撰文 | 古 芯
编辑 | 杨博丞
(资料图片仅供参考)
题图 | IC Photo
ChatGPT的诞生是AI行业发展的一个里程碑，让通用人工智能距离全面商用更进一步。ChatGPT虽然属于生成式人工智能技术（AIGC）的一种，却可以训练其他AIGC产品，比如充当AI画图模型Midjourney 的提示词分析师。
由于ChatGPT的能力过于突出，其母公司2022年11月发布ChatGPT3.5版本后，迅速吸引大量用户，同时也招来非议，最引人关注的莫过于全球首富马斯克，联合千人请愿全球停止研发类ChatGPT产品。
之所以说马斯克的呼吁吸引眼球，不是因为他反对研发类ChatGPT产品，也不是因为他全球首富的身份，而是因为他呼吁停止研发类ChatGPT产品之前，刚表态要自建团队，自备资金研发类ChatGPT产品；其次才是作为世界首富雄厚的财力，稍微出手，便囤了10000块GPU芯片。
马斯克对ChatGPT的表态看似矛盾，但是考虑到马斯克2015年还是ChatGPT母公司OpenAI的联合创始人，2018年就被现任CEO“奥特曼”挤走，这种类似吃不到葡萄说葡萄酸的心里也就容易理解了。更何况马斯克一直站在新兴技术风口上，怎么可能容忍当今最新潮的技术和自己没关系？
只不过不止一次表态要切入人工智能（AI）赛道的马斯克，为何成立AI部门之前先抢了一万块GPU（图形处理器）芯片？抢购的又是什么型号的芯片？马斯克买了这一万块芯片，会不会影响行业供需关系，国内AI企业会不会受到影响，最重要地的是，国内有没有能做GPU的企业，做到什么地步了？
01.GPU如何搅动人工智能行业
马斯克购买一万块GPU芯片，主要是因为GPU的性能决定了行业天花板，相比于通用的CPU（中央处理器），GPU在人工智能行业被细分到“AI芯片”领域，也就是针对AI算法做了特殊加速设计的芯片。
狭义的人工智能芯片，指的就是专门优化过的显卡。在人工智能刚驶入快车道的2012年，前谷歌计算机科学家Alex Krizhevsky，使用深度学习+GPU的方案在Image Net LSVRC-2010图像识别大赛中，将识别成功率从74%提升至85%，在行业内引起广泛关注。
GPU行业龙头英伟达（NVIDIA）受此启发，投入大量人力物力又优化自家GPU的CUDA深度学习生态系统，有消息称短短3年内，公司GPU产品性能提升了65倍，甚至还推出了基于自家GPU，覆盖后端训练至前端应用的全套方案。
众所周知，GPU通常被用于图像处理任务，因为图像是由多个像素组成，GPU想要高效完成图像处理任务，就需要大量可以完成独立运算的单元，厂商也会极尽可能，在芯片内放入更多独立计算核心，2018年发布的英伟达GTX2080TI有4352个CUDA核心，到2022年发布的4090显卡CUDA核心增至16384个。本就具备同时大量独立计算的能力，所以只需要CPU给出正确的指令，GPU自然可以迅速完成深度学习型AI产品所需要的超规模计算。
我们今天熟悉的ChatGPT已经迭代至第四代。以第一代ChatGPT为例，2018年6月发布的GPT-1只在8个GPU上训练了一个月，当年运行TensorFlow单GPU深度学习研究，表现最佳的GPU是GTX2080TI，参数量约为1.17亿，预测训练数据量仅有5GB；2019年2月发布的GPT-2预训练数据量增至40GB，参数量达到了15亿，此时需要256个Google Cloud TPU v3上训练一周。
到2020年5月发布的GPT-3，预训练数据量猛增至45TB，参数量达到1750亿，需要在355个GPU上训练一年，且训练总成本达到1200万美元。GPT-3.5也就是我们现在熟悉的ChatGPT，和最新发布的ChatGPT4.0尚未公布相关数据，可以肯定的是，这两代ChatGPT均使用GPU训练。据华西证券数据，ChatGPT母公司OpenAI已使用了约2.5万个英伟达的GPU。
虽然微软已经将OpenAI收入麾下，并提供代号为“雅典娜”的人工智能芯片，但由于英伟达芯片在人工智能行业深耕多年，新玩家短期内很难对其形成威胁，未来需求仍将继续上升。
