AI时代打造“万亿俱乐部”新成员 —— 英伟达，能否笑到最后？

“通用芯片”之梦

AI时代诞生新的「摩尔定律」：AI所需算力每100天将翻一倍。算力就像曾经的石油，成为新时代进程最稀缺的资源。

英伟达已成为全球最大的新一代AI产品专用芯片制造商，因为ChatGPT的快速爆红让全球几乎每家公司都在把AI融入其运营。而英伟达之所以能独领风骚，一个关键原因在于其广受人工智能领域追捧的芯片产品 —— 即A100芯片及更高一代的H100芯片，目前这些高端芯片及相应的显卡已是一卡难求。

有业内人士称，确有英伟达急件订单大量涌入台积电，包括英伟达AI芯片H100、A100、H800、A800，将台积电5nm工艺平台的产能利用率推高至接近满负荷。台积电以「超级急件」生产英伟达，订单已至年底。

为何只有英伟达的芯片成为人工智能领域独一无二的玩家？向来在显卡称霸的公司为何能在深度学习和人工智能领域脱颖而出？

1999年，初露头角的英伟达首次推出了GPU这一概念。在此之前，包括英特尔在内的CPU厂商都认为将图形工作独立到另一附属处理器上的想法十分鸡肋，GPU并没有得到多少市场空间。

而微软开发出了Direct X这一标准化的API图形接口，大量的图形功能从CPU里面移植出来，转到GPU之上。此后，微软又引入统一渲染技术，即让GPU将图形绘制的顶点计算和之后的渲染两个步骤进行合并。

在微软统一渲染架构之后，英伟达果断的把自己从前的GPU架构推倒重来：其GPU流处理器被进行了细致的分组，变成一个个小型流处理器且能单独运行，解决了流处理器此前被绑定无法独立运行而被迫闲置的问题。

这奠定了英伟达后来革命性CUDA架构（Compute Unified Device Architecture，通用并行计算架构）的出世。由于英伟达的流处理器是很独立且标准的单元，极易控制和调度，这让原本只能串行处理的任务可以被并行处理，这让编程难度大大降低。

英伟达又在2017年引入了Tensor Core计算单元概念，其专门为深度学习而设计，支持更低精度的运算从而大幅节省了模型算力。这一专用的加速单元很大程度上排挤了CUDA处理深度学习的空间，但也同时打了英伟达竞争对手一个措手不及，让AI专用芯片也不再吸引人。

真正让英伟达脱颖而出的，还是其将GPU用在了通用计算上 —— 通过CUDA编程，能够让多个GPU并行运算，从而大幅提升计算性能。让GPU脱离了图像处理的单一用途，开始真正具备通用计算的能力，并逐步被用到了AI的深度学习之中。

事实上，当AI一瞬间爆发，行业内的企业无奈发现，GPU是简单高效运行生成式AI模型的最好选择。一个本用来玩游戏的GPU不太可能切换去跑AI程序，目前只有英伟达的GPU能够做到运行AI模型。

财报证实，GPU巨头英伟达已占据AI芯片供应商中的领先地位，在其财报电话会上称，众多云公司竞相部署AI芯片，令其业绩的“大幅增长”来自于数据中心业务，个人电脑GPU需求稳固。

除了强劲的财务表现外，英伟达还在不断拓展其在AI领域的影响力和合作关系，面对外界庞大的AI芯片需求，英伟达已经不满足于芯片设计者的角色，而是将触角伸向基础服务设施领域。

在GTC大会上，英伟达又推出了一项新的AI超级计算服务 —— DGX Cloud 云服务，可以让企业快速访问为生成式人工智能和其他开创性应用训练高级模型所需的基础设施和软件。简单理解，就是通过这个云平台，用户可以直接调用英伟达的超级计算机DGX的AI算力，而不是去“堆”A100、H100。

目前，英伟达与微软 Azure、谷歌 OCP、Oracle OCI等其他云厂商一起托管DGX Cloud基础设施。黄仁勋还表示，未来中国也可以采用这项服务，中国创业公司可以期待阿里、百度、腾讯提供的底层算力服务。

同时，英伟达还发布了“NVIDIA AI Foundations”，为需要定制大型语言模型和生成AI的客户提供帮助。这些客户可以通过英伟达的DGX Cloud AI超级计算机云服务直接训练和访问大型模型产品，无需自己配置超级计算机服务。

