英伟达赢下AI训练市场了吗？

　　人工智能（AI）芯片有两个功能，AI构建者首先获取大量数据集并运行复杂的软件来寻找该数据中的模式，这些模式被表示为模型，因此我们有芯片来训练系统生成模型。
　　然后，该模型用于根据新数据进行推理，并且该模型从该数据中推断出一些可能的结果。在这里，推理芯片针对已经训练过的模型运行新数据。
　　训练芯片旨在全速运行，有时一次运行数周，直到模型完成。因此，训练芯片往往很大，对算力要求较高。
　　推理芯片更加多样化，其中一些用于数据中心，另一些用于智能手机和摄像机等设备的边缘。这些芯片往往更加多样化，旨在优化不同方面，例如边缘的电源效率。当然，还有各种中间变体。关键是AI芯片之间存在很大差异。
　　对于芯片设计师来说，这些是非常不同的产品，但与所有半导体产品一样，最重要的是在它们上面运行的软件。从这个角度来看，情况要简单得多，但也复杂得令人眼花缭乱。
　　推理芯片通常只需要运行来自训练芯片的模型，训练芯片之所以复杂，是因为在训练芯片上运行的软件千差万别，这是至关重要的。现在有成百上千个框架用于训练模型，有一些非常好的开源库，但也有许多大型AI公司超大规模公司构建了自己的库。
　　由于训练软件框架的领域非常分散，实际上不可能构建针对它们优化的芯片。正如我们过去指出的那样，软件中的小改动可以有效抵消专用芯片提供的增益。此外，运行训练软件的人希望该软件针对其运行的芯片进行高度优化。运行这个软件的程序员可能不想弄乱每个芯片的复杂性，他们的工作已经够辛苦的了，他们不想只为一个芯片学习低级代码，以后又要为新芯片重新学习技巧和快捷方式。即使该新芯片提供20更好的性能，重新优化代码和学习新芯片的麻烦也会使该优势变得毫无意义。
　　这让我们想到了CUDA英伟达（Nvidia）的芯片编程框架，任何从事训练系统工作的软件工程师都可能对使用CUDA有所了解。CUDA并不完美，但它很好用，巨大的财富建立在这样的奇思妙想之上。由于用于训练的软件环境已经如此多样化且变化迅速，因此，训练芯片的默认解决方案是NvidiaGPU。
　　目前，所有人工智能芯片的市场规模为数十亿美元，预计在可预见的未来每年将增长30或40。麦肯锡的一项研究显示，到2025年，数据中心AI芯片市场将达到130亿150亿美元，相比之下，目前CPU市场总额约为750亿美元。
　　在价值150亿美元的人工智能市场中，大约三分之二是推理，三分之一是训练，这是一个相当大的市场，所有这一切的一个问题是训练芯片的价格达到1000美元甚至10000美元级别，而推理芯片的价格在100美元以上，这意味着训练芯片的总数只占总数的一小部分，大约1020。
　　从长远来看，这对市场如何形成很重要。Nvidia将获得大量训练利润，可以用来竞争推理市场，类似于英特尔曾经依靠PC用CPU来填充其晶圆厂和数据中心CPU以产生大部分利润。
　　需要明确的是，英伟达并不是这个市场上唯一的参与者，AMD也生产GPU，但从未开发出有效（或至少被广泛采用）的CUDA替代品。他们在AIGPU市场的份额相当小，我们认为这种情况不会很快改变。
　　有许多初创公司试图构建训练芯片，但大多因上述软件问题而陷入困境。值得一提的是，AWS还部署了自己的、内部设计的训练芯片，命名为Trainium。据我们所知，这取得了一定的成功，AWS除了自己的内部工作负载外，在这里没有任何明显的优势。然而，我们知道他们正在推进下一代Trainium，因此他们对目前的结果一定很满意。
　　其它一些超大规模企业也可能正在构建自己的训练芯片，尤其是谷歌，它即将推出专门针对训练进行调整的新TPU变体。这就是AI芯片市场状况，简而言之，我们认为训练计算市场上的大多数人都希望在NvidiaGPU上构建他们的模型。
　　声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。