記者 | 彭新
編輯 |
由OpenAI開發的聊天機器人ChatGPT於去年末發布後，由於表現驚艷，近期在全球颳起了一股猛烈的旋風。微軟和谷歌等巨頭在此類技術上投入巨資。在國內，百度和其他網際網路公司也表示正在開發此類技術，並即將推出。
GPT即預訓練大語言模型（Generative Pre-trAIned Transformer），其基於自然語言處理模型Transformer進行預訓練，並不斷疊代提升模型能力。大語言模型等此類生成式AI通過海量數據訓練，可以產生前所未有的高質量輸出，可用於搜索、對話機器人、圖像生成和編輯等。
微軟使用ChatGPT技術，將其引入搜尋引擎必應，藉助對話式人工智慧（AI），通過準確理解人類提問意圖並做出回答，給搜索帶來革新。除了文字，預訓練大模型還能生成圖像，與真人作畫相比不分高下的AI畫師過去數月多次湧現。
ChatGPT崛起，相關應用用戶快速增長下，對運算基礎的算力要求越來越高，也將對相關的晶片提出了需求。因其背後技術將高度依賴AI處理能力，並涉及與之相關的網絡、存儲和算力基礎設施。
GPU為AI計算主流
ChatGPT高度依賴AI計算能力，而向OpenAI提供GPU晶片的英偉達正成為最大受益者，摩爾線程摩爾學院院長李豐解釋，當人工智慧模型通過算法生成內容時，即需要大量數據進行訓練，這一過程即在GPU集群進行，隨後訓練完成的模型又部署在GPU集群進行推斷，完成圖像生成、語言聊天等工作。
「人工智慧的算法是在不斷進步和疊代過程當中，GPU實際上兼顧了靈活度以及計算能力，」李豐稱，相比專用的AI晶片，GPU靈活性更強，又可以保證AI計算性能，因此受到開發者的歡迎。他提及，在全世界範圍內，主要的增長算力的來源來自於GPU。
目前，ChatGPT背後的GPT-3.5模型已有超過1750億個參數，訓練成本高昂，根據國盛證券報告顯示，GPT-3訓練一次的成本約為140萬美元，對於一些更大的大型語言模型，訓練成本介於200萬美元至1200萬美元之間。
以ChatGPT在今年1月的獨立訪客平均數1300萬計算，其對應晶片需求為3萬多片英偉達A100 GPU圖形處理器，初始投入成本約為8億美元。此外，據花旗集團預估，ChatGPT將可能促使英偉達相關產品在12個月內銷售額達到30億至110億美元。
這意味著，ChatGPT等此類應用將會拉動英偉達GPU晶片需求。英偉達公司的GPU圖形處理器在大型AI模型培訓市場占據主導地位，其股價今年已大漲55% 。
一家大型IT廠商的人工智慧部門負責人向界面新聞記者表示，目前在訓練端，英偉達是毫無疑問的冠軍，其他玩家爭奪的市場在於推斷端，這部分的任務量較小，對功耗、延遲更敏感。李豐就提及，摩爾線程已經在內部測試，完全部署在摩爾線程GPU上的AIGC平台不久即面世，這是包括了圖像生成、自然語言生成等一系列的內容生成平台。
除了GPU，涉及計算能力的晶片類型還包括CPU、FPGA、ASIC等，不同類型的計算晶片進行組合，可以滿足不同AI模型的計算需要。
專用AI晶片ASIC（專用集成電路）也有望未來在AI算力中占據一席之地。谷歌此前發布了自研TPU（張量處理器）並多次疊代，這是谷歌特別設計用於機器學習的晶片。依照谷歌提供的數據，TPU計算效率是過往GPU十倍以上。谷歌將TPU部署在自家雲平台上，未來該公司將推出的對話式AI服務Bard，也將基於TPU運行。
小眾晶片HBM走向前台
在一個計算系統中，與計算相匹配必然還需要存儲、網絡等架構。無論是CPU、GPU，還是其它專用晶片，在計算過程中均將不可避免的被存儲、通信等進程打斷，需要行業參與者拿出對應解決方案。
