AI加速器竞争白热化 NVIDIA捍卫江山有筹码

随着人工智能(AI)服务器GPU加速器需求转热，越来越多大厂投入市场，不禁令人好奇，面对新对手接连进逼，一直处于领先地位的NVIDIA如何捍卫江山，未来是否有筹码还击。

当市场需求攀升，少数供应商得到丰厚的获利时，更多的厂商即会相继投入抢食大饼，这是基本的经济运作。在AI加速器市场亦然，NVIDIA早期跨入此领域，拜企业和云端服务业者AI相关投资与日具增之赐，NVIDIA的Tesla GPU需求畅旺，公司业绩也大进补。

以2017年上半为例，NVIDIA首季数据中心产品销售激增逾2倍，第2季续增186%。NVIDIA在AI领域耀眼的表现引起其他科技大厂的注意，过去1年来包括英特尔(Intel)、超微(AMD)、富士通(Fujitsu)和Alphabet相继推出AI服务器加速器，或宣布准备进军市场。

随着市场竞争逐渐白热化，NVIDIA该如何维持竞争优势？这可以从比较NVIDIA的GPU和对手产品找到答案。服务器CPU与PC和移动CPU一样，仅能容纳少量相对强而有力的CPU核心，例如最强而有力的英特尔Xeon Scalable服务器CPU有28核。反观GPU可以有上千个小核心并行运作。也因此，对于不断地进行演算和推论的AI深度学习训练而言，GPU比CPU更适合。

推论演算法不一定要求巨大的处理能力，GPU就可以应付这些任务，有鉴于此，NVIDIA试着让GPU在此获得更多的采用。不过，许多服务器端的推论工作仍然以英特尔的Xeon CPU为主。苹果(Apple)因隐私权的关系，偏好直接在iOS装置以AI演算法处理用户数据。

然而，训练深度学习模型来创造演算法解读数据，例如自动驾驶系统翻译简讯或侦测交通号志等都需要密集的运算，训练过程中，数千甚至数百万个人工神经元化分成许多“层”(layer，如输入层、隐藏层、输出层等)来负责不同的任务，以及和其他层的神经元沟通，以便判断数据分析后的结果是否无误，例如输入的影像是否为停车标志(stop sign)等。

比起不到30核心的CPU，AI研究人员利用多个拥有数千个核心的Tesla GPU来分担人工神经元的工作，训练深度学习模型将加快许多。深度学习演算是一种复杂的数学，而这正是NVIDIA的Tesla GPU擅长的领域，它还可以提供一个具有众多存储器频宽的模型，以及高速连结芯片来进行沟通。

但这并不意味着GPU是唯一适合训练深度学习模型的处理器，理论上芯片制造厂也可以开发一个配备数千个核心，专为处理深度学习演算而设计的特殊应用积体电路(ASIC)，让它们能与存储器或其他ASIC快速沟通。

英特尔似乎有这样的想法，2016年收购Nervana Systems取得必要的技术和人才后，着手打造深度学习ASIC“Lake Crest”。英特尔号称Lake Crest的并行处理能力是前所未见的水准，原始运算能力比当前最先进的GPU(显然指的是NVIDIA)还强。此外，Lake Crest还可支援每秒1兆位元(TB)的存储器频宽，连结速度比标准PCI Express快20倍。

Lake Crest将于年底问世，英特尔同时也准备推出Knights Crest，此为整合Nervana技术的Xeon Phi协同处理器其中的一个版本。Xeon Phi芯片应用于较不复杂的AI专案，以及高速运算(high-performance computing；HPC)工作负载上。

Google最近发表第二代Tensor Processing Unit(TPU)，第一代TPU仅有推论能力，新的TPU则可训练深度学习模型。Google宣称TPU模组在特定的深度学习运作中，可以达到每秒180兆次的浮点运算(teraflop)，比NVIDIA最近发表的Tesla V100旗舰服务器GPU的120 teraflop还快。不过，TPU仅能与Google的TensorFlow软件架构并用，而且Google不打算销售TPU，只用于公司内部AI开发，以及让云端客户使用。

其他大厂如AMD最近推出Radeon Instinct服务器GPU，其中最强的M125是不错的产品，但以原始效能来看仍落后V100，特别是64-bit运算时，而且存储器频宽也比较少，目前显然不至于对Tesla GPU构成威胁。此外，富士通最近也宣布要在2018年会计年度发布一个ASIC深度学习处理器。

不过，尽管新对手来势汹汹，NVIDIA拥有强有力的武器来予以迎击。其中之一是庞大的GPU研发支出，NVIDIA主要用于打造新的GPU架构，特别是深度学习的GPU。例如Tesla V100采用新的Volta GPU架构，同时使用了5,120个传统的CUDA GPU核心和640个tensor核心作为深度学习训练之用。

但就长期而言，NVIDIA最大的竞争优势或许起步比别人早，围绕着Tesla GPU的AI生态系统已经成形。现在开发者逐渐习惯使用NVIDIA的CUDA GPU应用程式介面(API)，以及深度软件开发套件的各种工具，包括cuDNN软件图书馆等。

NVIDIA的生态系统也吸引其他科技巨擘的参与，4月NVIDIA和Facebook宣布共同合作，为Tesla GPU提升Facebook的Caffe2 AI软件架构。不久之后，微软(Micorsoft)也宣布，该公司新版SQL服务器数据库将可与Tesla GPU一起运作处理深度学习的工作。