技術(shù)路徑：通用與定制的平衡
在AI芯片的發(fā)展過(guò)程中，通用性和定制化像是兩個(gè)互相拉扯的作用力，衍生出一系列的芯片架構(gòu)。其中，GPU和ASIC分別是通用性和定制化的代表架構(gòu)，也有著各自的優(yōu)勢(shì)和局限。
“GPU架構(gòu)提供了大量數(shù)據(jù)并行結(jié)構(gòu)，因此能夠提供大量的AI并行計(jì)算，適用于AI訓(xùn)練等。ASIC等定制化AI芯片針對(duì)特定的應(yīng)用場(chǎng)景進(jìn)行芯片優(yōu)化，能夠取得更高的計(jì)算能效，但通用性相對(duì)較弱?！辟Z天宇表示。
好在，隨著芯片技術(shù)的發(fā)展，通用性與定制化已不再壁壘森嚴(yán)。一方面，英偉達(dá)在GPU架構(gòu)中引入了Tensor Core（張量計(jì)算核心），一種專門針對(duì)深度學(xué)習(xí)應(yīng)用而設(shè)計(jì)的專用ASIC單元，使GPU更加適合深度學(xué)習(xí)。與此同時(shí)，定制化芯片也逐步增加了通用計(jì)算單元，并引入可編程或部分可編程的架構(gòu)，增強(qiáng)芯片的場(chǎng)景覆蓋能力。
“過(guò)去被認(rèn)為只具備專用性的ASIC或DSA（領(lǐng)域?qū)Ｓ眉軜?gòu)），現(xiàn)在不僅含有用于AI加速計(jì)算的專用單元，還含有與英偉達(dá)GPU中CUDA Core類似的通用計(jì)算單元，同樣可以實(shí)現(xiàn)對(duì)各種指令的處理。因此，無(wú)論是GPU、ASIC或DSA架構(gòu)，云端AI芯片企業(yè)在架構(gòu)設(shè)計(jì)中需要關(guān)注的是通用和專用計(jì)算單元的搭配，以便應(yīng)對(duì)AI計(jì)算持續(xù)演變帶來(lái)的挑戰(zhàn)?！崩鲂究萍枷蛴浾弑硎?。
“鑒于大模型對(duì)于大算力的顯著需求，以及模型訓(xùn)練算子的多樣性，具有大算力、通用性的芯片將是大算力應(yīng)用的首選。在現(xiàn)存的技術(shù)方案中，GPU是能夠提供算力和開發(fā)生態(tài)的選擇。然而，由于GPU的功耗過(guò)高，類GPU架構(gòu)的定制化大算力AI芯片也將存在市場(chǎng)，滿足對(duì)于芯片計(jì)算能效的提升需求?！辟Z天宇指出。
而通用與定制的“配比”，要根據(jù)具體場(chǎng)景設(shè)計(jì)。昆侖芯科技表示，在通用性、易用性和性能之間實(shí)現(xiàn)平衡，需要在實(shí)際設(shè)計(jì)中結(jié)合需求。除了單一技術(shù)或者算力指標(biāo)，更要注重產(chǎn)品的綜合競(jìng)爭(zhēng)力是否均衡。百度的AI應(yīng)用場(chǎng)景，為昆侖芯提供了驗(yàn)證和調(diào)優(yōu)機(jī)會(huì)。就大模型而言，昆侖芯在產(chǎn)品定義上已經(jīng)做了布局，昆侖芯2代AI芯片相較昆侖芯第1代產(chǎn)品大幅優(yōu)化了算力、互聯(lián)和性能，在百度內(nèi)外部的大模型場(chǎng)景中都有落地，昆侖芯在研的下一代產(chǎn)品將為大模型和AIGC等應(yīng)用提供更佳的性能體驗(yàn)。
“硬件和場(chǎng)景是雙輪驅(qū)動(dòng)的，場(chǎng)景催生新的技術(shù)方案，新的技術(shù)促使場(chǎng)景更好發(fā)展。大模型作為一個(gè)趨勢(shì)場(chǎng)景，其需求定義清楚了，設(shè)計(jì)和實(shí)現(xiàn)技術(shù)就會(huì)水到渠成?！崩鲂究萍几嬖V記者。
另外，無(wú)論是通用芯片還是定制芯片，抑或是通用、專用計(jì)算單元兼而有之，設(shè)計(jì)環(huán)節(jié)之后的制造、封裝環(huán)節(jié)，也將作用于AI芯片的性能提升。
“無(wú)論GPU還是定制化AI芯片路線，Chiplet、3D堆疊等先進(jìn)集成與封裝技術(shù)將成為進(jìn)一步提升大模型計(jì)算能力的重要技術(shù)手段，也將在未來(lái)AI芯片發(fā)展中起到重要作用?！?/p>
