隨著我國高性能計算、AI計算及邊緣計算需求提升，超算中心、智算中心及邊緣數(shù)據(jù)中心將進一步發(fā)展，特別是智算中心，正在從早期實驗探索逐步走向商業(yè)試點。

從傳統(tǒng)芯片一統(tǒng)產(chǎn)業(yè)的時代走來，AI芯片的發(fā)展并非一帆風(fēng)順，泡沫充斥、資本遇冷、人才稀缺……不過，在半導(dǎo)體產(chǎn)業(yè)整體步入下行周期的2022年，AI芯片反倒扛住了爭議和質(zhì)疑，在服務(wù)器、汽車等領(lǐng)域顯現(xiàn)出了日益放大的價值效應(yīng)。

2022年的這三大技術(shù)和應(yīng)用趨勢，有望成為AI芯片未來幾年的關(guān)鍵動力：

智能算力反超通用算力規(guī)模

當(dāng)前，我國通用算力的數(shù)據(jù)中心仍是市場主力，按機架規(guī)模統(tǒng)計，占比超過90%。隨著我國高性能計算、AI計算及邊緣計算需求提升，超算中心、智算中心及邊緣數(shù)據(jù)中心將進一步發(fā)展，特別是智算中心，正在從早期實驗探索逐步走向商業(yè)試點。

IDC數(shù)據(jù)顯示，2022年我國智能算力規(guī)模達(dá)到268 EFLOPS，超過通用算力規(guī)模。預(yù)計未來五年，我國智能算力規(guī)模的年復(fù)合增長率將達(dá)52.3%，超出同期通用算力規(guī)模18.5%的年復(fù)合增長率，到2026年，我國智能算力規(guī)模將達(dá)到1271.4EFLOPS。

同時，邊緣計算需要處理的數(shù)據(jù)量會越來越多，算力要求也將逐步提高。邊緣側(cè)的設(shè)備也不再拘泥于簡單的數(shù)據(jù)采集，還會有大量的邊緣網(wǎng)關(guān)、邊緣AI、邊緣可擴展型服務(wù)器等設(shè)備，協(xié)助前端數(shù)據(jù)處理，將處理后的數(shù)據(jù)傳輸給云端，有效減輕云端的數(shù)據(jù)壓力，用戶也可根據(jù)自己的實際業(yè)務(wù)，靈活就近選擇邊緣計算節(jié)點或中心云計算節(jié)點。

邊緣計算場景大致有兩條路線：一是高性能通用處理器做專用設(shè)備，為場景提供專用算力;二是高度集成化、低功耗化的SoC芯片，通過自主設(shè)計降低功耗的同時，可實現(xiàn)中低端邊緣計算設(shè)備的戶外現(xiàn)場應(yīng)用，可大量部署在工業(yè)等現(xiàn)場。這些方案也可以疊加AI芯片、FPGA等，針對某類場景提供定制化算法，提升邊緣計算的能力。

從AI芯片角度來看，隨著AI產(chǎn)業(yè)技術(shù)不斷提升，產(chǎn)業(yè)AI化加速落地，全球AI芯片市場將高速增長。IDC預(yù)計，到2025年AI芯片市場規(guī)模將達(dá)726億美元。異構(gòu)計算成為主流趨勢，未來18個月，全球AI服務(wù)器GPU、ASIC和FPGA的搭載率均會上升,算力多元化發(fā)展趨勢明顯。

從計算架構(gòu)發(fā)展來看，基于 DSA( Domain-Specific Architectures)思想設(shè)計的AI芯片正在成為主導(dǎo)，推動了AI芯片的多元化發(fā)展。此外，多元算力從“能用”到“好用”并且為企業(yè)創(chuàng)造業(yè)務(wù)價值，離不開通用性強、綠色高效、安全可靠的計算系統(tǒng)的支持。業(yè)內(nèi)正在推動多元算力系統(tǒng)架構(gòu)創(chuàng)新，基于計算節(jié)點內(nèi)和節(jié)點間的互聯(lián)技術(shù)破局現(xiàn)有計算架構(gòu)的瓶頸，通過充分調(diào)動起多芯片、多板卡、多節(jié)點的系統(tǒng)級能力，實現(xiàn)各種加速單元以及跨節(jié)點系統(tǒng)的高效協(xié)同，提升計算性能。

