撰文 | 古 芯
編輯 | 楊博丞
(資料圖片僅供參考)
題圖 | IC Photo
ChatGPT的誕生是AI行業發展的一個里程碑，讓通用人工智能距離全面商用更進一步。ChatGPT雖然屬于生成式人工智能技術（AIGC）的一種，卻可以訓練其他AIGC產品，比如充當AI畫圖模型Midjourney 的提示詞分析師。
由于ChatGPT的能力過于突出，其母公司2022年11月發布ChatGPT3.5版本后，迅速吸引大量用戶，同時也招來非議，最引人關注的莫過于全球首富馬斯克，聯合千人請愿全球停止研發類ChatGPT產品。
之所以說馬斯克的呼吁吸引眼球，不是因為他反對研發類ChatGPT產品，也不是因為他全球首富的身份，而是因為他呼吁停止研發類ChatGPT產品之前，剛表態要自建團隊，自備資金研發類ChatGPT產品；其次才是作為世界首富雄厚的財力，稍微出手，便囤了10000塊GPU芯片。
馬斯克對ChatGPT的表態看似矛盾，但是考慮到馬斯克2015年還是ChatGPT母公司OpenAI的聯合創始人，2018年就被現任CEO“奧特曼”擠走，這種類似吃不到葡萄說葡萄酸的心里也就容易理解了。更何況馬斯克一直站在新興技術風口上，怎么可能容忍當今最新潮的技術和自己沒關系？
只不過不止一次表態要切入人工智能（AI）賽道的馬斯克，為何成立AI部門之前先搶了一萬塊GPU（圖形處理器）芯片？搶購的又是什么型號的芯片？馬斯克買了這一萬塊芯片，會不會影響行業供需關系，國內AI企業會不會受到影響，最重要地的是，國內有沒有能做GPU的企業，做到什么地步了？
01.GPU如何攪動人工智能行業
馬斯克購買一萬塊GPU芯片，主要是因為GPU的性能決定了行業天花板，相比于通用的CPU（中央處理器），GPU在人工智能行業被細分到“AI芯片”領域，也就是針對AI算法做了特殊加速設計的芯片。
狹義的人工智能芯片，指的就是專門優化過的顯卡。在人工智能剛駛入快車道的2012年，前谷歌計算機科學家Alex Krizhevsky，使用深度學習+GPU的方案在Image Net LSVRC-2010圖像識別大賽中，將識別成功率從74%提升至85%，在行業內引起廣泛關注。
GPU行業龍頭英偉達（NVIDIA）受此啟發，投入大量人力物力又優化自家GPU的CUDA深度學習生態系統，有消息稱短短3年內，公司GPU產品性能提升了65倍，甚至還推出了基于自家GPU，覆蓋后端訓練至前端應用的全套方案。
眾所周知，GPU通常被用于圖像處理任務，因為圖像是由多個像素組成，GPU想要高效完成圖像處理任務，就需要大量可以完成獨立運算的單元，廠商也會極盡可能，在芯片內放入更多獨立計算核心，2018年發布的英偉達GTX2080TI有4352個CUDA核心，到2022年發布的4090顯卡CUDA核心增至16384個。本就具備同時大量獨立計算的能力，所以只需要CPU給出正確的指令，GPU自然可以迅速完成深度學習型AI產品所需要的超規模計算。
我們今天熟悉的ChatGPT已經迭代至第四代。以第一代ChatGPT為例，2018年6月發布的GPT-1只在8個GPU上訓練了一個月，當年運行TensorFlow單GPU深度學習研究，表現最佳的GPU是GTX2080TI，參數量約為1.17億，預測訓練數據量僅有5GB；2019年2月發布的GPT-2預訓練數據量增至40GB，參數量達到了15億，此時需要256個Google Cloud TPU v3上訓練一周。
到2020年5月發布的GPT-3，預訓練數據量猛增至45TB，參數量達到1750億，需要在355個GPU上訓練一年，且訓練總成本達到1200萬美元。GPT-3.5也就是我們現在熟悉的ChatGPT，和最新發布的ChatGPT4.0尚未公布相關數據，可以肯定的是，這兩代ChatGPT均使用GPU訓練。據華西證券數據，ChatGPT母公司OpenAI已使用了約2.5萬個英偉達的GPU。
雖然微軟已經將OpenAI收入麾下，并提供代號為“雅典娜”的人工智能芯片，但由于英偉達芯片在人工智能行業深耕多年，新玩家短期內很難對其形成威脅，未來需求仍將繼續上升。
