Riesen „stürmen' KI-Chips! AMD kämpft gegen Nvidia

Die Welle der künstlichen Intelligenz hat die letzten sechs Monate erfasst und Nvidia hat die Tür zum Billionen-Dollar-Club des US-Aktienmarktes geöffnet.

Nvidia, das ursprünglich nur einen Teil des Gaming-Grafik-Computing-Kuchens erobern wollte, hatte nicht damit gerechnet, mehr als 20 Jahre später zum Marktführer im Bereich KI-Computing zu werden und fast den gesamten Markt für KI-Serverchips zu monopolisieren.

Während Intel einst den Servermarkt dominierte, übertreffen Nvidias GPUs seine CPUs im Hochleistungsrechnen. Die Chip-Prozesstechnologie von Intel hinkt TSMC hinterher, was zu einer passiven Produktstrategie führt. Nvidia liegt bereits weit vorne, während AMD zu Intel aufschließt.

Mit dem Erfolg von NVIDIA konzentriert sich die Forschungs- und Entwicklungsrichtung von Chips der nächsten Generation stärker auf die tiefgreifende Integration von KI-Modellen. Die Wahl liegt nicht nur auf der GPU, da die hohen Kosten für die Verbesserung der Rechenleistung hauptsächlich auf KI-Chips zurückzuführen sind. Daher entwickelt NVIDIA Modell-Trainingschips und wird zweifellos in Frage gestellt, und Unternehmen wie Intel, AMD und Qualcomm bereiten sich darauf vor.

Wird es also bei KI-Chips das nächste NVIDIA geben?

01 KI-Chips müssen zuerst einen Schwellenwert überschreiten

KI-Chips können entsprechend ihrem Einsatzort in Cloud-, Terminal- und Edge-Seiten unterteilt werden; sie können auch entsprechend unterschiedlicher Aufgaben in Trainings-Chips und Inferenz-Chips unterteilt werden. Das Modelltraining wird in der Cloud im Rechenzentrum durchgeführt. Der Chip muss eine große Menge an Datenberechnungen unterstützen. Auf der Terminal- und Edge-Seite sind die Anforderungen an die Rechenleistung etwas geringer, aber NVIDIA dominiert das Feld an Trainingschips, aber es gibt keinen Mangel an Chips, die für Inferenz besser geeignet sind als GPUs.

Spezialisierte KI-Chips mit unterschiedlichen Leistungen umfassen GPU, ASIC, FPGA, NPU usw., die als XPU bezeichnet werden können. Die unterschiedlichen Namen spiegeln die Unterschiede in ihren jeweiligen Architekturebenen wider. Dedizierte KI-Chips sind in der Lage, in den Bereichen, auf die sie spezialisiert sind, mit GPUs mithalten zu können. Auch wenn es ihnen an Skalierbarkeit mangelt, sind sie in Bezug auf Leistung und Rechenleistung den allgemeineren GPUs voraus, auch wenn letztere mehr können.

Dies geht auf die ursprüngliche Logik zurück, dass die CPU im Bereich des maschinellen Lernens aufgegeben wurde. Wird es in Zukunft einen neuen Chip geben, der sich auf die GPU auswirken kann?

Derzeit sind es vor allem große Hersteller auf der ganzen Welt, Chips selbst herzustellen. Es besteht jedoch keine Notwendigkeit, die Chips entsprechend ihren wichtigen Geschäftsrichtungen herzustellen.

Googles TPU verwendet beispielsweise ASIC, das nur für Beschleuniger von Faltungs-Neuronalen Netzen vorgesehen ist. Teslas Dojo ist ein speziell für FSD verwendeter Bildverarbeitungschip. Auch inländische Unternehmen wie Baidu und Alibaba investieren viel Energie in selbst entwickelte Chips.

