ChatGPT背后芯片之争

ChatGPT的诞生是AI行业发展的一个里程碑,让通用人工智能距离全面商用更进一步。ChatGPT虽然属于生成式人工智能技术(AIGC)的一种,却可以训练其他AIGC产品,比如充当AI画图模型Midjourney 的提示词分析师。

由于ChatGPT的能力过于突出,其母公司2022年11月发布ChatGPT3.5版本后,迅速吸引大量用户,同时也招来非议,最引人关注的莫过于全球首富马斯克,联合千人请愿全球停止研发类ChatGPT产品。

之所以说马斯克的呼吁吸引眼球,不是因为他反对研发类ChatGPT产品,也不是因为他全球首富的身份,而是因为他呼吁停止研发类ChatGPT产品之前,刚表态要自建团队,自备资金研发类ChatGPT产品;其次才是作为世界首富雄厚的财力,稍微出手,便囤了10000块GPU芯片。

马斯克对ChatGPT的表态看似矛盾,但是考虑到马斯克2015年还是ChatGPT母公司OpenAI的联合创始人,2018年就被现任CEO“奥特曼”挤走,这种类似吃不到葡萄说葡萄酸的心里也就容易理解了。更何况马斯克一直站在新兴技术风口上,怎么可能容忍当今最新潮的技术和自己没关系?

只不过不止一次表态要切入人工智能(AI)赛道的马斯克,为何成立AI部门之前先抢了一万块GPU(图形处理器)芯片?抢购的又是什么型号的芯片?马斯克买了这一万块芯片,会不会影响行业供需关系,国内AI企业会不会受到影响,最重要地的是,国内有没有能做GPU的企业,做到什么地步了?

01.GPU如何搅动人工智能行业

马斯克购买一万块GPU芯片,主要是因为GPU的性能决定了行业天花板,相比于通用的CPU(中央处理器),GPU在人工智能行业被细分到“AI芯片”领域,也就是针对AI算法做了特殊加速设计的芯片。

狭义的人工智能芯片,指的就是专门优化过的显卡。在人工智能刚驶入快车道的2012年,前谷歌计算机科学家Alex Krizhevsky,使用深度学习+GPU的方案在Image Net LSVRC-2010图像识别大赛中,将识别成功率从74%提升至85%,在行业内引起广泛关注。

GPU行业龙头英伟达(NVIDIA)受此启发,投入大量人力物力又优化自家GPU的CUDA深度学习生态系统,有消息称短短3年内,公司GPU产品性能提升了65倍,甚至还推出了基于自家GPU,覆盖后端训练至前端应用的全套方案。

众所周知,GPU通常被用于图像处理任务,因为图像是由多个像素组成,GPU想要高效完成图像处理任务,就需要大量可以完成独立运算的单元,厂商也会极尽可能,在芯片内放入更多独立计算核心,2018年发布的英伟达GTX2080TI有4352个CUDA核心,到2022年发布的4090显卡CUDA核心增至16384个。本就具备同时大量独立计算的能力,所以只需要CPU给出正确的指令,GPU自然可以迅速完成深度学习型AI产品所需要的超规模计算。

我们今天熟悉的ChatGPT已经迭代至第四代。以*代ChatGPT为例,2018年6月发布的GPT-1只在8个GPU上训练了一个月,当年运行TensorFlow单GPU深度学习研究,表现*的GPU是GTX2080TI,参数量约为1.17亿,预测训练数据量仅有5GB;2019年2月发布的GPT-2预训练数据量增至40GB,参数量达到了15亿,此时需要256个Google Cloud TPU v3上训练一周。

到2020年5月发布的GPT-3,预训练数据量猛增至45TB,参数量达到1750亿,需要在355个GPU上训练一年,且训练总成本达到1200万美元。GPT-3.5也就是我们现在熟悉的ChatGPT,和最新发布的ChatGPT4.0尚未公布相关数据,可以肯定的是,这两代ChatGPT均使用GPU训练。据华西证券数据,ChatGPT母公司OpenAI已使用了约2.5万个英伟达的GPU。

虽然微软已经将OpenAI收入麾下,并提供代号为“雅典娜”的人工智能芯片,但由于英伟达芯片在人工智能行业深耕多年,新玩家短期内很难对其形成威胁,未来需求仍将继续上升。

