ASIC和GPU，谁才是AI计算的最优解？

电子发烧友网报道（文/周凯扬）随着AI计算开始有着风头盖过通用计算开始，不少芯片厂商都将其视为下一轮技术革新。CPU、GPU、FPGA和ASIC纷纷投入到这轮AI革命中来，但斩获的战果却是有多有少。由于承载了绝大多数AI计算负载，GPU和ASIC成了市面上最炙手可热的计算硬件。表面上来看，这是市场提供了两种不同的灵活选择，但面对利润如此高的AI市场，两者总得争一个高下。
 
根据GMInsight的统计，2022年全球AI芯片市场规模超过150亿美元，预计将在2032年超过4000亿美元，年复合增长率高达35%。而在去年出货量最大的依然是GPU，占比高达47%左右，第二名为占比34%的CPU，其次才是ASIC与FPGA，但ASIC已经隐隐有迎头赶超之势。
 
选择通用性还是专用性
 
从 2016年左右，就一直流传着这样一个说法，那就是AI计算作为特定负载的高性能计算，其未来肯定是属于ASIC这样的“专用芯片”。这个说法似乎也没错，毕竟我们转而看下目前排名前三的云巨头们，亚马逊、微软和谷歌纷纷都选择了自研ASIC，比如亚马逊的Trainium和Inferentia、谷歌的TPU、英特尔的Gaudi以及微软的Maia等。
 

Gaudi 2 / 英特尔

 
要从通用性和专用性的角度来看，ASIC确实是最“专”的那个。即便是在GPU之外，CPU、FPGA的通用性也要远高于ASIC，但CPU并不适用于纯AI负载，更多的是给AI计算起到辅助作用，其提供的算力占比并不算高，哪怕是英伟达的Grace这种宣称为AI打造的CPU。而FPGA的应用市场则比较固定，比如汽车、工业和金融科技等，难以在大规模的服务器端进行部署。
 
由此看来，ASIC确实是上佳的硬件之选。尤其是目前LLM占据AI应用的主流，算法逐渐固定，反倒是专用的ASIC在性能、能效上占了上风，不再需要像过去一样，一代算法一代芯片地不断迭代。且随着云服务厂商开始扩大AI服务器规模，ASIC显然具备更强的扩展性，大量出货后也能控制好制造成本。
 

第一代TPU / 谷歌

 
而且从谷歌的TPU设计来看，借助先进的接口IP、Chiplet和EDA工具，在已有架构上进行迭代设计也开始变得简单，更不用说谷歌在TensorFlow上有着深厚的积累。云服务厂商几乎评估了市面上所有具备商用可行性的AI芯片，如果他们没有这个底气是断然不会选择大规模部署的，而他们对ASIC的看好恰好说明了这一点。英特尔这几年开始分离各种业务，而 Habana Labs的ASIC AI芯片业务虽然没有创造可观的营收，英特尔却依然看好这一业务，也证明了ASIC的前景无限。
 
市场和开发者依然偏爱GPU
 
但从市场和开发者角度来看，GPU依旧是最吃香的，且牢牢占据主导地位，这又是为什么呢？前英特尔图形部门负责人Raja Koduri也发表了一些自己的见解。首先，专用芯片的“专用”并不算稳定，与绝大多数人认知中不一样的是，AI计算并非一成不变，也并不是简单的一堆矩阵乘法运算。
 
而反观GPU这边，其系统架构已经经过了 20多年的演进，比如页表、内存管理、中断处理和调试等，这些已经成了支持商用软件栈落地的必要因素。而ASIC在这方面确实有所欠缺，反而将不少重担甩给了软件开发者。而Raja认为，如今并没有太多年轻的软件开发者进入行业，所以绝大多数公司都还在争抢为数不多的老将。
 
需要注意的是，Raja此处指的软件开发者并非那些模型/算法开发者，在这类软件开发者上依然新秀层出不穷，但反观系统软件工程师，比如底层驱动开发者，就确实相对较少了。英伟达虽说也常有人员变动，但其在这类软件的开发上，至少比初创企业领先10多年。
 
再拿常见的AI基准测试MLPerf为例，这个对训练和推理性能提供公平评估的榜单，几乎所有的MLPerf应用都是原生基于CUDA开发。且原本GPU在AI计算效能上的劣势，也随着英伟达这几代不断添加TensorCore而得到了改善。ASIC的AI加速器虽然理论性能占优，但始终没法拉开较大差距。
 
对AI硬件的未来憧憬
 
即便目前AI硬件生态向好，但要想各类硬件都能活下去创造良性的竞争，我们也可以做一些“愿望清单”。首先，虽然各大AI芯片厂商都在宣扬自己在大模型下的优异表现，然而对于那些没法全塞进内存里的大模型的训练和推理来说，英伟达的 GPU依然是唯一的可行方案，其他厂商明年还是应该继续努力。
 
第二则是软件生态的兼容性，对于GPU厂商、云服务厂商之外的第三方AI芯片厂商，还是应该加强对各类模型的兼容性，特别是要做到开箱即用。比如英特尔的Gaudi现在已经投入云服务商的服务器中正式使用了，且从性能角度来看着实不赖，但对于PyTorch的支持并不像英伟达的CUDA和AMD的ROCm般顺畅。连英特尔都受制于此，可想而知其他的ASIC AI芯片厂商要付出多大的成本和精力了。
 
另一个做法就是AI芯片厂商自己下场做大模型，如果厂商有这个软件开发实力的话，自己根据自研芯片开发大模型是最好的，无论模型的架构和芯片的架构怎么演进，都在自己的把控范围内。毕竟像浪潮这样的服务器厂商，都已经下场开发大模型了，更为上游的谷歌也已经投身其中。但这种方式也存在一个问题，那就是其模型和硬件往往都会选择闭源，这也就意味着放弃了庞大的开源开发生态，很难带动相关AI应用的真正腾飞。
 
第三是性能优化，在AI芯片厂商与软件开发社区的不懈努力下，我们看到不同硬件之间的软件兼容性已经有了可观的改善，但性能问题仍然摆在台前，即便是英特尔、AMD和苹果这样的大厂也没法彻底突破。所以在解决完兼容性的问题后，AI 芯片厂商还是要持续投入硬件利用率的优化中去。当然了，如果GPU之外的ASIC真的能做到GPU三倍以上的性能，以力大砖飞之势力压GPU也不是不可能。
 
写在最后
 
我们现在处于AI硬件的“寒武纪爆发期”，从EDA厂商和晶圆厂的业绩就可以看出，AI芯片无论是新的设计还是制造都没有止步，市面上公开提供的选择就足以令人眼花缭乱了，还有不少初创企业处于“隐身阶段”，或是在等待先进封装的产能。不管如何，2024年都应该会有更多的产品面市。
 
AI应用开发者固然没法一个个买来测试，好在云服务厂商提供了AI服务器的租赁选项，在上面跑一遍自己的AI任务就能对其性能和开发难易度有个大致了解，毕竟AI应用的落地不在于跑矩阵乘法计算有多快，而在于开发者愿不愿意选择这个开发平台的硬件与软件。