劉浩然

導語

在追逐智能化的道路上，云端算力芯片扮演著不可或缺的角色。其強大的計算能力和無限的潛力，推動著科技的創(chuàng)新和進步。隨著技術的不斷發(fā)展，我們有理由相信云端算力芯片將繼續(xù)引領人工智能的未來，為我們帶來更加智能、高效的世界。

自人類開采第一口油井開始，石油就深深融入了人類生活的方方面面。小到鍋碗瓢盆芯片，大到飛機火箭航母，沒有哪個環(huán)節(jié)離得開石油的參與。如果說石油是工業(yè)的血液，電力與網(wǎng)絡是信息時代社會的骨架，那么算力就是ＡＩ 時代構(gòu)建萬物的基礎。

２１ 世紀前后，人類逐漸從工業(yè)時代步入信息時代，當下ＡＩ 時代的大門又再度緩緩開啟。２０２３ 年以來，以ＣｈａｔＧＰＴ 為首的生成式ＡＩ 逐漸滲透各行各業(yè)，有人說，這或許又是一個ＩＰｈｏｎｅ 時刻。“ ＡＩ 起舞，算力搭臺”，算力或者說是算力芯片就是ＡＩ 時代的石油、電力與網(wǎng)絡。

算力從哪來？ 如何理解算力？ 國產(chǎn)云端算力芯片如今怎么樣了。本文多位企業(yè)專家進

行了對ＡＩ 時代下云端算力芯片發(fā)展的挑戰(zhàn)和機遇的探討。

ＡＩ 時代，算力有多重要？

所謂算力，其本質(zhì)就是計算能力，它可以反映芯片對信息數(shù)據(jù)的收集、處理與輸出能力。計算本質(zhì)上是一種抽象概念，加減乘除是計算，三角運算是計算，積分與微分也是計算。在如今的計算機時代，每一種復雜的計算都可以拆分成多個簡單的計算，現(xiàn)在通常用每秒鐘計算的浮點運算次數(shù)作為評價算力的指標。每秒計算１ 次就是１ ＦＬＯＰＳ。不過，算力這個概念并不是芯片獨有的，人類的大腦也無時無刻不在進行著計算，從買菜購物到數(shù)學考試，從雞兔同籠到多元微分，計算貫穿了人類的一生。

放眼人類的發(fā)展歷史，人類對計算的渴求就一直在進步。石器時代人類就開始結(jié)繩計數(shù)，后來各類算籌、算盤等輔助計算技術誕生，讓人類擁有了更大規(guī)模的計算能力。如果這時算力能被計算出具體數(shù)值，那么一根系滿繩結(jié)的繩子的算力會低于１ ＦＬＯＰＳ。１９４６ 年， 世界上第一臺計算機“ 埃尼阿克（ＥＮＩＡＣ）”出現(xiàn)，使人類的計算得到進一步提升，計算速度也進一步提升，其計算速度達到了３００ ＦＬＯＰＳ，也就是每秒鐘可以進行３００ 次浮點運算，遠超當時任何人類與機械計算器的計算速度。

緊接著人類便進入到集成電路大發(fā)展時代。

１９７８ 年，英特爾推出了跨時代的８０８６ 芯片，它包含２９ ０００個晶體管，主頻達到４．７７ ＭＨｚ，其算力也達到了７００ ０００ ＦＬＯＰＳ 以上。此后，集成電路產(chǎn)業(yè)飛速發(fā)展，至今已經(jīng)形成英特爾、ＡＭＤ、英偉達３ 家爭霸，還有ＴＩ，ＳＴ 和瑞薩等ＭＣＵ 大廠緊隨其后，不同廠商不同種類的芯片用途五花八門，但其證明芯片性能的關鍵參數(shù)仍是“算力”。

不過，算力一詞使用頻率最高的領域仍舊是ＧＰＵ。ＧＰＵ 起初是用來專門處理圖像的硬件，相比ＣＰＵ，ＧＰＵ 具有更多計算核心，也更擅長進行并行計算。如今，世界上單芯片算力頂峰是英偉達的Ｔｈｏｒ 芯片， 其算力已經(jīng)達到２００ ＴＯＰＳ。ＴＯＰＳ 即ｔｅｒａｏｐｅｒａｔｉｏｎｓ ｐｅｒ ｓｅｃｏｎｄ，１ ＴＯＰＳ 代表該芯片可以每秒計算１×１ ０１２ 次運算。