Dedizierte Prozessoren stellten lange Zeit keine wirkliche Bedrohung für GPUs dar. Dies hängt hauptsächlich mit der Marktkapazität, den Kapitalinvestitionen und dem durch Moores Gesetz gebildeten positiven Zyklus zusammen.

Laut IDC-Daten machte die GPU im Jahr 2021 89 % des Marktanteils aus; die NPU-Verarbeitungsgeschwindigkeit ist zehnmal schneller als die GPU und macht 9,6 % des Marktanteils aus, ASIC und FPGA machten einen kleineren aus Marktanteil von 1 % bzw. 0,4 %.

In den letzten dreißig Jahren hat der Aufstieg von Wafer-Foundries wie TSMC und Samsung den Trend der Arbeitsteilung und Spezialisierung geprägt. Technologische Fortschritte bei der Ausrüstung und fortschrittlichen Prozessen haben es Chipdesign-Unternehmen wie Nvidia und Qualcomm ermöglicht, ihr Können unter Beweis zu stellen , und haben auch Apple, Google usw. zugelassen. Große Technologieunternehmen haben begonnen, Chips zur Definition ihrer Produkte und Dienstleistungen zu verwenden. Der Boden für spezielles Chip-Design ist fruchtbar, und jeder profitiert davon.

In den Augen der Wettbewerber ist die GPU kein Chip, der speziell für maschinelles Lernen entwickelt wurde. Der Grund für ihren Erfolg liegt hauptsächlich in der komplexen Ökologie, die durch die Kombination der Framework-Softwareschicht entsteht, die die Vielseitigkeit des Chips verbessert.

Tatsächlich Seit 2012 ist der Rechenleistungsbedarf von Kopftrainingsmodellen jedes Jahr um das Zehnfache gestiegen und nähert sich der Rechenleistungsgrenze nach dem Mooreschen Gesetz.

Seit dem Tesla M2090 im Jahr 2011 wurden GPUs für Rechenzentrumsprodukte sukzessive aktualisiert und iteriert, um Hochleistungs-Trainingscomputer und KI-Training zu ermöglichen und so die Geschwindigkeit bei der Einführung einer neuen Produktgeneration aufrechtzuerhalten Alle zwei Jahre stieg auch die Rechenleistung von 7,8 TFLOPS auf 30 TFLOPS, was einer Steigerung um fast das Vierfache entspricht.

Der neueste H100 hat die Trainingszeit großer Modelle sogar von einer Woche auf einen Tag verkürzt.

Aufgrund des hohen Anteils von NVIDIA im Bereich der KI-Chips lässt sich sagen: Das Wachstum der Rechenleistung für das KI-Modelltraining wurde in der Vergangenheit hauptsächlich durch die GPU-Serie von NVIDIA unterstützt, was ein positives Feedback zur Chipgröße hervorrief Die Auslieferungen stiegen, die Verbreitung glättete die Entwicklungskosten von NVIDIA-Chips.

Verglichen mit dem zukünftigen Bedarf an Rechenleistung wird sich die technologische Iteration eines Allzweck-Chips irgendwann verlangsamen. Nur durch das Durchlaufen dieses Vorwärtszyklus können Spezialprozessoren hinsichtlich der Kosten mit den Allzweck-Chips mithalten.

Aber die Schwierigkeit besteht darin, dass sich Spezialprozessoren nur auf Marktsegmente konzentrieren und die Marktgröße einfach nicht so gut ist wie die des Allzweckmarktes. Im Vergleich zur Leistungsverbesserung pro Einheit bei Allzweckchips dauert es oft länger Um die Kosten zu senken, wird jedoch erwartet, dass die Ausgaben für KI-Chips, CPUs und GPUs in Zukunft deutlich steigen, da die KI zunehmend in Anwendungsszenarien vordringt.

Laut Precedence Research wird der weltweite Markt für KI-Chips im Jahr 2022 16,86 Milliarden US-Dollar betragen, mit einer jährlichen Rate von etwa 30 % wachsen und bis 2032 voraussichtlich etwa 227,48 Milliarden US-Dollar erreichen.

