人工智能算力为什么需要GPU？

随着人工自能，特别是GPT的出现，引起了各种自动化的模型，处理这些信息就需要算力。借着ChatGPT的热度，AI最重要的硬件支持之一，算力硬件也在不自觉中再度上了科技类热搜。

GPU，英文全称是Graphics Processing Unit，即图形处理器，也就是我们所说的显卡。真正用来作为人工智能算力支持的GPU，不是普通的显卡，而是GPGPU。

GPU前面加一个“GP”，就变为General-Purpose Computing on Graphics Processing Units，即通用计算图形处理器。我们去术语化，可以直接说这是一种用于处理非特定需求（通用类型）计算目的的算力单元（芯片）。通常，它们也被简称为通用GPU。

如果朋友们还有记忆的话，肯定记得国内电子货币“挖矿”一度盛行时，带起了显卡的市场价格。这些显卡中有不少，就是目前主流被用于提升算力的通用GPU。

对比GPU和CPU：虽然两者本质都是算力芯片（最早的GPU，也就是显卡概念，也是由通用CPU演化而出），但最后在构架上的区别，导致了GPU在面对AI大数据流算力时，能够做的更好。

简单来说，CPU更擅长复杂逻辑的运算，而GPU构架相对简单，但运算核心多，适用于大量逻辑简单但高并发量的高密度计算。（CPU最多也就十几个核心，GPU动辄几百上千个核心）成本方面，虽然FPGA和ASIC芯片也被用于AI领域，但由于它们是针对其中某些需求的半定制和全定制芯片（主要是模拟人脑神经元结构），在通用领域的性价比完全无法和较为成熟的GPU相比。

详细一点可以这样认为，并行计算一般有2种类型：基于任务的并行处理和基于数据的并行处理。前者主要指的是把算力任务拆分成若干个小的但不同的任务，然后再根据算力芯片内的不同核心做不同的计算分，从而形成一条算力流水线。后者主要指的是将数据分解为多个部分，让多个运算单元分别去计算这些小块的数据，形成一个计算网格，最后再把这些网格完成的任务汇总起来。

我们常说的CPU多线程编程偏向于前者，GPU的并行编程模式则偏向于后者。后者对庞大但逻辑简单的算力需求，有明显更强更高效的支持能力。

或者我们也可以这么认为：AI领域的大数据流运算本来就是一个模糊概率问题，并没有多少很精准的计算需求，也就不要那么多的算力“牛人”（CPU），需要的是很多能够干一般活的“工人”（通用GPU）。

从发展的时间线来看，通用GPU是一个近年来才产生，并在短期内高热度计算机芯片概念。它的出现，是一个与人工智能相互成就的过程。

最早提出GPU概念的是英伟达（NVIDIA）。早期英伟达提出GPU概念，是为了把电脑显示芯片独立出来，减少影像处理输出过程对CPU的依赖，且可以部分分担CPU的工作。

2012年发生的一件事，让人工智能领域研究者认识到了，GPU在算力支持领域的发掘潜力。

2012年，前谷歌计算机科学家Alex Krizhevsky利用深度学习+GPU的方案，赢得Image Net LSVRC-2010图像识别大赛，并奇迹般地将识别成功率从74%提升到85%。事件发生后，NVIDIA洞察到了这一趋势，耗费巨资对自家的传统GPU做改造。

3年后，NVIDIA提出了基于自家GPU的CUDA深度学习生态系统的算力GPU，将GPU的性能直接提升了65倍。

此外，为了建立自己的通用GPU生态，NVIDIA还开放了基于自己GPU的从后端模型训练到前端推理应用的全套深度学习解决方案，让全球范围的内一般开发人员都可以非常容易地使用GPU进行深度学习开发或高性能运算，最后奠定了自己在GPU算力领域的老大地位。

作为目前AI服务器最主流的算力选择，2021年通用GPU服务器销售额占据我国AI加速服务器市场的88.4%，其中80%以上的国内市场被NVIDIA占据。

回到我们开头说的。ChatGPT的正式推出，一方面可以说是“启动了人工智能革命”，另一方面也可以说是“拉开了新一轮的硬件竞赛”。截止最新的市场报，ChatGPT在微软Azure AI云服务器上完成训练，总算力消耗为3640PF-days，已经导入超1万颗英伟达高端GPU。Citi Bank（花旗）等预测ChatGPT能促使NVIDIA 12个月营收增加30亿美金。

另据相关市场机构测算，ChatGPT模型进入线上运营阶段后，每亿活跃用户将带来13.5Eflops的算力需求，需要6.9万台NVIDIADGXA10080G服务器支撑。根据中国信通院数据，2021年全球计算设备算力总规模达到615EFlops，其中超算算力规模为14EFlops。换言之，在每个用户每天收到1500字回答的情况下，以2021年全球超算算力的规模，仅能支撑Chatgpt最多拥有1亿日均上线人数。那么假设未来最后全球有5-6家科技巨头能够在3年内各自拥有一款活跃人数2亿的ChatGPT类应用，则会带来至少162EFlops超算算力需求——是目前的10倍以上。

参考招商证券以商汤AIDC计算的市场估值：每新建1Eflops算力需要投资15亿元，其中ICT硬件投资占比72%。活跃人数每增加1亿人需要新增投资203亿元，其中ICT硬件投资146亿元。依旧是未来5-6家科技巨头有这类产品，3年后ICT硬件投资将新增需求1,755亿元。叠加未来AIGC技术向音频、视频等领域蔓延，算力硬件的市场需求会更大。

只不过，根据一份去年8月底9月初的“GPU产业专家交流要点纪要”显示，虽然我国在该领域的市场前景很大，但是主要生产企业却面临“比较尴尬”的情况。其中最重要的一点是，仅仅是做GPU的公司数量不少，但是整体产品层次不高。看起来有这个市场需求，但是很多订单国内厂商抢不下来。

如果要做高端的产品，去年美国在这块也开始卡我们，直接加大了国内大厂想要在这个领域发力的门槛。比如重要的芯片IP（一般也被成为IP核，指的是芯片中具有独立功能的电路模块的成熟设计）供应商都是美国公司。

设计工具EDA方面，全球3大EDA占据了绝大多数的市场。30年前，我们曾尝试过使用制度性优势做EDA，但最后3巨头把产品免费送给高校，导致国产EDA不仅失去了市场（销售供养研发），更失去了建立生态的机会。到了今天，我们的数字电路设计EDA缺乏全流程工具。即使是去年炒作过的华大九天等公司有模拟电力设计EDA，但仅仅是有流程平台，工艺支持等能力还亟待加强。