AI与芯片正面临巨大分歧
AI领域的进步速度非常惊人，催生无数场景到来的同时，其对于海量数据处理及实时信息交互体验的提升，也让算力需求迎来了大爆发。在此热潮之下，AI芯片制造商也成为了当下最大的受益者之一。
然而，随着摩尔定律的终结，以及针对特定领域定制的更多功能，芯片行业正朝着专用计算的方向发展，而AI则似乎在朝相反的方向前进，这种分歧可能会迫使未来芯片和系统架构发生重大变化。
01
周期差异带来矛盾
随着平面缩放技术接近极限，以及越来越多的功能被专门针对特定应用领域优化，半导体行业正在探索新的平衡点。一方面，高度定制化的多芯片或多芯片封装可以带来显著的性能和能效提升；另一方面，通用型组件仍然具有成本优势和灵活性。
目前大约有30%到35%的芯片设计工具销售给了大型系统公司，用于设计那些不会公开销售的专用芯片。
Ansys半导体部门产品营销总监Marc Swinnen表示：“在定制芯片上运行软件可以带来很多好处，因为它比竞争对手更具优势。您的软件运行速度更快，功耗更低，并且专为运行您想要运行的内容而设计，拥有现成硬件的竞争对手很难与您竞争。”
这些内部使用的芯片往往能够通过提高性能效率来抵消设计和制造成本。然而，这种权衡在某些情况下变得更加不确定。
自ChatGPT问世以来的18个月里，涌现出大量软件初创公司探索新的架构和技术，并且这种趋势很可能会继续下去，然而定制化芯片的生产周期往往超过18个月。这意味着，当定制化芯片进入大规模生产阶段时，AI算法可能已经发生了根本性的变化，使得原本高度优化的硬件变得过时。
但这并不意味着专用芯片的终结。
02
既是技术问题
也是商业问题
曾经有许多定制芯片公司在短时间内取得了成功，但随后失败了。尽管无论是在架构还是解决新的市场需求上，他们已经取得了一定进步，但随后通用芯片迎头赶上。因为通用芯片通常会获得更多投资、更广泛的应用市场、更多的研发人员，他们不可避免地超越定制芯片，历史的钟摆也随之摆向通用芯片。
然而，摩尔定律的放缓改变了两者之间的工艺节点和差距。如果不能跟上最新节点的采用，通用处理器就很难往前发展，这会为专用芯片带来更多的机会。西门子的Klein说：“当您向通用处理器添加加速器开始走不通时，因为想要更快或更高效，您开始实行定制化模块。系统越不通用，它就越具体，通常我们要从中获取的性能越高，效率就越高。而且，在性能和效率方面，它几乎总是甚至是一定能够击败通用加速器”
同时，随着AI工作负载的激增，即使是传统的计算资源也开始面临压力，必须适应不断变化的技术环境。
“在生成式AI领域取得的进步极其迅速，”Expedera的首席科学家Chole说，“然而目前没有任何可用的东西能够在成本和功耗方面跟上硬件的要求。即使是GPU也没有足够的出货量（虽然有订单，但是出货量不足）。没有足够的计算能力来实际支持生成式AI的工作负载。”
并且，据TechInsights调研预测，未来五年AI芯片将消耗全球超1.5%电力，产生超10亿吨碳排放。
数据中心综合考虑投资回报和部署成本、电力成本、热成本、冷却成本等方面，正在部署越来越多的异构处理，每种架构都针对不同的任务进行了优化，相较于单一的通用CPU，这些架构能够提供更好的性能。
尽管大多数关注点集中在大型数据中心（新模型被训练的地方），但最终的收益将来自使用这些模型进行推理的设备（边缘AI），而这些设备无法承受用于训练的巨大功耗。“用于训练AI的硬件相对标准，”Ansys的产品营销总监Marc Swinnen说，“购买NVIDIA的芯片就可以训练AI。但一旦模型构建完成，如何在终端应用中执行这个模型，这通常是需要为该AI算法定制的专用芯片。要想获得高速度、低功耗的AI模型实现方式，唯一的途径就是为此构建一个定制芯片。AI端侧落地将成为驱动每个模型执行过程中定制硬件的重要因素。”
03
总结
目前最优秀的架构是否足以支撑未来的需求？AI的快速发展意味着没有人能给出确切的答案。考虑到AI可能会消耗全球能源的很大一部分，未来硬件设计必须兼顾性能和能耗。GPU及其上的软件抽象层已经为AI的快速发展提供了足够的框架，但这并不意味着它是效率最高的平台。随着更多专用硬件的出现，AI模型的开发方向很可能会受到硬件资源的影响。
综上，AI与芯片行业的分歧不仅体现在开发速度上，还体现在硬件的定制化程度和通用性之间。面对这一挑战，芯片行业正在探索新的解决方案，如Chiplet技术和更灵活的架构设计，以期找到平衡点，满足AI不断变化的需求。未来几年将是AI与硬件领域共同进步的关键时期，而如何在这两者之间找到最佳结合点将成为决定性因素。