在ＡＩ 時代，算力已經(jīng)不僅是一項描述芯片計算能力的參數(shù)，它更像是一種資源，和石油與電力一樣，成為信息時代不可或缺的重要一環(huán)。而算力之所以如此重要，在于它對于ＡＩ 來說的必要性。

ＡＩ 模型，本質(zhì)上是算力與算法的結(jié)合。模型的“大”與“小”，其實就是算法規(guī)模量的區(qū)別，模型輸出的精度也與訓練ＡＩ 的數(shù)據(jù)量呈正相關，然而計算機處理越大的數(shù)據(jù)量，它所需要的算力也呈指數(shù)上升。

其原因是ＡＩ 算法可以理解為超大規(guī)模的矩陣運算，矩陣的維度就是數(shù)據(jù)特征數(shù)量，即數(shù)據(jù)的參數(shù)量。矩陣維度越多，參數(shù)越多，模型越復雜，它輸出的數(shù)據(jù)準確度就越高，但所需的算力也就越大。ＡＩ 時代，算力已經(jīng)不僅是一項描述芯片計算能力的參數(shù)，它更像是一種資源，和石油與電力一樣，成為信息時代不可或缺的重要一環(huán)。ＡＩ 時代，也可以說是算力時代。

算力芯片也可以分為云端與終端２ 種。云端算力芯片通常負責訓練和推理２ 種場景，可在不要求延時與高網(wǎng)絡帶寬下運行幾乎全流程的ＡＩ 算法。終端算力芯片通常用于自動駕駛、智能家居、智慧城市等ＡＩＯＴ 場景中。通常來說，云算力芯片的難度更高，成本也更高，還需要用戶負擔額外的網(wǎng)絡通信費用，那是不是云端就不重要了？

若沒有云計算，則企業(yè)在需要算力場景的時候就要搭建私有云，也就是自己的服務器。而為了應對更加復雜的應用，以及支撐更加穩(wěn)定的計算環(huán)境，企業(yè)就必須不停地升級采購新設備，如服務器、存儲、帶寬等，還需要組建完整的運維團隊來保證這些設備的正常運行。綜合計算下來，布置企業(yè)自身的算力中心花銷巨大。這對于中小微企業(yè)來說更是一筆難以承受的支出。

而云計算可以一勞永逸地解決上述問題，相當于多個企業(yè)共享硬件設施，只有當企業(yè)需要算力的時候才會購買，并不需要一直持有大量空閑算力。簡單來說，云計算就相當于家庭用電，只有打開電燈，電表才會計數(shù)。

總體而言，“云端＋邊端”能夠滿足ＡＩ 時代下所有應用場景的要求。如今，ＡＩ 大模型不斷涌現(xiàn)，同時滿足訓練與推理，還具有性價比優(yōu)勢的云算力芯片已經(jīng)成為ＡＩ“大亂斗”背景下的必爭之地。但在高需求刺激下，極速涌入云端算力芯片的資本還面臨著更加嚴峻的問題———高門檻。

挑戰(zhàn)與變局

過去，云端算力芯片僅受到部分企業(yè)關注。普通人對它的理解往往僅限于大型服務器、云計算、神威太湖之光等名詞上。自２０２３ 年以來，ＣｈａｔＧＰＴ 的橫空出世讓普通人對ＡＩ 的了解更進一步。ＡＩ 大模型爆火后，給全球ＡＩ 芯片市場帶來了哪些影響？

摩爾線程專家認為，大模型的火熱對芯片市場的影響，最直接的就是對算力基礎設施的需求猛增，ＧＰＵ 作為大模型背后的關鍵算力基礎設施，尤其受到追捧。與此同時，大模型全新的算法方式對傳統(tǒng)的芯片架構(gòu)提出了挑戰(zhàn)。

那么，挑戰(zhàn)是什么？

隨著ＯｐｅｎＡＩ 的一聲炮響，全世界都被轟開了ＡＩ世界的大門。不過，大規(guī)模計算所需要的高算力芯片挑戰(zhàn)頗多。摩爾線程專家認為挑戰(zhàn)主要來自芯片的通用性、功耗墻與顯存墻上。