從場景應(yīng)用維度來看，智能化場景將隨著時間的推移，呈現(xiàn)出更加深入、更加廣泛的趨勢。

大算力自動駕駛芯片

走向巔峰對決

自動駕駛領(lǐng)域是芯片與AI技術(shù)交融和迭代的關(guān)鍵領(lǐng)域。

從神經(jīng)網(wǎng)絡(luò)計算推動自動駕駛大行其道開始，到走向高階的輔助駕駛感知方案，隨著自動駕駛級別的提升，所需要的算力幾乎是指數(shù)級爆炸式的增長，從L2、L3、L4走向L5，每向上走一級至少有10倍以上算力需求的提升，大規(guī)模并行化的AI計算，使得大算力的計算平臺成為了產(chǎn)業(yè)必須，在提升有效算力的道路上似乎永無止境。

Gartner數(shù)據(jù)顯示，預(yù)計到2025年，全球汽車AI芯片市場將以31%的年復(fù)合增速飆升至236億美元。其中，中國汽車AI芯片的市場將達(dá)到68億美元，2030年為124億美元，年復(fù)合增長率預(yù)計可達(dá)28.14%。

暴增的算力需求下，主機廠紛紛推動“硬件預(yù)埋”概念。走向L4級別自動駕駛甚至L5級無人駕駛究竟需要多大算力才夠?目前業(yè)界并沒有定論，但幾千TOPS的有效算力支撐被認(rèn)為是需要的。

國內(nèi)市場方面，地平線征程5已經(jīng)成為國內(nèi)首款實現(xiàn)前裝量產(chǎn)的百TOPS大算力AI芯片，這款芯片對于地平線自身、以及我國大算力芯片的發(fā)展都具有重要意義。如果把自動駕駛大算力芯片的競逐比喻為世界杯，地平線征程5與英偉達(dá)算是率先進入百TOPS芯片前裝量產(chǎn)的階段，相當(dāng)于“提前鎖定了決賽席位”。

不過今年10月，英偉達(dá)推出的芯片NVIDIA Drive Thor，直接把標(biāo)桿又拉高了一個級別，這款超級芯片可實現(xiàn)最高 2000TOPS AI 算力以及 2000 TFLOPS 浮點算力。據(jù)官方介紹，NVIDIA Drive Thor是第一個使用集成推理Transformer引擎的自動駕駛汽車平臺，借助Transformer引擎，它可將 Transformer 深度神經(jīng)網(wǎng)絡(luò)的推理性能提升9倍，這對于支持與自動駕駛相關(guān)的、龐大且復(fù)雜的AI工作負(fù)載至關(guān)重要。

在通往自動駕駛的路上，Drive Thor肯定不會是AI芯片終結(jié)者，不過它在2022年出現(xiàn)的意義在于：第一，將智能汽車帶到中央計算模式。此前業(yè)界對于智能汽車芯片的設(shè)計思路基本上是自動駕駛芯片負(fù)責(zé)自動駕駛，座艙芯片負(fù)責(zé)車載娛樂，而未來融合是趨勢，Drive Thor單芯片艙駕一體的設(shè)計，或?qū)⒓铀僦醒胗嬎銜r代的到來。第二，它將汽車芯片算力直接推向了2000TOPS標(biāo)準(zhǔn)。提升計算效率是汽車智能化發(fā)展的關(guān)鍵一環(huán)，因為實現(xiàn)更高級別的自動駕駛、實現(xiàn)更智能的人機交互座艙體驗都需要更強的算力。按照iHS Markit預(yù)計，2024年座艙NPU算力需求將是2021年的十倍，CPU算力需求是2021年的3.5倍，這都要求汽車芯片的算力必須進一步拉高。

在汽車AI芯片方面，存算一體的大算力AI芯片也在發(fā)力。這方面的從業(yè)者認(rèn)為，相比于傳統(tǒng)的馮·諾依曼架構(gòu)，用存算一體技術(shù)做大算力AI芯片，對先進制程依賴度不是很強，可以用較低的制程實現(xiàn)較大算力，并且由于數(shù)據(jù)計算和數(shù)據(jù)存儲深度融合，避免了大部分?jǐn)?shù)據(jù)的無效搬運，可以兼顧成本和能效，因此非常適合智能駕駛和自動駕駛應(yīng)用場景。