除了计算中心，英伟达也将触角伸到了芯片代工制造领域：与台积电、ASML和新思科技等芯片代工制造企业合作，推出一款新的计算光刻应用，可大幅降低芯片代工企业在光刻工艺上的芯片消耗时间和能力，为生产2nm芯片和未来更先进的芯片做好技术储备。

以台积电为例，使用500台装有H100芯片的DGX即可替代需要4万个用驱动计算光刻的CPU服务器，可以将工厂的性能从35兆瓦直接降至5兆瓦，预计台积电将于6月开始准备生产这种技术。

谁能打败英伟达？

AMD最新AI芯片Instinct MI3000预计将于今年推出；最近市场还传出微软与AMD合作开发新款AI芯片，加快推出相关产品，为自身及市场提供英伟达GPU之外的另一种底层硬件选择。

英特尔披露了旨在为AI技术提供动力的产品路线图细节，下一代GPU“Falcon Shores”芯片预计2025年推出；Meta公司也披露其正在构建首款专门用于运行AI模型的定制芯片MTIA（Meta Training and Inference Accelerator）芯片，使用名为RISC-V的开源芯片架构，预计于2025年问世。

但与英伟达相比，AMD和英特尔的竞争实力要弱得多。例如，英伟达的数据中心业务在第一季度增长了14%，AMD数据中心业务增长持平，英特尔的AI与数据中心业务却下降了39%。

据The Information报道，微软正在秘密研发自己的AI芯片，代号雅典娜（Athena）。据悉，这些芯片是为训练大语言模型等软件而设计，首个目标是为OpenAI提供算力引擎。微软希望这款芯片的性能比其斥资数亿美元从其他供应商侧购置的芯片性能更优，这样就可以为价值高昂的人工智能工作节省成本。至于推出时间，尚未有明确说法。

更别提AI芯片领域的竞争本就愈发激烈，不少初创公司正在专门为AI开发新型芯片，高通和苹果等专注于移动设备的公司也在不断推动这项技术，谷歌和亚马逊都在设计自己的人工智能芯片。

制造一个好的AI芯片，至少需要数年的时间，而英伟达目前已经取得了巨大的领先优势。但是值得注意的是，前文已经说了，AI所需算力每100天将翻一倍。如果不在当前的软硬件基础上做出更多创新，人类目前的算力发展不可能达到如此恐怖的需求增长。显然，英伟达虽然强大，但并没有能力覆盖整个市场。

据报道，微软等客户对英伟达A100/H100芯片订单需求追到了2024年，微软为了给必应聊天机器人与Office365留下足够资源，内部已陷入AI服务器短缺，甚至必须对GPU采取“配额供给”机制。

这很像2021-2022年席卷全球的缺芯潮：成千上万的AI初创公司、甚至是大型云服务商，将如当年因缺少关键芯片而停产的车企，或因缺少GPU面临相似困境。

此外，英伟达还要应对全球芯片供应短缺、地缘政治风险、监管审查等问题。例如，英伟达去年宣布以400亿美元收购ARM，但该交易遭到了多国反垄断机构和ARM客户的质疑和反对。

在资源紧缺的极度焦虑之下，必将开始寻求其他品牌的替代品。叠加全球供应链安全的考量，AI芯片市场从过去的英伟达一家独大，或慢慢转变为群雄割据。

总体看来，在这场竞赛中亚马逊似乎占据了先机，已拥有两款AI专用芯片 —— 训练芯片Trainium和推理芯片Inferentia；谷歌则拥有第四代TPU（张量处理单元）。相比之下，微软等还在很大程度上依赖于英伟达、AMD和英特尔等芯片制造商的现成或定制硬件。

结语

从长远来看，未来大模型的研发和部署是必然趋势，每个大模型训练和部署的背后，都需要成千上万个GPU芯片支持。随着谷歌、微软、亚马逊等科技巨头开始设计自己的定制芯片，竞争也在加剧，并有望像GPU打败CPU一样，改写黄仁勋在AI芯片领域的绝对主导地位。

算力是运行模型的基础，场景是运用模型的环境。To C的大模型是大厂的主战场，但它们在To B上却无法做到赢家通吃。要将“ChatGPT”送入千行百业，在通用大模型之外，低算力消耗的专用“小”模型也将诞生更多机会。

目前，AI场景并未固定，而是不断扩展和演进。未来，随着新的应用场景涌现，也许会催生新的细分需求，从而影响芯片产品的形态。因此，对于国内创业公司而言，通过触达更多的实际使用场景来夯实自己在芯片领域的算力优势，打造其他竞争对手难以逾越的技术障碍，将是新的成长机会。