奇異摩爾聯(lián)合創(chuàng)始人兼產(chǎn)品及解決方案副總裁祝俊東認為，目前云端算力芯片還面對著５ 大挑戰(zhàn)，即架構(gòu)、系統(tǒng)、場景、互聯(lián)以及快速迭代。

從架構(gòu)上來說，運算算力芯片對算力提升的需求與日俱增，但目前傳統(tǒng)ＳｏＣ 提升單芯片面積已經(jīng)達到瓶頸，摩爾定律極限在時刻限制芯片發(fā)展，內(nèi)存墻的限制也使得傳統(tǒng)架構(gòu)芯片難以提升，更讓芯片在散熱、功耗等方面處處掣肘。因此，需要異構(gòu)計算架構(gòu)來尋求芯片新的突破，其中就包括繞開摩爾定律的ｍｏｒｅ ｔｈａｎ ｍｏｒｅ———異構(gòu)計算。

從系統(tǒng)角度來看，隨著大模型的廣泛應用，模型參數(shù)與規(guī)模都呈現(xiàn)指數(shù)級增長，因此需要更大規(guī)模的整合計算系統(tǒng)來應對大模型訓練和計算的需求。換言之，盡管芯片算力不斷增長，但仍舊需要軟件端配合才能更好地發(fā)揮硬件性能。畢竟兵器是否趁手得看使用者的功力高低。

從應用場景來看，隨著ＣｈａｔＧＰＴ 爆火，ＡＩＣＧ 賽道上涌現(xiàn)了越來越多的玩家，未來ＡＩ 領域還將出現(xiàn)更多應用場景，這也意味著還會有新賽道出現(xiàn)。因此，作為“ＡＩ 起舞的舞臺”，運算算力芯片需要具備一定的通用性，也要有能力應對當今乃至未來日益多元化的專用計算場景。

從互聯(lián)來看，云端算力芯片需要高帶寬配合傳輸數(shù)據(jù)。未來大模型大算力應用涌現(xiàn)，云與端之間的快速交互，也將對帶寬和延時提出更高要求。

最后，ＡＩＣＧ 與算力芯片市場還處于快速變化階段，競爭者不斷入行，藍海可能一夜之間就變成紅海。因此，企業(yè)必須快速迭代產(chǎn)品，尤其在云端算力芯片上，需要不斷調(diào)整產(chǎn)品策略來迎合未來產(chǎn)品的新需求，同時要縮短ＴＴＭ 乃至量產(chǎn)時間。

總體而言，云端算力芯片目前挑戰(zhàn)頗多，無論是從技術角度還是市場角度，國內(nèi)涌現(xiàn)的諸多ＡＩＣＧ 與算力芯片玩家都需要更多的突破。更重要的一點是，目前全球算力芯片絕大部分市場都在英偉達手中，國產(chǎn)算力芯片在市場上仍舊處于弱勢。但在新興市場中，有著強力ＧＰＵ 先發(fā)優(yōu)勢的英偉達面對的問題是什么呢？

除了ＡＩＣＧ 之外，目前自動駕駛技術同樣發(fā)展迅速，這也激發(fā)出了全新的算力芯片需求。在自動駕駛中，受限于延時與傳輸，對于雷達與攝像頭信號處理屬于邊或終端計算。但云計算對自動駕駛算法與系統(tǒng)的支持仍舊重要，云與端的結(jié)合成為更多汽車廠商的選擇，譥？鵢m曌_新的挑戰(zhàn)也如期而至。英偉達技術專家在自動駕駛上的云端結(jié)合的挑戰(zhàn)上指出，云在用于自動駕駛汽車的人工智能軟件的開發(fā)中發(fā)揮著重要作用。

數(shù)據(jù)被收集、整理、攝取、標記并用于訓練深度神經(jīng)網(wǎng)絡，從計算角度來看是一項艱巨的任務。這是一個增強人工智能模型的迭代過程。創(chuàng)建模型后，將使用模擬在云中對其進行測試和驗證。

英偉達的專家表示，自動駕駛汽車運行時，不需要連接到云，但這是一個額外的好處，可以從交通、基礎設施和天氣等各種來源獲取信息，以實現(xiàn)安全駕駛??????????????????????????????????????????????? 操作。但自動駕駛汽車必須完全保持自主性，因此駕駛決策必須在車上做出，而不是在云端做出。連接到云的軟件定義汽車還為汽車制造商提供了新的商業(yè)模式和訂閱服務機會，同時為消費者帶來價值。過去，汽車在購買時處于最佳狀態(tài)，但隨后就會貶值。對于軟件定義的汽車來說，它處于最基本的銷售水平，隨著時間的推移，通過基于云，也就是云端算力芯片支持下的軟件更新，它會變得更好、更安全。

