昇腾若转GPU谁受损？

最近，AI芯片的热点新闻接二连三，先是一批AI芯片初创公司密集宣布IPO，再是“盘古”大模型内部人员爆料“打假”，后有黄仁勋来华并宣布H20芯片恢复销售，然后网络消息传出HW或将放弃深耕多年的昇腾ASIC路线，转向GPU路线。

众所周知，网络上的瓜往往是空穴来风。对于当下如火如荼的AI行业而言也许影响深远。

ASIC和GPU路线的差异

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

CPU就属于什么都能做，但各项任务都不精。

GPU的通用性比CPU差，但在科学运算、渲染等方面性能明显强于CPU。

DSP的专用性则比GPU强，通用性则更差。

AISC则是追求特定场景专用性能牺牲通用性的典型。

打个比方，CPU就是瑞士刀，多功能，但在专业领域表现一般，上阵杀敌不如陌刀，救死扶伤不如手术刀。

AISC则像是专业刀具，厂家根据特定的应用场景，开发出手术刀、陌刀、军刺等专业工具，但这些专用刀具基本不具备通用性。简单来说，就是客户不能买了陌刀拿去干手术刀的活，买了手术刀也没法安装在步枪上拼刺刀。

由于大陆集成电路产业在设计和制造与西方有差距，本土厂商往往选择牺牲通用性，换取特定场景的高性能。

以昇腾而言，就不支持双精度浮点运算，而双精度浮点运算对科学运算至关重要。支持双精度浮点运算会提高芯片的设计复杂度和功耗，在制造工艺落后于人的情况下，一旦支持双精度浮点运算，必然影响整体性能和能效比。

相比之下，英伟达的计算卡就支持双精度浮点运算。

在PPT上，国产AI芯片也习惯于拿特定场景的性能指标去对标英伟达。

其实，这里国产AI芯片厂商玩了文字游戏，那就是英伟达的参数指标高是建立在其具有较强通用性上的，而国产AI芯片在某个指标上追平英伟达。

简言之，英伟达的计算卡是六边形战士，国产AI计算卡只是偏科生，在特定应用表现良好，无法适应多样化的应用场景。

从参数上看，H20是H100的阉割版本，算力只有H100的三分之一，不少国产AI计算卡在PPT上的算力都远远比H20强。即便如此，本土互联网公司依旧对H20产生了巨大的采购需求。

之所以如此，一方面是之前讲的，英伟达的GPU是六边形战士之外，另外一个原因就是CUDA。

英伟达围绕CUDA建立了一套相对丰富的软件生态，用户买了计算卡可以直接用，能够节约海量时间成本和软件开发成本。

在不久前的大模型套壳事件中，HW员工爆料即便是有自家AISC计算卡的情况下，也用英伟达的计算卡训练。出现这种情况的根源就在于英伟达的GPU软件生态好。

ASIC的硬件指令架构相对简单，对高带宽的敏感度不如GPU，这就大幅降低了硬件门槛。

不过，技术复杂度只会转移，不会消失。

从实践上看，AISC对软件的要求难度大于硬件。

给AISC写软件的难度远远高于给GPU写算子做优化。即便是一些头部互联网大厂，专门配备团队写软件，依旧苦不堪言，因而正在测试兼容CUDA的国产GPU，寻找更合适的AI芯片供应商。

诚然，在特定应用AISC确实有优势，但这仅仅是在特定细分市场有优势，谷歌的TPU也只是自己用，而不是面向公开市场，在易用性方面，GPU优势明显。

事实上，商业竞争终究还是看易用性和全周期使用成本。

pytorch和TensorFlow之争，尽管tensorflow局部特性可以使得性能能更好一些，但pytorch易用性的优势足以让其脱颖而出。GPU买来就用的易用性是ASIC不具备的。

GPU在全周期使用成本上相对于ASIC优势明显。购买GPU直接可用CUDA，节约了大量成本。而用AISC则需要开发深度学习引擎框架，还要专门做适配调优，资金成本和时间成本高，特别是在当下大厂技术竞赛的背景下，时间和精力非常宝贵，除非买不到英伟达的GPU，否则互联网巨头不会买ASIC。

实事求是的说，AISC在特定应用是有优势的，比如推理，但用来训练就力所不逮了。

这几年的实践证明，AISC专用性强，适合细分市场，GPU通用性好，适合主流市场。特别是这几年AI发展迅速，通用性好的硬件更适合新场景、新业态。

这也是HW拟改换技术路线，拟放弃ASIC，转向GPU的根源。

事实上，这几年很多地方政府受到“高层路线关系”的裹挟，用高于市场的价格购买了昇腾全栈产品，建设了大量智算中心，但业内人都知道，受限于技术体系封闭，软件生态贫乏，智算中心的算力闲置较高，这是巨大的浪费。地方政府有苦难言，又不敢说出去显得打脸。

在中央要求过紧日子的当下，应当把好钢用在刀刃上，选择更加通用、可实际跑起来的产品，提升财政资金的使用效率。特别是在HW 自己都打算放弃AISC投奔GPGPU的当下，再去花高价买昇腾就是1911年挥刀自宫当太监了。

从产业发展的角度来看，GPU必然成为主流，既有硬件上六边形战士的优势，也有CUDA软件生态上的优势。

必须指出的是，GPU因其通用性，可以在游戏显卡、超算、AI等行业大展拳脚，而AISC只能限定于特定应用场景，通用性差就限制了AISC的推广，很难脱离政策建立商业上的正循环。

相比之下，GPU可以用庞大的游戏显卡个人用户来平摊成本，这是ASIC所不具备的。

更加庞大的用户数量就意味着能够更快回笼研发资金，意味着更快的技术迭代速度，意味着更快的软件生态成熟速度，这种现象在IT发展史上已经反复出现，比如服务器淘汰小型机，PC淘汰传统工作站。

未来，必然是GPU为主，ASIC为补充的行业格局。