AI大模型

推動算力集群效能優(yōu)化

“超級鸚鵡”ChatGPT和AIGC成為年度最大黑馬。

最近爆火的OpenAI旗下的對話模型ChatGPT，能夠理解用戶需求創(chuàng)造內(nèi)容、協(xié)助代碼編寫、能夠針對用戶的追問在后續(xù)對話中進行修正或補充。相較于蘋果 Siri、微軟小冰等，ChatGPT除了邏輯嚴(yán)密的創(chuàng)造能力之外，還具有記憶能力，在連續(xù)的對話中無需用戶提供重復(fù)信息，語言組織和表達(dá)能力也更接近人類水平，使對話更自然流暢。

同樣火熱的還有AIGC(Generative AI，生成式AI)，一系列初創(chuàng)公司融資不斷，并且在實際應(yīng)用中也體現(xiàn)出了較高的水準(zhǔn)。百度AI十分鐘內(nèi)復(fù)原了《富春山居圖》殘卷，浪潮“源”支持的“金陵詩會”，使用者可一鍵創(chuàng)作韻味悠長的詩句……而除了自主生成文本、圖像，AI自主生成音頻、視頻、虛擬場景等也在成為熱潮。這些都推動了生成式AI的蓬勃發(fā)展，打造了新的數(shù)字內(nèi)容生成與交互形態(tài)。

Gartner將“生成式AI”列為2022年五大影響力技術(shù)之一，預(yù)測到2025年，生成式AI所創(chuàng)造的數(shù)據(jù)可占到所有已生產(chǎn)數(shù)據(jù)的10%。

業(yè)內(nèi)認(rèn)為，ChatGPT和AIGC爆火，代表著AI大模型進入一個新的技術(shù)范式，同時也是第三波AI浪潮經(jīng)過十幾年發(fā)展之后，到達(dá)了一個非常重要的拐點。

它們代表著從以前的“大煉模型”(各自研發(fā)專用小模型)，到“煉大模型”(研發(fā)超大規(guī)模通用智能模型)的一個范式轉(zhuǎn)變，其意義在于：通過這種比較先進的算法架構(gòu)，盡可能多的數(shù)據(jù)匯集大量算力，通過集約化的訓(xùn)練模式，從而供大量用戶使用。

AI發(fā)展至今，大模型的出現(xiàn)可以說是生逢其時，它將碎片化的AI應(yīng)用開發(fā)轉(zhuǎn)向集中式開發(fā)。一方面，AI大模型具備很好的泛化能力，一個模型可以支撐各類不同應(yīng)用，有效緩解碎片化開發(fā)反復(fù)建模的困境;另一方面，圍繞AI大模型構(gòu)建的算法基礎(chǔ)設(shè)施，比如開放的API、開源的應(yīng)用代碼等，使開發(fā)者無需關(guān)心底層技術(shù)，設(shè)置無需配置編程環(huán)境，就可以直接將應(yīng)用構(gòu)建于AI大模型的能力之上，在降低開發(fā)門檻的同時，讓開發(fā)人員將更多精力聚焦在核心業(yè)務(wù)邏輯上。

從算力的角度來看，挑戰(zhàn)不可謂不大。因為訓(xùn)練大模型所需要的算力是海量的，成本是高昂的，這就需要發(fā)揮AI算力集群的整體效能，讓AI算力能夠“算”盡其用，從而降低大模型訓(xùn)練的成本。當(dāng)前，基于液冷等技術(shù)的算力產(chǎn)品，將軟件層面(模型和框架)與硬件基礎(chǔ)設(shè)施(計算、存儲、網(wǎng)絡(luò))進行協(xié)同優(yōu)化的方案，都是業(yè)界較為推崇的方式。一方面能在高算力集群上能實現(xiàn)更好的算力利用率，另一方面也能降低電力消耗，降低整體成本。

可以說，AI大模型的投入是AI技術(shù)邁向新臺階的必經(jīng)之路，是解決產(chǎn)業(yè)碎片化的一種方式。AI大模型的發(fā)展與商業(yè)落地，有望重塑AI算力與AI應(yīng)用的市場格局。隨著大模型的數(shù)量走向集約，有利于AI芯片進行更有針對性的設(shè)計開發(fā)與優(yōu)化，這是AI算力企業(yè)生態(tài)重建的新機會，也是國產(chǎn)AI芯片在國際巨頭林立的市場中突圍的機會。

寫在最后

不破不立，破而后立。大破大立，曉喻新生。

寫在AI芯片踏實走過的2022年。