英國《自然》雜志網站在近日的報道中指出，工程師正競相開發包括圖形處理單元(GPU)等在內的尖端芯片，以滿足未來AI的計算需求。

　　GPU加快機器學習運算速度

　　GPU是英偉達公司標志性的計算機芯片。傳統中央處理單元(CPU)按順序處理指令，而GPU可并行處理更多指令，因此可分布式訓練程序，從而大大加快機器學習的運算速度。

　　2022年，英偉達公司Hopper超級芯片在MLPerf上擊敗了包括圖像分類和語音識別在內所有類別的競爭對手。MLPerf是國際上最權威、最有影響力的AI基準測試之一，被譽為“AI界奧運會”。

　　今年3月，英偉達正式展示了性能更優異的新一代AI芯片Blackwell。它擁有2080億個晶體管，是英偉達首個采用多芯片封裝設計的GPU。隨著技術發展，GPU變得越來越大，如果不能更大，就把更多GPU組合在一起，變成更大的虛擬GPU。Blackwell就是在同一個芯片上集成了兩個GPU，新架構將通過芯片與芯片間的連接技術，一步步構建出更大型AI超算集群。

　　如果要訓練一個擁有1.8萬億個參數的GPT模型，需要8000塊Hopper芯片，耗能15兆瓦，歷時3個月。如果使用Blackwell芯片，只需2000塊，耗能4兆瓦，就能在同樣的時間內完成任務。

　　AI芯片市場持續增長，英偉達目前供應了其中80%以上的產品。2023年，該公司售出55萬塊Hopper芯片。近日，該公司市值首次突破3萬億美元，超越蘋果，僅次于微軟，成為全球市值第二高的公司。

　　多種芯片競相涌現

　　盡管GPU一直是AI革命的核心，但它們并非是唯一“主角”。隨著AI應用的激增，AI芯片的種類也在激增，現場可編程門陣列(FPGA)可謂“一枝獨秀”。

　　FPGA是一種在計算和數字電路領域廣泛應用的硬件設備。它以獨特的可編程性和靈活性，成為嵌入式系統、高性能計算處理等多種應用的理想選擇。

　　這就像搭建樂高積木，工程師可將FPGA電路一個接一個地構建到他們能想象的任何設計中，無論是洗衣機傳感器還是用于引導自動駕駛汽車的AI。不過，與擁有不可調節電路的AI芯片(如GPU)相比，FPGA運行速度相對更慢、效率更低。但FPGA對處理某些任務(如粒子對撞機產生的數據)很有用。英偉達加速計算集團產品營銷總監戴維·薩爾瓦托指出，FPGA的易編程性也對原型設計很有幫助。

　　張量處理單元(TPU)則是谷歌公司專為神經網絡機器學習而定制的芯片，旨在執行矩陣計算和張量操作。TPU作為谷歌深度學習框架TensorFlow的加速器于2016年首次推出，其設計目標是提供低功耗、高效能的矩陣運算，以滿足大規模機器學習和神經網絡訓練的需求。TPU在性能與能效之間取得了良好平衡。它們的功耗相對較低，這對于大規模數據中心和在移動設備上的應用至關重要。

　　此外，元宇宙平臺也在獨立開發自己的芯片。谷歌、英特爾和高通成立了UXL基金會，用以開發一套支持多種AI加速器芯片的軟件和工具，以此對抗英偉達的GPU。

　　當然，GPU等AI芯片的興起并不意味著傳統CPU的終結，兩者互相取長補短已成大勢所趨。例如，有一個版本的Blackwell芯片就讓GPU與CPU攜手;世界上最強大的超級計算機之一、位于美國田納西州橡樹嶺國家實驗室的“前沿”也依賴CPU和GPU的結合，來執行高性能計算。

　　考慮到過去十年芯片領域翻天覆地的變化，工程師們可能很難預測芯片的未來。將來可能會研制出使用光而非電子的光學芯片，或量子計算芯片，而進一步提升芯片性能，將加速AI在科學領域的應用。