在挑戰(zhàn)中育新機，于變局中開新局

在ＡＩ“躁動”的這幾年，也讓下游應用場景百花齊放，其中ＡＩ 與國產(chǎn)電動汽車全面崛起，讓ＡＩ 駕駛（也就是自動駕駛技術）成為資本的寵兒。

針對自動駕駛領域的云端算力芯片機遇，祝俊東認為，受自動駕駛技術的快速發(fā)展驅(qū)動，大算力ＡＩ 芯片正在汽車領域迎來廣闊的機遇和前景。通過高效的計算和深度學習算法，大算力ＡＩ 芯片可以提供更精準和可靠的駕駛決策，從而提升行車安全性和駕駛體驗。而在云和端的結(jié)合中，最大的難點在于自動駕駛技術對實時性和低延遲要求非常高，將算力分布在云端和邊緣端之間會面臨數(shù)據(jù)傳輸和處理的挑戰(zhàn)。

大量的傳感器數(shù)據(jù)和圖像到云端進行處理可能會導致較高的網(wǎng)絡延遲和消耗大量的帶寬。

他認為，異構(gòu)芯片可以將ＡＩ 算力和邏輯算力集成在一起，在不同的計算場景中發(fā)揮不同的作用。這種集成能夠提供更高的計算性能和效率，滿足自動駕駛技術對算力的需求。同時，異構(gòu)集成高帶寬、低延時的互聯(lián)特性，也能有效幫助自動駕駛進行云與端的交互，且有效地提升了自動駕駛系統(tǒng)的性能和效率。

跳出應用，回頭看云端算力芯片本身。ＧＰＵ 或ＧＰＧＰＵ 是云端算力芯片或ＡＩ 芯片的主流形態(tài)。不過，也有人認為目前的ＡＩ 芯片是過渡形態(tài)，未來所有ＡＩ 芯片還會向ＡＳＩＣ 方向靠攏。針對這一觀點，摩爾線程專家認為，目前ＡＩ 算法還在快速迭代和變化，在這個過程沒有放緩或停止之前，ＧＰＵ 仍具有特別強的優(yōu)勢。對于云端算力芯片未來的看法，摩爾線程專家認為，云端基礎設施需要具備對未來技術的兼容性，ＧＰＵ 仍是首選。未來的變化，在摩爾線程看來主要包括幾個方面：工藝制程向前推進，算力、帶寬不斷上升；通過ｃｈｉｐｌｅｔ 方案，進一步提高芯片級別的計算密度和系統(tǒng)集成度３、云端ＡＩ 芯片將不斷融合新算法所需的功能和加速模塊。

?？|認為，在ＡＩ 芯片領域，作為通用芯片和專用芯片的代表，ＧＰＵ 和ＡＳＩＣ 各有優(yōu)勢。但是專用芯片與通用芯片永遠都不是互相替代的關系，二者必須協(xié)同工作才能發(fā)揮出最大的價值。通過異構(gòu)計算架構(gòu)，可以把如ＧＰＵ 為代表的通用芯片與ＡＳＩＣ 等專用芯片集合起來，兼顧通用性和專用性的雙重優(yōu)勢，提供更全面和高效的解決方案。異構(gòu)計算也有助于客戶根據(jù)ＡＩ 任務的實際需求，調(diào)整通用芯片和專用芯片的比重，以滿足不斷變化的ＡＩ 應用領域的需求。

寫在最后

云端算力芯片為ＡＩ 時代的創(chuàng)新和應用注入了無限活力，它已經(jīng)成為當之無愧的“ＡＩ 石油”。面臨挑戰(zhàn)與機遇，云端算力芯片未來還會不斷突破創(chuàng)新，驅(qū)動著智能化世界的前行。

在追逐智能化的道路上，云端算力芯片扮演著不可或缺的角色。以其強大的計算能力和無限的潛力，推動著科技的創(chuàng)新和進步。隨著技術的不斷發(fā)展，我們有理由相信云端算力芯片將繼續(xù)引領人工智能的未來，為我們帶來更加智能、高效的世界。