AI芯片军备竞赛加剧

构建专用AI处理器的竞赛正在创造新的半导体战场,初创公司正在挑战行业巨头,科技公司也在设计自己的芯片。

走进任何为AI服务提供支持的数据中心,你都会发现架子上装满了最初为游戏设计的GPU。这始终是一种妥协——使用为渲染图形而构建的硬件来训练神经网络。现在,行业正在超越这种妥协。

转向专用AI芯片代表了数十亿美元的投资,以及对AI硬件应该是什么样子的根本性重新思考。赌注巨大:谁控制了硅片,谁就控制了AI的经济学。

为什么GPU不再足够

GPU擅长并行计算,这恰好适用于AI训练。但它们承载着来自图形传承的显著开销——这些功能消耗功率和芯片空间,但对AI工作负载没有益处。

专用AI芯片剥离了这些开销,在相同的功耗限制下打包了更多AI专用计算。早期定制芯片在特定工作负载下相比GPU显示出每瓦性能2-5倍的改进。

对于许多应用来说,能效比原始性能更重要。数据中心面临电力限制,限制了它们可以部署的计算能力。一款使用一半功率就能提供相同结果的芯片,实际上使可用容量翻倍。

"我们并非试图在所有方面击败GPU。我们致力于在大规模AI推理中至关重要的特定操作上表现卓越。"

初创公司的挑战

数十家初创公司正在追求新颖的AI芯片架构。大多数将会失败——芯片开发成本高昂,从工作原型到生产部署的道路上障碍重重。

成功的初创公司有共同特征:在AI算法和芯片设计方面都有深厚专业知识,有足够的资金在漫长的开发周期中生存,以及愿意押注未经验证技术的早期客户。

但即使是成功的芯片也面临软件问题。GPU受益于成熟的生态系统——开发者使用多年的框架、库和工具。新的芯片架构需要从头开始构建这些生态系统,这是一个曾经扼杀过有前途硬件的挑战。

科技巨头内部自建

最大的AI公司并没有等待初创公司。它们正在设计针对其特定工作负载和部署模式优化的定制芯片。

这种垂直整合提供了超越性能的优势。定制芯片实现了现成组件不可能实现的优化。它们减少了对同时服务竞争对手的供应商的依赖。它们捕获了本应流向半导体供应商的价值。

证明定制芯片开发合理性的规模是巨大的——数十亿美元的AI基础设施支出。只有最大的公司才能使经济效益运作,从而在AI的富有者和贫困者之间造成扩大的差距。

硅的地缘政治

AI芯片在地缘政治上变得敏感,这是图形处理器从未有过的情况。先进的半导体制造集中在有限的地点,创造了政府视为战略风险的依赖关系。

出口管制限制了最强大芯片可以部署的地方。国内制造业倡议旨在减少对外国生产的依赖。产业政策正在以纯粹市场驱动的动力无法产生的方式塑造AI芯片格局。

技术竞争与国家安全的交汇为试图规划长期战略的公司带来了不确定性。去年有意义的供应链明天可能无法获得或在政治上不可接受。

这对AI开发意味着什么

AI硬件的碎片化既创造了机会,也带来了挑战。更专业的芯片实现了更高效的AI部署,可能使目前需要大量资源的能力获得民主化。

但碎片化也带来了复杂性。开发者可能需要针对多个硬件目标进行优化。平台之间的可移植性变得更难。"编写PyTorch,在NVIDIA上运行"的简单世界正在让位于更复杂的格局。

对于部署AI的组织来说,硬件策略比以往任何时候都更重要。押注错误的架构可能意味着重写大量代码或接受次优性能。安全的选择是GPU,但最佳选择可能是其他东西。

我们正处于这个转型的早期阶段。2030年的主导架构可能尚未发明。这种不确定性既创造了风险,也创造了机会,具体取决于你在技术栈中的位置。