|
随着AI计算逐渐蚕食通用计算的份额，数据中心的硬件市场已经开始出现了微妙的变化。最抢手的目前已经成了GPU，反观CPU、ASIC和FPGA等硬件，开始成为陪衬。但高昂的售价以及强绑定的供应关系，还是让不少企业开始探索别的出路。
仍在被疯抢的GPU
在今年第一季度AI热潮高涨下，全球已经开启了一波GPU抢购。无论是借助GPU开发各自大模型应用的互联网厂商，还是想借此发展其AI服务器业务的云服务厂商，都在抢购英伟达目前主推的A100和H100两大GPU。
就连台积电哪怕第一季度业绩下滑明显，其CEO魏哲家在法说会上也表示在AI相关的需求上观察到了增量上行，将帮助其在今年实现可观的库存消化。
在美国商务部半导体出口新规刚推出不久，A100在非正常渠道的单价就飙升至20000美元，是原价的两倍左右。为此英伟达仅仅面向中国市场推出了A800和H800，只不过将高速互联总线NVLink限制在了400GB/s，但好歹仍足以满足大部分AI计算的需求。
可好景不长，随着紧缺和抢购的趋势很快蔓延到了A800和H800上，据了解，国内市场的A800单价一周上涨了30%，从原来9万元上升至13万元，甚至连带使得搭载该卡的服务器现货同样涨价，颇有当年矿潮期显卡涨价整机一并涨价的趋势。
使其状况更加恶化的是，英伟达据传大量削减了A800的芯片供应，而是转为推广更高端也更昂贵的H800，单价在25万元左右。高端的GPU无疑能够带来更高的性能，但性价比相对较低，大规模部署的成本也会更加难以承受。所以从全球市场的购买表现上来看，互联网公司和云服务厂商显然觉得A100或A800更香一点。
可为了更高的利润转化，英伟达决心调整A800和H800的供应比例的话，也就说得过去了。A100的市场流通率较高，而A800这种面世不久的特供产品，也更方便在供应上加以限制。
省时和省钱
既然GPU困人已久，为何不打破这一限制，转用大规模量产成本更低的ASIC芯片产品呢？事实上，很多厂商早就有类似的心思，只不过执行起来却是寸步难行。首先对于大模型这样的AI应用来说，硬件性能只是一个方面，拥有优质的软件生态也很重要。
英伟达的CUDA成了任何进军AI产业的公司在软件生态上的一头拦路虎，迟迟没法突破。固然ASIC的方案可以省下不少硬件成本，但在软件上仍有不小的障碍。初创公司ASIC硬件的软件生态不成熟，巨头自研的产品又难以与第三方开发结合起来，或者说能打造出爆品应用的概率更低。
反观CUDA，发展这么多年积累的各种library已经逐渐趋于成熟，甚至在英伟达的GPU上优化到了最佳状态，开发者只需要调用API即可实现所需的效果。这堵墙就连同为GPU厂商的AMD等竞争对手都未能攻破，因为AI时代下省时才能抢占先机，省钱是之后采取考虑的事。
话虽如此，相关的尝试依旧没有停止，诸如谷歌的TPU、亚马逊的Trainium以及微软最近在研究的Chiplet Cloud等等，都是厂商们对ASIC持续看好的表现。可以看出，让互联网企业，尤其是芯片设计能力欠缺的企业，去走ASIC这条路线是很难的。而托管了诸多第三方芯片设计平台、大模型和AI计算负载的云服务厂商，有这个技术积累，也有实力组建或已组建达标的芯片设计队伍，最终做到省时又省钱。
写在最后
ASIC固然前景可观，但目前厂商们在购置GPU上花的钱多半是多于自研投入的，这也就是GPU作为通用计算硬件的future proofing性质。可能在GPT爆火的今年，这款ASIC提供了远超GPU的性能或成本优势，但未来保不齐会出现其他的爆品应用。GPU可以很快调转势头，但ASIC就可能会被淘汰。所以对这些公司来说，无论是购买A100还是A800，不仅是对现在的投资，也是对未来的投资。
|