更為人熟知的CPU，與GPU相比具有明顯短板。因為CPU需要較高的通用性，較為高端的產品還需要在核心內構建3級緩存，所以單個核心會盡可能做的大而全，這就造成CPU可用于單獨計算的核心明顯少于GPU，無法專精處理某一項任務，導致CPU在行計算、浮點計算以及矩陣運算方面存在明顯的先天不足，這三個能力恰恰是完成ChatGPT這種深度學習型AI產品迫切需要的。
英偉達為了進一步提升旗下產品對AI深度學習的適應性，特意推出用于超級計算機的深度學習的Tesla顯卡，最新型號為A100，2022年由于不可抗力，已經被禁止向中國出口，轉而推出減配版A800。
和消費級顯卡相比，Tesla顯卡在完成圖像處理、語音識別、機器學習、物體檢測等任務時更快，根據相關測試，同樣是2020年推向市場的A100和3090，消費級顯卡3090 的tensor core只有A100的四分之一。在深度學習領域，無論是常見的CNN還是ChatGPT使用的Transformer，大多數浮點計算量，都集中于依托tensor core計算的矩陣乘法上面，所以使用A100可以更快完成深度學習產品的開發。
基于上述分析，不難發現海外對中國禁運A100的意圖，就是想要極大可能限制中國人工智能行業發展。
02.國產芯片露出微光
短期來看，中國人工智能行業可以選擇除A100外的次等GPU，但是長期來看，必須要突破封鎖，實現人工智能芯片國產化。
聚焦人工智能芯片領域，除GPU外，可用于AI算法的芯片還包括CPU、FPGA、MLU、TPU，以及最新研究方向類腦芯片，后者由于概念較為先進，預計最快將于2023年成熟，尚不足以撼動AI芯片競爭格局。同時出于現實考慮，國內廠商在GPU芯片上和英偉達或AMD、Intel正面硬鋼，毫無勝算。
CPU方面雖然有近期龍芯有所突破，但是如前所述，CPU并行算力不足，不適合應用于AI深度學習；FPGA雖然已經用于AI算法訓練，但是市場規模較小；最有可能替代GPU的就是MLU、TPU通用AI芯片。
但根據ChatGPT發展歷程，Openai在開發GPT-2時，曾經使用過谷歌TPU芯片，這是一種以ASIC作為底芯片的計算單元，專注于神經網絡所需的矩陣運算的專用芯片，最先應用于AlphaGo中。
但是鑒于使用ASIC技術的芯片需要定制化，用戶使用成本較GPU更高且更繁瑣，OpenAI開發GPT-3時重新選擇GPU，同時考慮到GPT-3模型參數量陡增，英偉達CUDA架構較其他產品具有明顯優勢，間接體現了英偉達GPU在人工智能芯片領域絕對龍頭的位置，但這不代表其他產品就沒有開發和應用價值。
首先是以谷歌TPU、寒武紀MLU為代表的通用AI芯片，憑借針對特定算法深度優化和加速，可以在確定性執行模型的應用需求中發揮作用；FPGA芯片依靠靈活多變的通用性，再加上可編程性，適用于開發周期較短的AI產品、傳感器數據預處理工作以及小型開發試錯升級迭代階段等。
?梳理國產芯片企業的格局，除寒武紀外，華為、國芯科技也布局了通用AI芯片（TPU\MLU）；安路科技、紫光國微、復旦微電等企業布局FPGA芯片，試圖在這兩個領域突破海外對我國GPU芯片的封鎖。
目前寒武紀雖然尚未實現盈利，芯片市占率也不高，但芯片產品覆蓋了云端智能芯片及加速卡、訓練整機、邊緣智能芯片及加速卡、終端智能處理器IP以及上述產品的配套軟件開發平臺。
另一個已經被應用于人工智能的算法訓練的FPGA芯片領域，中國市場占有率最高的國產廠商是安路科技，目前公司在中低端產品線全面對標海外龍頭企業，考慮到建立FPGA芯片軟硬件生態體系行業壁壘較高，且用戶更換產品驗證周期長，安路科技未來有望依托現有市場擴大優勢。
目前安路科技的產品廣泛應于用網絡通信、消費電子、工業控制和數據中心等領域均能保持穩健的成長，正在拓展無人機、自動駕駛、智慧城市等涉及人工智能的應用領域。