在ChatGPT熱潮下，一種小眾存儲晶片的名氣正隨著AI計算需求劇增而為外界所知，據《韓國經濟日報》報導，受惠於ChatGPT，隨著市場對GPU需求劇增，三星、SK海力士的HBM晶片贏得了額外的訂單，成為目前存儲晶片下行市場中，意外爆紅的晶片類型。
HBM（High Bandwidth Memory，高帶寬存儲器）晶片是一種可以實現高帶寬的內存晶片，與普通DRAM內存相比，HBM可以提供更高的數據的傳輸速度，基於該特性，HBM主要應用於高性能計算場景中，如超級計算機、AI加速器、高性能伺服器領域。
HBM在與CPU及GPU協同工作中，可以提高機器學習和計算性能。目前ChatGPT的火熱發展已令英偉達等GPU廠商受益——ChatGPT使用了1萬多個英偉達的A100 GPU學習了龐大的文檔數據。而HBM可以安裝在加速卡中，英偉達A100就最高配備80GB HBM2內存。
「HBM一直很難賣，因為價格是DRAM的3倍，但AI是HBM的殺手級應用。」TriOrient Investments副總裁Dan Nystedt稱。由於成本高昂，HBM一直難以大規模普及，市場推廣較慢，但預計AI應用將為其進一步打開市場規模。
目前，由ChatGpt帶動的HBM需求已經引起了上游廠商的關注。SK海力士提及，目前已開發除第四代HBM產品，並於去年向英偉達供貨。三星半導體對界面新聞表示，基於人工智慧技術的交互式AI的學習和推理需要高性能處理器和支持其高性能存儲器組合，這將積極地影響對存儲器的需求。
針對AI應用，三星半導體介紹，已經在存儲晶片上結合人工智慧處理器的HBM-PIM（Procee in Memory，存內計算）技術上取得了成果，並計劃與客戶共同構建PIM平台生態系統。
根據市場調研機構Omdia在2021年預測，到2025年，HBM市場的總收入將達到25億美元，目前來看，這一數字隨著AI計算需求增長有望打破。
長期來看，HBM配合CXL等新型數據傳輸協議也將在增強AI計算性能，並獲得行業巨頭支持。半導體諮詢機構集邦諮詢認為，CXL將隨著未來CPU內置CXL功能而普及化，在未來AI伺服器中，可以見到更多使用HBM和CXL的聯合設計方案。
分布式計算呼喚DPU
ChatGPT參數量數以億計，無法在單台機器上進行有效的訓練或推理，因此需要使用分布式計算。在分布式計算中，機器之間的帶寬和高效的計算晶片變得至關重要，因為數據互連往往是瓶頸。在數據中心層面，業界期待被視為數據中心「第三顆晶片「的DPU解決此類問題。
「ChatGPT這類語言類生成模型的參數量高達千億，幾乎不可能使用單機訓練和推理，而必須大量使用分布式計算。」DPU開發商雲脈芯聯相關負責人告訴界面新聞，在進行分布式計算時，就需要DPU做一些數據的處理和預處理，由DPU將任務分發給CPU、GPU和FPGA等進行計算。
DPU即數據處理器（Data Processing Unit），用於處理海量數據，在雲數據中心中，數據在多個伺服器之間來回流動。雲廠商通過將網卡改造為DPU，減輕CPU負擔，使其專注於更關鍵的任務，類似於公司前台可以緩解員工的工作量。
業內還預計，除了GPU、HBM、DPU以外，由小芯粒技術Chiplet加持的晶片異構技術，也有望支持算力增長，Chiplet通過把不同晶片的能力模塊化，利用新的設計、互聯、封裝等技術，在一個封裝的產品中使用來自不同技術、不同製程甚至不同工廠的晶片。從半導體產業鏈端來看，包括IP授權、晶圓代工、封測等廠商為之提供關鍵的技術支持，可視為提升AI算力重要的基礎設施。包括Imagination、Arm、台積電、日月光等上下游廠商，將從中獲得增長。