昇騰若轉GPU 誰受損？

最近，AI芯片的熱點新聞接二連三，先是一批AI芯片初創公司密集宣布IPO，再是“盤古”大模型內部人員爆料“打假”，后有黃仁勛來華并宣布H20芯片恢復銷售，然后網絡消息傳出HW或將放棄深耕多年的昇騰ASIC路線，轉向GPU路線。

眾所周知，網絡上的瓜往往是空穴來風。對于當下如火如荼的AI行業而言也許影響深遠。

ASIC和GPU路線的差異

從CPU到GPU，再到DSP、AISC，芯片的通用性依次降低，但芯片在特定應用的性能依次升高。

CPU就屬于什么都能做，但各項任務都不精。

GPU的通用性比CPU差，但在科學運算、渲染等方面性能明顯強于CPU。

DSP的專用性則比GPU強，通用性則更差。

AISC則是追求特定場景專用性能犧牲通用性的典型。

打個比方，CPU就是瑞士刀，多功能，但在專業領域表現一般，上陣殺敵不如陌刀，救死扶傷不如手術刀。

AISC則像是專業刀具，廠家根據特定的應用場景，開發出手術刀、陌刀、軍刺等專業工具，但這些專用刀具基本不具備通用性。簡單來說，就是客戶不能買了陌刀拿去干手術刀的活，買了手術刀也沒法安裝在步槍上拼刺刀。

由于大陸集成電路產業在設計和制造與西方有差距，本土廠商往往選擇犧牲通用性，換取特定場景的高性能。

以昇騰而言，就不支持雙精度浮點運算，而雙精度浮點運算對科學運算至關重要。支持雙精度浮點運算會提高芯片的設計復雜度和功耗，在制造工藝落后于人的情況下，一旦支持雙精度浮點運算，必然影響整體性能和能效比。

相比之下，英偉達的計算卡就支持雙精度浮點運算。

在PPT上，國產AI芯片也習慣于拿特定場景的性能指標去對標英偉達。

其實，這里國產AI芯片廠商玩了文字游戲，那就是英偉達的參數指標高是建立在其具有較強通用性上的，而國產AI芯片在某個指標上追平英偉達。

簡言之，英偉達的計算卡是六邊形戰士，國產AI計算卡只是偏科生，在特定應用表現良好，無法適應多樣化的應用場景。

H20熱銷的根源在于生態

從參數上看，H20是H100的閹割版本，算力只有H100的三分之一，不少國產AI計算卡在PPT上的算力都遠遠比H20強。即便如此，本土互聯網公司依舊對H20產生了巨大的采購需求。

之所以如此，一方面是之前講的，英偉達的GPU是六邊形戰士之外，另外一個原因就是CUDA。

英偉達圍繞CUDA建立了一套相對豐富的軟件生態，用戶買了計算卡可以直接用，能夠節約海量時間成本和軟件開發成本。

在不久前的大模型套殼事件中，HW員工爆料即便是有自家AISC計算卡的情況下，也用英偉達的計算卡訓練。出現這種情況的根源就在于英偉達的GPU軟件生態好。

ASIC的硬件指令架構相對簡單，對高帶寬的敏感度不如GPU，這就大幅降低了硬件門檻。

不過，技術復雜度只會轉移，不會消失。

從實踐上看，AISC對軟件的要求難度大于硬件。

給AISC寫軟件的難度遠遠高于給GPU寫算子做優化。即便是一些頭部互聯網大廠，專門配備團隊寫軟件，依舊苦不堪言，因而正在測試兼容CUDA的國產GPU，尋找更合適的AI芯片供應商。

誠然，在特定應用AISC確實有優勢，但這僅僅是在特定細分市場有優勢，谷歌的TPU也只是自己用，而不是面向公開市場，在易用性方面，GPU優勢明顯。

事實上，商業競爭終究還是看易用性和全周期使用成本。

pytorch和TensorFlow之爭，盡管tensorflow局部特性可以使得性能能更好一些，但pytorch易用性的優勢足以讓其脫穎而出。GPU買來就用的易用性是ASIC不具備的。

GPU在全周期使用成本上相對于ASIC優勢明顯。購買GPU直接可用CUDA，節約了大量成本。而用AISC則需要開發深度學習引擎框架，還要專門做適配調優，資金成本和時間成本高，特別是在當下大廠技術競賽的背景下，時間和精力非常寶貴，除非買不到英偉達的GPU，否則互聯網巨頭不會買ASIC。

實踐證明GPU路線是主流

實事求是的說，AISC在特定應用是有優勢的，比如推理，但用來訓練就力所不逮了。

這幾年的實踐證明，AISC專用性強，適合細分市場，GPU通用性好，適合主流市場。特別是這幾年AI發展迅速，通用性好的硬件更適合新場景、新業態。

這也是HW擬改換技術路線，擬放棄ASIC，轉向GPU的根源。

事實上，這幾年很多地方政府受到“高層路線關系”的裹挾，用高于市場的價格購買了昇騰全棧產品，建設了大量智算中心，但業內人都知道，受限于技術體系封閉，軟件生態貧乏，智算中心的算力閑置較高，這是巨大的浪費。地方政府有苦難言，又不敢說出去顯得打臉。

在中央要求過緊日子的當下，應當把好鋼用在刀刃上，選擇更加通用、可實際跑起來的產品，提升財政資金的使用效率。特別是在HW 自己都打算放棄AISC投奔GPGPU的當下，再去花高價買昇騰就是1911年揮刀自宮當太監了。

從產業發展的角度來看，GPU必然成為主流，既有硬件上六邊形戰士的優勢，也有CUDA軟件生態上的優勢。

必須指出的是，GPU因其通用性，可以在游戲顯卡、超算、AI等行業大展拳腳，而AISC只能限定于特定應用場景，通用性差就限制了AISC的推廣，很難脫離政策建立商業上的正循環。

相比之下，GPU可以用龐大的游戲顯卡個人用戶來平攤成本，這是ASIC所不具備的。

更加龐大的用戶數量就意味著能夠更快回籠研發資金，意味著更快的技術迭代速度，意味著更快的軟件生態成熟速度，這種現象在IT發展史上已經反復出現，比如服務器淘汰小型機，PC淘汰傳統工作站。

未來，必然是GPU為主，ASIC為補充的行業格局。