芯片都沒有被廣泛地使用，這或許表明TPU的實際表現(xiàn)并不如GPU。

　　TPU之所以沒能超越GPU，英偉達的GPU架構(gòu)進化得非?？焓瞧渲械囊粋€重要原因。在經(jīng)歷了四代GPU的迭代之后，英偉達將其深度學習芯片的架構(gòu)效率提升了約10倍。下方的圖表顯示了各代GPU每秒鐘執(zhí)行100萬次深度學習運算所需晶體管的數(shù)量。需要的晶體管數(shù)量越少，架構(gòu)的效率就越高。如果將所有芯片廠商的晶體管數(shù)量限制在同一水平，那么誰設(shè)計的架構(gòu)效率最高，誰的性能就最好。

　　英偉達的K40是最先應(yīng)用于深度學習的首批GPU之一，它每秒執(zhí)行100萬次運算需要使用1400個晶體管。其繼任者M40移除了深度學習算法不需要的硬件（FP64單元），它只需1000個晶體管就能實現(xiàn)和K40同樣的性能。英偉達在之后推出的P40 GPU上添加了對FP16指令添加的支持，使得P40的效能達到M40的兩倍。新推出的V100芯片在每個數(shù)據(jù)通道上添加了兩個專用張量核心，在架構(gòu)效能上是P40的3倍。 在過去幾年間，英偉達將其GPU 的架構(gòu)性能提升了大概10倍，這就是TPU到現(xiàn)在還無法替代GPU的主要原因。

　　軟件很重要

　　就算初創(chuàng)公司在深度學習硬件上可能占有優(yōu)勢，但是在軟件上英偉達依舊遙遙領(lǐng)先。和主要使用兩大API（DirectX 和 OpenGL）的制圖任務(wù)不同，深度學習算法的軟件框架有十幾種之多。而且每種框架都有自己的擁護者：谷歌使用TensorFlow；Facebook使用Pytorch 和 Caffe；微軟使用CNTK；百度使用PaddlePaddle。由于英偉達最先入場，它的產(chǎn)品支持以上提到的所有框架，而其競爭對手大部分都只支持支持TensorFlow和Caffe。

　　如果深度學習編程是圍繞一個領(lǐng)先的框架進行整合的，假設(shè)是TensorFlow，那么英偉達在軟件上的領(lǐng)先優(yōu)勢就會不再那么重要。但是目前開發(fā)者傾向于使用不同的深度學習框架，因此英偉達可以利用在軟件上的巨大優(yōu)勢領(lǐng)先對手。

　　終端設(shè)備市場有很大機會

　　許多創(chuàng)業(yè)公司選擇為連接型終端設(shè)備開發(fā)深度學習芯片，而不是與英偉達在服務(wù)器市場展開正面對決。這是一個新興市場，沒有什么確立的領(lǐng)先者，而且每年生產(chǎn)的終端設(shè)備可達數(shù)百億臺，對芯片的需求很大。終端設(shè)備所使用的芯片必須符合低至1瓦的功率要求。英偉達的SoC設(shè)計所要求的功率須達到幾十瓦，多數(shù)終端設(shè)備都不適用。實際上英偉達早已退出了這個市場。2017年5月，英偉達宣布將開源其深度學習加速器（DLA）的設(shè)計，DLA是Xavier芯片上一種類似于TPU的單元。英偉達此舉表明終端設(shè)備市場的規(guī)模和差異太大，單靠一款芯片是無法滿足客戶的需求的，最終客戶只好要求定制化設(shè)計，這和如今的智能手機市場很像。

　　在ARK看來，新來者在終端市場中成功的可能性最大。在接下來的幾年時間里，智能手機系統(tǒng)級芯片（SoC）很可能會像之前加入GPU和modem邏輯單元一樣加入TPU邏輯單元，并因此催生出一大批新的專利許可公司。例如，中國的寒武紀公司將其TPU設(shè)計許可給華為，用于生產(chǎn)麒麟970芯片。目前，蘋果、高通等老牌系統(tǒng)級芯片廠商內(nèi)部正在開發(fā)這種芯片技術(shù)，并且會在接下來的一或兩個產(chǎn)品周期內(nèi)推出集成TPU的系統(tǒng)級芯片。（AI科技大本營注：蘋果在已經(jīng)發(fā)布的A11 Bionic里已經(jīng)集成了神經(jīng)網(wǎng)絡(luò)引擎）

　　除了在智能手機上的應(yīng)用，深度學習還能為Mythic和Thinci這樣的新興公司提供巨大的市場機遇。雖然這些公司大部分會被收購，但是少數(shù)幾家可能會成為下一個Imagination Technologies（市值5億美元）、ARM（以320億美元被收購）或高通（市值780億美元）。

　　展望未來

　　在上世紀九十年代，英偉達曾與十幾家芯片廠商（如上圖所示）競爭，并最終成為勝利者?，F(xiàn)在，它正與新一批的競爭對手在深度學習芯片上展開對決。盡管英偉達擊退了的第一波TPU廠商，但是現(xiàn)在它還沒有脫離危險。今年年末，英特爾和GraphCore很可能會分別發(fā)布自家類TPU產(chǎn)品，借助完全不同的芯片設(shè)計超越英偉達的Volta GPU。不過根據(jù)過往經(jīng)驗，采用特殊的芯片架構(gòu)往往很難撼動英偉達的地位。Crusoe、Itanium、Cell、Larrabee和 Niagara雖然都采用了創(chuàng)新的架構(gòu)設(shè)計，但是在商業(yè)上卻一敗涂地。

　　除非獨立測試證明TPU的表現(xiàn)明顯優(yōu)于GPU，否則英偉達仍將繼續(xù)在深度學習數(shù)據(jù)中心業(yè)務(wù)上占據(jù)主導地位。至于終端設(shè)備，創(chuàng)業(yè)公司有大量的機會來借助人工智能技術(shù)徹底變革這個市場。下一個ARM可能就在我們中間。