科技云報道原創。

英偉達是當之無愧的“AI算力王者”，A100、H100系列芯片占據金字塔頂尖位置，是ChatGPT這樣的大型語言模型背后的動力來源。

但面對英偉達的獨霸天下，科技巨頭們都紛紛下場自研AI芯片。

10月6日，媒體援引知情人士消息稱，微軟計劃在下個月的年度開發者大會上推出首款為人工智能設計的芯片，來降低成本并減少對英偉達的依賴。

同一天，據媒體消息顯示，ChatGPT開發商OpenAI也正在探索AI芯片的可能性，并已評估潛在的收購目標，以加速自研芯片的研發。

事實上，不僅是微軟、OpenAI試圖自研AI芯片，AWS、谷歌、Meta等科技巨頭都已下場自研。

在醞釀數年后，這是否意味著英偉達的獨霸時代即將結束？

巨頭紛紛自研AI芯片

目前，包括谷歌、AWS、阿里巴巴、百度、華為等國內外云服務大廠都已有自研 AI 芯片用于數據中心，微軟和Meta也有相關計劃。所以對于頭部的AI技術大廠來說，自研AI芯片已經是一大趨勢。

微軟早就自研芯片

作為全球頭部云廠商，微軟Azure需要大量AI處理器。尤其是和OpenAI合作以后，有消息稱微軟至少訂購了數十萬顆英偉達芯片。

因此，這幾年微軟在芯片研發上加快了進程，先是建立由前英特爾高管Rani Borkar領導的芯片部門；后又各處招兵買馬，其中就包括前蘋果芯片架構師Filippo；此外還和AMD展開了密切合作。

自2019年以來，微軟就開始研發一款名為"雅典娜"（Athena）的定制AI芯片，用于為大型語言模型提供動力，目前已在測試階段。

Athena的首個目標是為OpenAI提供算力引擎，以替代昂貴的英偉達A100/H100。如果明年大規模推出，Athena將允許微軟內部和OpenAI的團隊同時訓練和推理模型。

SemiAnalysis的分析師迪倫·帕特爾（Dylan Patel）表示，開發類似于雅典娜的芯片可能每年需要花費1億美元左右，ChatGPT每天的運營成本約70萬美元，大部分成本來源于昂貴的服務器，如果雅典娜芯片與英偉達的產品擁有同等競爭力，每個芯片的成本將可以降低三分之一。

有知情人爆料，微軟在芯片研發上已砸入了近20億美元。

OpenAI計劃收購

據媒體消息稱，OpenAI也正在探索制造自研人工智能芯片，并已開始評估潛在的收購目標。

報道稱，至少從去年開始，OpenAI就已討論各種方案，以解決AI芯片短缺問題。

OpenAI已將獲取更多AI芯片列為公司首要任務，討論方案包括自研AI芯片，與包括英偉達在內的其他芯片制造商更密切地合作，以及在英偉達之外實現供應商多元化。

谷歌最早自研TPU芯片

早在2013年，谷歌就已秘密研發一款專注于AI機器學習算法的芯片，并將其用在內部的云計算數據中心中，以取代英偉達的GPU。

2016年5月，這款自研芯片公諸于世，即TPU。TPU可以為深度學習模型執行大規模矩陣運算，例如用于自然語言處理、計算機視覺和推薦系統的模型，其最初專為谷歌的超級業務云計算數據中心而生。

2020年，谷歌實際上已在其數據中心部署了人工智能芯片TPU v4。

AWS推出訓練和推理芯片

從2013年推出首顆Nitro1芯片至今，AWS是最先涉足自研芯片的云廠商，已擁有網絡芯片、服務器芯片、人工智能機器學習自研芯片3條產品線。

2018年初，科技媒體Information爆料亞馬遜已經開始設計定制AI芯片。

AWS自研AI芯片版圖包括推理芯片Inferentia和訓練芯片Trainium。2018年底，AWS推出自研AI推理芯片Inferentia，可以以低成本在云端運行圖像識別、語音識別、自然語言處理、個性化和欺詐檢測等大規模機器學習推理應用程序。

2020年底，AWS推出專用于訓練機器學習模型的Trainium。

2023年初，專為人工智能打造的Inferentia 2發布。Inf2實例最多可支持1750億個參數，這使其成為大規模模型推理的有力競爭者。

在AWS、微軟和谷歌這三家中，亞馬遜是唯一一家在服務器中提供兩種類型芯片（標準計算芯片和用于訓練與運行機器學習模型的專用芯片）的云提供商，其在2015年收購以色列芯片設計公司Annapurna Labs為這些努力奠定了基礎。