更为人熟知的CPU,与GPU相比具有明显短板。因为CPU需要较高的通用性,较为高端的产品还需要在核心内构建3级缓存,所以单个核心会尽可能做的大而全,这就造成CPU可用于单独计算的核心明显少于GPU,无法专精处理某一项任务,导致CPU在行计算、浮点计算以及矩阵运算方面存在明显的先天不足,这三个能力恰恰是完成ChatGPT这种深度学习型AI产品迫切需要的。

英伟达为了进一步提升旗下产品对AI深度学习的适应性,特意推出用于超级计算机的深度学习的Tesla显卡,最新型号为A100,2022年由于不可抗力,已经被禁止向中国出口,转而推出减配版A800。

和消费级显卡相比,Tesla显卡在完成图像处理、语音识别、机器学习、物体检测等任务时更快,根据相关测试,同样是2020年推向市场的A100和3090,消费级显卡3090 的tensor core只有A100的四分之一。在深度学习领域,无论是常见的CNN还是ChatGPT使用的Transformer,大多数浮点计算量,都集中于依托tensor core计算的矩阵乘法上面,所以使用A100可以更快完成深度学习产品的开发。

基于上述分析,不难发现海外对中国禁运A100的意图,就是想要极大可能限制中国人工智能行业发展。

02.国产芯片露出微光

短期来看,中国人工智能行业可以选择除A100外的次等GPU,但是长期来看,必须要突破封锁,实现人工智能芯片国产化。

聚焦人工智能芯片领域,除GPU外,可用于AI算法的芯片还包括CPU、FPGA、MLU、TPU,以及最新研究方向类脑芯片,后者由于概念较为先进,预计最快将于2023年成熟,尚不足以撼动AI芯片竞争格局。同时出于现实考虑,国内厂商在GPU芯片上和英伟达或AMD、Intel正面硬钢,毫无胜算。

CPU方面虽然有近期龙芯有所突破,但是如前所述,CPU并行算力不足,不适合应用于AI深度学习;FPGA虽然已经用于AI算法训练,但是市场规模较小;最有可能替代GPU的就是MLU、TPU通用AI芯片。

但根据ChatGPT发展历程,Openai在开发GPT-2时,曾经使用过谷歌TPU芯片,这是一种以ASIC作为底芯片的计算单元,专注于神经网络所需的矩阵运算的专用芯片,*应用于AlphaGo中。

但是鉴于使用ASIC技术的芯片需要定制化,用户使用成本较GPU更高且更繁琐,OpenAI开发GPT-3时重新选择GPU,同时考虑到GPT-3模型参数量陡增,英伟达CUDA架构较其他产品具有明显优势,间接体现了英伟达GPU在人工智能芯片领域*龙头的位置,但这不代表其他产品就没有开发和应用价值。

首先是以谷歌TPU、寒武纪MLU为代表的通用AI芯片,凭借针对特定算法深度优化和加速,可以在确定性执行模型的应用需求中发挥作用;FPGA芯片依靠灵活多变的通用性,再加上可编程性,适用于开发周期较短的AI产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。

梳理国产芯片企业的格局,除寒武纪外,华为、国芯科技也布局了通用AI芯片(TPU\MLU);安路科技、紫光国微、复旦微电等企业布局FPGA芯片,试图在这两个领域突破海外对我国GPU芯片的封锁。

目前寒武纪虽然尚未实现盈利,芯片市占率也不高,但芯片产品覆盖了云端智能芯片及加速卡、训练整机、边缘智能芯片及加速卡、终端智能处理器IP以及上述产品的配套软件开发平台。

另一个已经被应用于人工智能的算法训练的FPGA芯片领域,中国市场占有率最高的国产厂商是安路科技,目前公司在中低端产品线全面对标海外龙头企业,考虑到建立FPGA芯片软硬件生态体系行业壁垒较高,且用户更换产品验证周期长,安路科技未来有望依托现有市场扩大优势。

目前安路科技的产品广泛应于用网络通信、消费电子、工业控制和数据中心等领域均能保持稳健的成长,正在拓展无人机、自动驾驶、智慧城市等涉及人工智能的应用领域。

不过目前最值得关注的国产AI芯片企业应该是千芯科技,公司生产的存算一体AI芯片,通过自研存算一体技术,可提供能效比超过10-100TOPS/W,在特定领域可以提供更大算力(1000TOPS以上),优于其他类型AI芯片10-40倍的算力支持,应用场景包括自然语言处理,一旦量产,可用于类ChatGPT产品的研发。其他可以用于深度学习领域的国产芯片还包括北京君正的AI协处理器T02,燧原科技的邃思AI训练和推理芯片等。