02 Drei Familien werden getrennt gefördert, wie können sie gegeneinander kämpfen?

NVIDIAs Monopol auf Rechenleistung beschleunigt und verstärkt sich im heutigen groß angelegten Modellkrieg, und die Nachfrage nach GPU-Beschaffungen übersteigt zunehmend die Erwartungen von TSMC und NVIDIA, und das Angebot ist unzureichend, sodass die Preise steigen und der Zyklus weitergeht.

Inländische und ausländische Technologiehersteller verfolgen eine einheitliche Haltung bei der Auswahl selbst entwickelter Chips oder helfen anderen Chipherstellern, mit NVIDIA zu konkurrieren, um neues Angebot zu stimulieren und die Chipkosten zu senken.

AMD stieg Anfang letzten Monats im Intraday-Handel um 12 %, da bekannt wurde, dass Microsoft mit AMD zusammenarbeitet, um dessen Expansion in den Bereich KI-Chips zu finanzieren, und mit dem Chiphersteller bei einem Produkt mit dem Codenamen Athena-Chip zusammenarbeitet , aber Microsoft dementierte die Nachricht später offiziell.

Das erinnert an die „WINTEL“-Allianz in den 1990er Jahren, die sich gegenseitig zum PC-Betriebssystem von Microsoft und zum Status von Intel bei CPUs beitrug. Zu diesem Zeitpunkt ist AMD zur größten Bedrohung für Intels Marktanteil geworden.

Der Computermarkt erlitt im vergangenen Jahr einen schweren Rückschlag sowohl bei Unternehmensservern als auch bei Unterhaltungselektronik. Sowohl Intel als auch AMD verzeichneten mit einem Rückgang von 21 % bzw. 19 % die größten Rückgänge seit mehr als 30 Jahren. jeweils.

Obwohl die wichtigsten Unternehmen Anzeichen von Schwäche zeigen, hat sich die Wettbewerbslandschaft der Branche erneut enorm verändert.

Laut Passmark-Datenüberwachung ist der Anteil von AMD im Rechenzentrumsmarkt im vergangenen Jahr auf 20 % gestiegen und hat Intel fast 10 % des Anteils weggenommen (70,77 % im Jahr 2022). Am 2. Januar dieses Jahres nähert sich AMD wieder der 40 %-Marke , %, zurück auf das Niveau von 2004.

Der Grund, warum AMD dies verfolgen konnte, liegt darin, dass es sich einerseits auf die Leistungsfähigkeit von TSMC verlassen hat, um sein Produktportfolio kontinuierlich zu optimieren und die Akzeptanzrate der in Rechenzentren verwendeten EPYC Milan-Prozessoren zu erhöhen. dieser Geschäftsumsatz stieg um 64 %.

Die andere Seite hängt mit den schlechten strategischen Entscheidungen der Wettbewerber zusammen. Die Innovationskraft von Intel bei CPUs ist versiegt, und die Produktkapazitäten, die im letzten Jahrzehnt eine führende Position behauptet haben, sind im Vergleich zu den Mitbewerbern deutlich zurückgegangen.

Als Apple wollte, dass Intel Mobiltelefon-CPUs für das iPhone der ersten Generation entwickelt, lehnte CEO Paul Otellini ab, weil das Angebot zu niedrig war. Der x86-Marktführer schätzte die Möglichkeiten auf der mobilen Seite falsch ein.

Zusätzlich zum Mangel an strategischer Vision gibt es auch Produkteinführungspläne, die sich ständig verzögern. Jetzt sind TSMC und Samsung führend bei der Iteration fortschrittlicher Prozesse und bilden die Basis für die Fortsetzung Upgrade von Allzweckchips wie CPUs selbst Die Rückständigkeit der Prozesstechnologie wirkt sich negativ auf das Tempo der Produktaktualisierungen aus, die eher dem „Auspressen von Zahnpasta“ ähneln. Seit seinem Höhepunkt im Jahr 2021 ist sein Marktwert um mehr als die Hälfte gesunken.