Meta基于RISC-V開源架構自研

直到2022年，Meta Platforms還主要使用CPU和專為加速AI算法而設計的定制芯片組合來運行其AI工作負載。

后來，Meta取消了于2022年大規模推出定制芯片的計劃，轉而訂購了價值數十億美元的英偉達GPU。

如今為了扭轉局面，Meta已經在開發內部芯片，并于5月19日公布了AI訓練與推理芯片項目。

據介紹，MTIA芯片的功耗僅為25瓦，占英偉達等市場領先供應商芯片功耗的一小部分，并使用了RISC-V（第五代精簡指令處理器）開源架構。

值得注意的是，Meta于5月初收購了英國AI芯片獨角獸Graphcore的AI網絡技術團隊，為其自研AI芯片奠定了基礎。

英偉達能否被撼動？

埃森哲公司報告指出，如今技術行業的AI滲透度明顯高出其他行業，而未來企業的成長潛力取決于其能在多大程度上應用生成式AI。更關鍵的是，熟練運用新技術也將成為國家發展的關鍵。

如今，AI技術在數據中心、智能汽車、游戲等的應用落地方面取得了豐碩的成果，要實現AI大規模應用，背后必定要有大量AI芯片的算力支持。

數據顯示，英偉達的GPU是全球應用最為廣泛的 AI 芯片。

英偉達獨立GPU市場份額達80%，在高端GPU市場份額高達90%。2020年，全世界跑AI的云計算與數據中心，80.6%都由英偉達GPU驅動。2021年，英偉達表示，全球前500個超算中，大約七成是由英偉達芯片驅動的。

顯而易見，英偉達已經壟斷了全球算力。

隨著AWS、谷歌、微軟等巨頭加入自研AI芯片的道路，英偉達的壟斷地位是否能被撼動呢？

首先，芯片設計技術非常復雜。

高算力芯片的首要挑戰就是其復雜度，從芯片設計角度，高性能計算芯片中的計算單元、存儲訪問以及芯片間的互聯都是需要仔細考慮。

英偉達之所以引領GPU創新，源于其架構底座不斷迭代，從2008年的Tesla架構到2020年的Ampere架構，每一次都是對硬件的升級與改進。代際之間產品性能提升顯著，性能和市場份額均領先全球。

其次，不可一世的CUDA生態。

比造芯更難的是搭建生態，全球GPU生態都來自CUDA。

CUDA，是英偉達2006年推出的通用并行計算架構生態，使GPU能夠解決復雜的計算問題。

毋庸置疑，CUDA是迄今為止最發達、最廣泛的生態系統，也是深度學習庫最有力的支持。

雖然有PyTorch支持更多GPU廠商，再加上OpenAI的Triton攪局，但無法撼動CUDA的統治地位。

隨著人工智能領域的蓬勃發展，GPU和CUDA被從業者視為標配，使用GPU做加速計算已成為行業主流。雖然英偉達GPU本身硬件平臺的算力卓越，但其強大的CUDA軟件生態才是推升GPU計算生態普及的關鍵力量。

當前CUDA 廣泛功能已與英偉達GPU硬件深度耦合，開發者早已熟悉其專有的編程語言CUDA，用于制作GPU驅動的應用程序。

如果換到其他廠商的定制芯片，就需要學習全新的軟件語言了，如何說服開發者使用這些AI芯片呢？

最后，芯片的具體生產也是一個挑戰。

如何確保芯片生產的良率，以及如何在高級封裝和先進工藝節點產能仍然有可能緊張的幾年內，獲得足夠的產能以量產，也是各大巨頭需要解決的問題。

總體而言，想要撼動英偉達的壟斷地位，并不是一朝一夕的事。各大科技巨頭要想在AI算力芯片上突圍，就必須在底座、專利、核心技術、人才建設、生態建設等各方面下大功夫。

【關于科技云報道】

專注于原創的企業級內容行家——科技云報道。成立于2015年，是前沿企業級IT領域Top10媒體。獲工信部權威認可，可信云、全球云計算大會官方指定傳播媒體之一。深入原創報道云計算、大數據、人工智能、區塊鏈等領域。

審核編輯 黃宇