隨著人工自能，特別是GPT的出現，引起了各種自動化的模型，處理這些信息就需要算力。借著ChatGPT的熱度，AI最重要的硬件支持之一，算力硬件也在不自覺中再度上了科技類熱搜。

GPU，英文全稱是Graphics Processing Unit，即圖形處理器，也就是我們所說的顯卡。真正用來作為人工智能算力支持的GPU，不是普通的顯卡，而是GPGPU。

GPU前面加一個“GP”，就變為General-Purpose Computing on Graphics Processing Units，即通用計算圖形處理器。我們去術語化，可以直接說這是一種用于處理非特定需求（通用類型）計算目的的算力單元（芯片）。通常，它們也被簡稱為通用GPU。

如果朋友們還有記憶的話，肯定記得國內電子貨幣“挖礦”一度盛行時，帶起了顯卡的市場價格。這些顯卡中有不少，就是目前主流被用于提升算力的通用GPU。

對比GPU和CPU：雖然兩者本質都是算力芯片（最早的GPU，也就是顯卡概念，也是由通用CPU演化而出），但最后在構架上的區別，導致了GPU在面對AI大數據流算力時，能夠做的更好。

簡單來說，CPU更擅長復雜邏輯的運算，而GPU構架相對簡單，但運算核心多，適用于大量邏輯簡單但高并發量的高密度計算。（CPU最多也就十幾個核心，GPU動輒幾百上千個核心）成本方面，雖然FPGA和ASIC芯片也被用于AI領域，但由于它們是針對其中某些需求的半定制和全定制芯片（主要是模擬人腦神經元結構），在通用領域的性價比完全無法和較為成熟的GPU相比。

詳細一點可以這樣認為，并行計算一般有2種類型：基于任務的并行處理和基于數據的并行處理。前者主要指的是把算力任務拆分成若干個小的但不同的任務，然后再根據算力芯片內的不同核心做不同的計算分，從而形成一條算力流水線。后者主要指的是將數據分解為多個部分，讓多個運算單元分別去計算這些小塊的數據，形成一個計算網格，最后再把這些網格完成的任務匯總起來。

我們常說的CPU多線程編程偏向于前者，GPU的并行編程模式則偏向于后者。后者對龐大但邏輯簡單的算力需求，有明顯更強更高效的支持能力。

或者我們也可以這么認為：AI領域的大數據流運算本來就是一個模糊概率問題，并沒有多少很精準的計算需求，也就不要那么多的算力“牛人”（CPU），需要的是很多能夠干一般活的“工人”（通用GPU）。

從發展的時間線來看，通用GPU是一個近年來才產生，并在短期內高熱度計算機芯片概念。它的出現，是一個與人工智能相互成就的過程。

最早提出GPU概念的是英偉達（NVIDIA）。早期英偉達提出GPU概念，是為了把電腦顯示芯片獨立出來，減少影像處理輸出過程對CPU的依賴，且可以部分分擔CPU的工作。

2012年發生的一件事，讓人工智能領域研究者認識到了，GPU在算力支持領域的發掘潛力。

2012年，前谷歌計算機科學家Alex Krizhevsky利用深度學習+GPU的方案，贏得Image Net LSVRC-2010圖像識別大賽，并奇跡般地將識別成功率從74%提升到85%。事件發生后，NVIDIA洞察到了這一趨勢，耗費巨資對自家的傳統GPU做改造。

3年后，NVIDIA提出了基于自家GPU的CUDA深度學習生態系統的算力GPU，將GPU的性能直接提升了65倍。

此外，為了建立自己的通用GPU生態，NVIDIA還開放了基于自己GPU的從后端模型訓練到前端推理應用的全套深度學習解決方案，讓全球范圍的內一般開發人員都可以非常容易地使用GPU進行深度學習開發或高性能運算，最后奠定了自己在GPU算力領域的老大地位。

作為目前AI服務器最主流的算力選擇，2021年通用GPU服務器銷售額占據我國AI加速服務器市場的88.4%，其中80%以上的國內市場被NVIDIA占據。

回到我們開頭說的。ChatGPT的正式推出，一方面可以說是“啟動了人工智能革命”，另一方面也可以說是“拉開了新一輪的硬件競賽”。截止最新的市場報，ChatGPT在微軟Azure AI云服務器上完成訓練，總算力消耗為3640PF-days，已經導入超1萬顆英偉達高端GPU。Citi Bank（花旗）等預測ChatGPT能促使NVIDIA 12個月營收增加30億美金。

另據相關市場機構測算，ChatGPT模型進入線上運營階段后，每億活躍用戶將帶來13.5Eflops的算力需求，需要6.9萬臺NVIDIADGXA10080G服務器支撐。根據中國信通院數據，2021年全球計算設備算力總規模達到615EFlops，其中超算算力規模為14EFlops。換言之，在每個用戶每天收到1500字回答的情況下，以2021年全球超算算力的規模，僅能支撐Chatgpt最多擁有1億日均上線人數。那么假設未來最后全球有5-6家科技巨頭能夠在3年內各自擁有一款活躍人數2億的ChatGPT類應用，則會帶來至少162EFlops超算算力需求——是目前的10倍以上。

參考招商證券以商湯AIDC計算的市場估值：每新建1Eflops算力需要投資15億元，其中ICT硬件投資占比72%。活躍人數每增加1億人需要新增投資203億元，其中ICT硬件投資146億元。依舊是未來5-6家科技巨頭有這類產品，3年后ICT硬件投資將新增需求1,755億元。疊加未來AIGC技術向音頻、視頻等領域蔓延，算力硬件的市場需求會更大。

只不過，根據一份去年8月底9月初的“GPU產業專家交流要點紀要”顯示，雖然我國在該領域的市場前景很大，但是主要生產企業卻面臨“比較尷尬”的情況。其中最重要的一點是，僅僅是做GPU的公司數量不少，但是整體產品層次不高。看起來有這個市場需求，但是很多訂單國內廠商搶不下來。

如果要做高端的產品，去年美國在這塊也開始卡我們，直接加大了國內大廠想要在這個領域發力的門檻。比如重要的芯片IP（一般也被成為IP核，指的是芯片中具有獨立功能的電路模塊的成熟設計）供應商都是美國公司。

設計工具EDA方面，全球3大EDA占據了絕大多數的市場。30年前，我們曾嘗試過使用制度性優勢做EDA，但最后3巨頭把產品免費送給高校，導致國產EDA不僅失去了市場（銷售供養研發），更失去了建立生態的機會。到了今天，我們的數字電路設計EDA缺乏全流程工具。即使是去年炒作過的華大九天等公司有模擬電力設計EDA，但僅僅是有流程平臺，工藝支持等能力還亟待加強。

編輯：黃飛

?