Andererseits hat AMD die Produktkategorien kontinuierlich erweitert, eine kostengünstige Strategie verfolgt und nacheinander ATI und Xilinx übernommen und ist damit der erste Chiphersteller geworden, der gleichzeitig CPU+GPU+FPGA erworben hat. Im Jahr 2018 überholte AMD erstmals den CPU-Prozess auf der PC-Seite, und sein Marktanteil begann sich zu beschleunigen. Im Jahr 2019 übernahm das Unternehmen gemeinsam mit TSMC die Führung beim Sprung in die 7-nm-Technologie und erreichte auch auf dem Server eine Prozessüberschreitung Im vergangenen Jahr übertraf sein Marktwert Intel.

Vor nicht allzu langer Zeit hat AMD den Instinct MI 300 auf den Markt gebracht, der eine CPU+GPU-Dual-Architektur kombiniert, um offiziell in die KI-Trainingsbranche einzusteigen. Dieser Chip misst NVIDIAs Grace Hopper in Bezug auf Spezifikationen und Leistung direkt.

Dies ist ein wichtiger Schritt, nachdem das AMD-Management KI als strategischen Schwerpunkt hervorgehoben hat. Im Gegensatz zu NVIDIA, das auch seine eigene Rechenleistung vermietet, konzentriert sich AMD auf den Aufbau einer wettbewerbsfähigen Chipmatrix Der Durchbruch aus den Rechenzentren der Cloud-Anbieter wird voraussichtlich im vierten Quartal dieses Jahres zunehmen.

Eigentlich ist es nicht so, dass diese beiden CPU-Giganten gekämpft hätten, Nvidia außen vor ließen und am Ende nicht aufholen konnten.

Intel hat seit 2015 riesige Summen ausgegeben, um eine große Anzahl von Unternehmen für künstliche Intelligenz wie Altera, Mobileye, Nervana usw. zu erwerben, aber die Ergebnisse haben dem Unternehmen nicht viel gebracht. Es ähnelt eher der Gründung dieser Unternehmen und darauf warten, Lottoscheine zu gewinnen.

Intel hat auch geplant, eine mit Nvidia vergleichbare GPU auf den Markt zu bringen, aber der Plan hat sich verzögert.

Im Jahr 2021 kündigte Intel eine Flaggschiff-GPU mit dem Codenamen „Ponte Vecchio“ für den Einsatz in Rechenzentren an, die Lieferung verzögerte sich jedoch weiterhin. Auch der Nachfolger Falcon Shores GPU, der x86-CPU und Xe-GPU kombiniert, wurde auf 2025 verschoben.

Es ist wahr, dass der Erfolg von NVIDIA nicht nur von guter Hardware abhängt. Anders als Intels früherer Weg, der Erste in Sachen Hardware zu sein, hat die GPU-Architektur von NVIDIA eine zweijährige Entwicklungsgeschwindigkeit beibehalten und mit ihrem universellen Computing-Framework softwareökologische Hürden aufgebaut.

Im Prozess der Chipentwicklung sind die Gewinner, die den Standard definieren, oft die Starken. Um mit NVIDIA zu konkurrieren, ist die Kosteneffizienz ein notwendiges Gewicht, und das Ökosystem ist ebenso entscheidend. Die Entwicklung der Rechenleistung zur Förderung des Fortschritts der KI beruht auch auf der Konkurrenz und dem gegenseitigen Übertreffen dieser Hersteller.

In dieser Hinsicht haben sie, egal ob AMD, Intel oder andere Nachzügler, noch einen langen Weg vor sich.

Das obige ist der detaillierte Inhalt vonRiesen „stürmen' KI-Chips! AMD kämpft gegen Nvidia. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!