不過目前最值得關注的國產AI芯片企業應該是千芯科技，公司生產的存算一體AI芯片，通過自研存算一體技術，可提供能效比超過10-100TOPS/W，在特定領域可以提供更大算力（1000TOPS以上），優于其他類型AI芯片10-40倍的算力支持，應用場景包括自然語言處理，一旦量產，可用于類ChatGPT產品的研發。其他可以用于深度學習領域的國產芯片還包括北京君正的AI協處理器T02，燧原科技的邃思AI訓練和推理芯片等。
現階段，寒武紀、安路科技、千芯科技等國產AI芯片企業的產品，雖然尚不具備替代英偉達的能力，但是也給中國人工智能行業帶來一絲微光。回顧芯片行業的發展，無論是芯片設備還是芯片產品，只要中國企業突破封鎖，就能迅速改變行業格局，這其中就包括一種最常見的AI芯片。
03.AI芯片領域唯一的突破
這種最常見的AI芯片就是存儲芯片，日前國產存儲芯片生產商長江存儲憑一己之力，讓海外大廠三星等企業的固態存儲產品主動降價超50%。長江存儲芯片對三星帶來的危機感，是典型的彎道超車，也是國產芯片產業鏈尋求的最佳發力點。
過去很長一段時間，存儲芯片占全球芯片市場規模的27%，但是競爭格局較為固化，尤其是中國市場，2018年中國進口的3120億美元的芯片中，存儲芯片進口額高達1150億美元，占比超36%。
到2020年，中國存儲芯片規模增至全球存儲芯片的31%，但是自給率不足1%，競爭格局高度固化，韓國三星近乎壟斷高端存儲市場。
同時考慮到中國AI行業發展過于迅猛，有數據顯示，預計到2025年，中國人工智能核心市場規模有望達到4000億元，鑒于當前國內芯片行業發展現狀，CPU\GPU等產品研發周期太長，想要短期獲得國內市場的話語權難度極高，所以在國家大基金的領導下，長江存儲加快3D NAND存儲芯片研發進度，2019年推出64層3D NAND后，于2022年順利推出192層3D NAND芯片。
反觀壟斷中國存儲市場的三星，自從2013年推出24層3D NAND閃存芯片后，直到2019年才推出96層V-NAND，雖然研發進度慢有更換技術路線的原因，但是同期另一家老牌存儲長海力士已經推出128層4D NAND產品，三星此時已經明顯落后于同業企業，但仍領先長江存儲。
現如今，長江存儲不僅從技術層面實現趕超，還憑借中國特有的“量大管飽”生產模式，將產品售價一降再降，迫使三星在中國市場全面接受價格戰，實現全系產品降價。
雖然目前有觀點認為，三星存儲產品降價，以及一季度出現3.3萬億韓元的營業虧損，主要是因為過去幾年芯片行業產能過剩，不得已降價去庫存并首次減產，這種觀點不能說錯，但確實很片面。
從市場角度出發，目前在某電商平臺上，采用長江存儲自研3D NAND閃存芯片的存儲產品，2TB規格產品單價最低到了479元，600元以下的選擇非常多，而三星雖然大幅降價，但客單價依舊比致鈦高100元，比售價最低的近乎翻倍，如果三星不降價，繼續采取之前2TB規格產品動輒超2000元的單價，等于直接宣告退出中國消費級存儲市場的競爭。
中國存儲市場這塊大蛋糕，三星可不會輕易放棄。上文提及，到2025年，中國人工智能核心市場規模將達到4000億元，按照存儲芯片27%的占比計算，AI芯片領域存儲芯片市場規模或將達到1080億元。考慮到當前存儲產品售價大幅降價，保守估計未來市場規模也有望超過500億。
而且在大數據時代，數據的產生和運算速度都在急速上升（參考GPT-3預訓練數據量），所有云服務供應商不僅需要更強的算力，還需要容量更大、讀取速度更快的存儲設備，所以即使未來存儲芯片還有降價的可能，更低的產品價格反而會催生行業內固態存儲對機械存儲設備的替代。
這種行業趨勢其實從2019年就已經開始顯露端倪。據民生證券數據，2019年企業級SSD平均容量達到2.3TB，2020年將增長至2.7TB，設備出貨量年均復合增速達到15.8%。三星即使降產斷臂，也會極力平衡存儲產品的供給關系，繼續搶奪中國市場，只可惜三星再也沒機會躺平掙錢了。
因為長江存儲的芯片制程普遍處于22nm，海外制裁不涉及該部分，且國產設備目前已經逐步覆蓋該領域的芯片制造。再想通過制裁簡單粗暴的限制中國芯片行業發展，只停留在理論層面，而一旦中國企業突破海外封鎖，將立刻改變行業競爭格局，幫它們真正參與理解，什么才是“市場競爭”。
關鍵詞：
責任編輯：Rex_30