更为人熟知的CPU，与GPU相比具有明显短板。因为CPU需要较高的通用性，较为高端的产品还需要在核心内构建3级缓存，所以单个核心会尽可能做的大而全，这就造成CPU可用于单独计算的核心明显少于GPU，无法专精处理某一项任务，导致CPU在行计算、浮点计算以及矩阵运算方面存在明显的先天不足，这三个能力恰恰是完成ChatGPT这种深度学习型AI产品迫切需要的。
英伟达为了进一步提升旗下产品对AI深度学习的适应性，特意推出用于超级计算机的深度学习的Tesla显卡，最新型号为A100，2022年由于不可抗力，已经被禁止向中国出口，转而推出减配版A800。
和消费级显卡相比，Tesla显卡在完成图像处理、语音识别、机器学习、物体检测等任务时更快，根据相关测试，同样是2020年推向市场的A100和3090，消费级显卡3090 的tensor core只有A100的四分之一。在深度学习领域，无论是常见的CNN还是ChatGPT使用的Transformer，大多数浮点计算量，都集中于依托tensor core计算的矩阵乘法上面，所以使用A100可以更快完成深度学习产品的开发。
基于上述分析，不难发现海外对中国禁运A100的意图，就是想要极大可能限制中国人工智能行业发展。
02.国产芯片露出微光
短期来看，中国人工智能行业可以选择除A100外的次等GPU，但是长期来看，必须要突破封锁，实现人工智能芯片国产化。
聚焦人工智能芯片领域，除GPU外，可用于AI算法的芯片还包括CPU、FPGA、MLU、TPU，以及最新研究方向类脑芯片，后者由于概念较为先进，预计最快将于2023年成熟，尚不足以撼动AI芯片竞争格局。同时出于现实考虑，国内厂商在GPU芯片上和英伟达或AMD、Intel正面硬钢，毫无胜算。
CPU方面虽然有近期龙芯有所突破，但是如前所述，CPU并行算力不足，不适合应用于AI深度学习；FPGA虽然已经用于AI算法训练，但是市场规模较小；最有可能替代GPU的就是MLU、TPU通用AI芯片。
但根据ChatGPT发展历程，Openai在开发GPT-2时，曾经使用过谷歌TPU芯片，这是一种以ASIC作为底芯片的计算单元，专注于神经网络所需的矩阵运算的专用芯片，最先应用于AlphaGo中。
但是鉴于使用ASIC技术的芯片需要定制化，用户使用成本较GPU更高且更繁琐，OpenAI开发GPT-3时重新选择GPU，同时考虑到GPT-3模型参数量陡增，英伟达CUDA架构较其他产品具有明显优势，间接体现了英伟达GPU在人工智能芯片领域绝对龙头的位置，但这不代表其他产品就没有开发和应用价值。
首先是以谷歌TPU、寒武纪MLU为代表的通用AI芯片，凭借针对特定算法深度优化和加速，可以在确定性执行模型的应用需求中发挥作用；FPGA芯片依靠灵活多变的通用性，再加上可编程性，适用于开发周期较短的AI产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。
梳理国产芯片企业的格局，除寒武纪外，华为、国芯科技也布局了通用AI芯片（TPU\MLU）；安路科技、紫光国微、复旦微电等企业布局FPGA芯片，试图在这两个领域突破海外对我国GPU芯片的封锁。
目前寒武纪虽然尚未实现盈利，芯片市占率也不高，但芯片产品覆盖了云端智能芯片及加速卡、训练整机、边缘智能芯片及加速卡、终端智能处理器IP以及上述产品的配套软件开发平台。
另一个已经被应用于人工智能的算法训练的FPGA芯片领域，中国市场占有率最高的国产厂商是安路科技，目前公司在中低端产品线全面对标海外龙头企业，考虑到建立FPGA芯片软硬件生态体系行业壁垒较高，且用户更换产品验证周期长，安路科技未来有望依托现有市场扩大优势。
目前安路科技的产品广泛应于用网络通信、消费电子、工业控制和数据中心等领域均能保持稳健的成长，正在拓展无人机、自动驾驶、智慧城市等涉及人工智能的应用领域。