现阶段,寒武纪、安路科技、千芯科技等国产AI芯片企业的产品,虽然尚不具备替代英伟达的能力,但是也给中国人工智能行业带来一丝微光。回顾芯片行业的发展,无论是芯片设备还是芯片产品,只要中国企业突破封锁,就能迅速改变行业格局,这其中就包括一种最常见的AI芯片。

03.AI芯片领域*的突破

这种最常见的AI芯片就是存储芯片,日前国产存储芯片生产商长江存储凭一己之力,让海外大厂三星等企业的固态存储产品主动降价超50%。长江存储芯片对三星带来的危机感,是典型的弯道超车,也是国产芯片产业链寻求的*发力点。

过去很长一段时间,存储芯片占全球芯片市场规模的27%,但是竞争格局较为固化,尤其是中国市场,2018年中国进口的3120亿美元的芯片中,存储芯片进口额高达1150亿美元,占比超36%。

到2020年,中国存储芯片规模增至全球存储芯片的31%,但是自给率不足1%,竞争格局高度固化,韩国三星近乎垄断高端存储市场。

同时考虑到中国AI行业发展过于迅猛,有数据显示,预计到2025年,中国人工智能核心市场规模有望达到4000亿元,鉴于当前国内芯片行业发展现状,CPU\GPU等产品研发周期太长,想要短期获得国内市场的话语权难度极高,所以在国家大基金的领导下,长江存储加快3D NAND存储芯片研发进度,2019年推出64层3D NAND后,于2022年顺利推出192层3D NAND芯片。

反观垄断中国存储市场的三星,自从2013年推出24层3D NAND闪存芯片后,直到2019年才推出96层V-NAND,虽然研发进度慢有更换技术路线的原因,但是同期另一家老牌存储长海力士已经推出128层4D NAND产品,三星此时已经明显落后于同业企业,但仍*长江存储。

现如今,长江存储不仅从技术层面实现赶超,还凭借中国特有的“量大管饱”生产模式,将产品售价一降再降,迫使三星在中国市场全面接受价格战,实现全系产品降价。

虽然目前有观点认为,三星存储产品降价,以及一季度出现3.3万亿韩元的营业亏损,主要是因为过去几年芯片行业产能过剩,不得已降价去库存并首次减产,这种观点不能说错,但确实很片面。

从市场角度出发,目前在某电商平台上,采用长江存储自研3D NAND闪存芯片的存储产品,2TB规格产品单价*到了479元,600元以下的选择非常多,而三星虽然大幅降价,但客单价依旧比致钛高100元,比售价*的近乎翻倍,如果三星不降价,继续采取之前2TB规格产品动辄超2000元的单价,等于直接宣告退出中国消费级存储市场的竞争。

中国存储市场这块大蛋糕,三星可不会轻易放弃。上文提及,到2025年,中国人工智能核心市场规模将达到4000亿元,按照存储芯片27%的占比计算,AI芯片领域存储芯片市场规模或将达到1080亿元。考虑到当前存储产品售价大幅降价,保守估计未来市场规模也有望超过500亿。

而且在大数据时代,数据的产生和运算速度都在急速上升(参考GPT-3预训练数据量),所有云服务供应商不仅需要更强的算力,还需要容量更大、读取速度更快的存储设备,所以即使未来存储芯片还有降价的可能,更低的产品价格反而会催生行业内固态存储对机械存储设备的替代。

这种行业趋势其实从2019年就已经开始显露端倪。据民生证券数据,2019年企业级SSD平均容量达到2.3TB,2020年将增长至2.7TB,设备出货量年均复合增速达到15.8%。三星即使降产断臂,也会极力平衡存储产品的供给关系,继续抢夺中国市场,只可惜三星再也没机会躺平挣钱了。

因为长江存储的芯片制程普遍处于22nm,海外制裁不涉及该部分,且国产设备目前已经逐步覆盖该领域的芯片制造。再想通过制裁简单粗暴的限制中国芯片行业发展,只停留在理论层面,而一旦中国企业突破海外封锁,将立刻改变行业竞争格局,帮它们真正参与理解,什么才是“市场竞争”。

极客网企业会员

免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。