不过目前最值得关注的国产AI芯片企业应该是千芯科技，公司生产的存算一体AI芯片，通过自研存算一体技术，可提供能效比超过10-100TOPS/W，在特定领域可以提供更大算力（1000TOPS以上），优于其他类型AI芯片10-40倍的算力支持，应用场景包括自然语言处理，一旦量产，可用于类ChatGPT产品的研发。其他可以用于深度学习领域的国产芯片还包括北京君正的AI协处理器T02，燧原科技的邃思AI训练和推理芯片等。
现阶段，寒武纪、安路科技、千芯科技等国产AI芯片企业的产品，虽然尚不具备替代英伟达的能力，但是也给中国人工智能行业带来一丝微光。回顾芯片行业的发展，无论是芯片设备还是芯片产品，只要中国企业突破封锁，就能迅速改变行业格局，这其中就包括一种最常见的AI芯片。
03.AI芯片领域唯一的突破
这种最常见的AI芯片就是存储芯片，日前国产存储芯片生产商长江存储凭一己之力，让海外大厂三星等企业的固态存储产品主动降价超50%。长江存储芯片对三星带来的危机感，是典型的弯道超车，也是国产芯片产业链寻求的最佳发力点。
过去很长一段时间，存储芯片占全球芯片市场规模的27%，但是竞争格局较为固化，尤其是中国市场，2018年中国进口的3120亿美元的芯片中，存储芯片进口额高达1150亿美元，占比超36%。
到2020年，中国存储芯片规模增至全球存储芯片的31%，但是自给率不足1%，竞争格局高度固化，韩国三星近乎垄断高端存储市场。
同时考虑到中国AI行业发展过于迅猛，有数据显示，预计到2025年，中国人工智能核心市场规模有望达到4000亿元，鉴于当前国内芯片行业发展现状，CPU\GPU等产品研发周期太长，想要短期获得国内市场的话语权难度极高，所以在国家大基金的领导下，长江存储加快3D NAND存储芯片研发进度，2019年推出64层3D NAND后，于2022年顺利推出192层3D NAND芯片。
反观垄断中国存储市场的三星，自从2013年推出24层3D NAND闪存芯片后，直到2019年才推出96层V-NAND，虽然研发进度慢有更换技术路线的原因，但是同期另一家老牌存储长海力士已经推出128层4D NAND产品，三星此时已经明显落后于同业企业，但仍领先长江存储。
现如今，长江存储不仅从技术层面实现赶超，还凭借中国特有的“量大管饱”生产模式，将产品售价一降再降，迫使三星在中国市场全面接受价格战，实现全系产品降价。
虽然目前有观点认为，三星存储产品降价，以及一季度出现3.3万亿韩元的营业亏损，主要是因为过去几年芯片行业产能过剩，不得已降价去库存并首次减产，这种观点不能说错，但确实很片面。
从市场角度出发，目前在某电商平台上，采用长江存储自研3D NAND闪存芯片的存储产品，2TB规格产品单价最低到了479元，600元以下的选择非常多，而三星虽然大幅降价，但客单价依旧比致钛高100元，比售价最低的近乎翻倍，如果三星不降价，继续采取之前2TB规格产品动辄超2000元的单价，等于直接宣告退出中国消费级存储市场的竞争。
中国存储市场这块大蛋糕，三星可不会轻易放弃。上文提及，到2025年，中国人工智能核心市场规模将达到4000亿元，按照存储芯片27%的占比计算，AI芯片领域存储芯片市场规模或将达到1080亿元。考虑到当前存储产品售价大幅降价，保守估计未来市场规模也有望超过500亿。
而且在大数据时代，数据的产生和运算速度都在急速上升（参考GPT-3预训练数据量），所有云服务供应商不仅需要更强的算力，还需要容量更大、读取速度更快的存储设备，所以即使未来存储芯片还有降价的可能，更低的产品价格反而会催生行业内固态存储对机械存储设备的替代。
这种行业趋势其实从2019年就已经开始显露端倪。据民生证券数据，2019年企业级SSD平均容量达到2.3TB，2020年将增长至2.7TB，设备出货量年均复合增速达到15.8%。三星即使降产断臂，也会极力平衡存储产品的供给关系，继续抢夺中国市场，只可惜三星再也没机会躺平挣钱了。
因为长江存储的芯片制程普遍处于22nm，海外制裁不涉及该部分，且国产设备目前已经逐步覆盖该领域的芯片制造。再想通过制裁简单粗暴的限制中国芯片行业发展，只停留在理论层面，而一旦中国企业突破海外封锁，将立刻改变行业竞争格局，帮它们真正参与理解，什么才是“市场竞争”。
