“爲了(le)計(jì)算(suàn)和(hé)人類的未來(lái)，我捐出世界上(shàng)第一台 DGX-1 。 ”
2016 年 8 月，英偉達創始人黃仁勳，帶着一台裝載了(le) 8 塊 P100 芯片的超級計(jì)算(suàn)機 DGX-1 ，來(lái)到(dào)了(le) OpenAI 的辦公大(dà)樓。
在現(xiàn)場人員到(dào)齊後，老(lǎo)黃拿出記号筆(bǐ)，在 DGX-1 的機箱上(shàng)寫下(xià)這(zhè)句話(huà)。
與其一同前往的還有特斯拉和(hé) OpenAI 的創始人，埃隆馬斯克。
這(zhè)次 OpenAI 之行，老(lǎo)黃不爲别的，就是爲了(le)把這(zhè)台剛出爐的超算(suàn)送給 OpenAI ，給他(tā)們的人工(gōng)智能(néng)項目研究加一波速。
這(zhè)台 DGX-1 價值超過百萬，是英偉達超過 3000 名員工(gōng)，花(huā)費三年時(shí)間打造。
這(zhè)台 DGX-1 ，能(néng)把 OpenAI 一年的訓練時(shí)間，壓縮到(dào)短短一個月。而這(zhè)，是他(tā)對(duì)人工(gōng)智能(néng)未來(lái)的豪賭，加的一波注。七年之後，在前不久的 GTC 大(dà)會(huì)上(shàng)，老(lǎo)黃穿着皮衣，拿着芯片，整個宣講不離 AI 。
似乎是在告訴各位， AI 的時(shí)代，我英偉達，就要稱王了(le)，當年的豪賭，他(tā)赢了(le)！
這(zhè)麽說吧，在去年經曆一波礦難之後，不少人都以爲曾靠着礦潮狂賺一筆(bǐ)的英偉達，會(huì)在礦難之下(xià)市值暴跌，一蹶不振。
但(dàn)實際情況卻有點微妙。。。英偉達的股價在跌了(le)大(dà)半年之後，從(cóng)十月份開(kāi)始，一路上(shàng)漲，到(dào)現(xiàn)在，整個英偉達市值已經漲回到(dào)了(le) 6500 億美(měi)元，是 AMD 的 4 倍，英特爾的 6 倍。
瞧瞧，這(zhè)還是當年那個求着各位買顯卡的老(lǎo)黃嘛？
而讓英偉達的股價瘋漲的，那便是他(tā)們從(cóng)十多年前就開(kāi)始押注的 AI 計(jì)算(suàn)。
給大(dà)家一個數據，從(cóng) 15 年後，英偉達的 GPU 在超算(suàn)中心的市場份額就一路上(shàng)漲，這(zhè)幾年穩居 90% 左右。
在獨立 GPU 市場上(shàng)，英偉達的市場占有率也(yě)一度超過 80% 。
另外(wài)，包括 YouTube 、Cat Finder 、 AlphaGo 、 GPT-3 、 GPT-4 在内， AI 曆史上(shàng)那些(xiē)叫得出名的玩(wán)意，幾乎都是在英偉達的硬件上(shàng)整出來(lái)的。
英偉達的硬件，仿佛就是新時(shí)代的内燃機，載着 AI 時(shí)代不斷前進。
差友們可能(néng)會(huì)有點疑問，爲什(shén)麽在 AI 爆發的時(shí)代，好(hǎo)像就隻有老(lǎo)黃有好(hǎo)處，其它的顯卡生産商們的顯卡不能(néng)訓練 AI 嘛？能(néng)訓練，但(dàn)隻能(néng)訓練一點點。
爲啥？這(zhè)就不得不提到(dào)英偉達從(cóng) 2006 年就開(kāi)始着手開(kāi)發一個東西—— CUDA （ 統一計(jì)算(suàn)設備架構 ）。
差評君簡單解釋一下(xià)它是幹嘛的，當你(nǐ)想要計(jì)算(suàn)一些(xiē)比較龐大(dà)的運算(suàn)問題時(shí)，通過 CUDA 編程，你(nǐ)就能(néng)充分利用(yòng) GPU 的并行處理(lǐ)能(néng)力，從(cóng)而大(dà)幅提升計(jì)算(suàn)性能(néng)。
差評君說一個聽來(lái)的比喻。
CPU 就好(hǎo)比是個數學教授， GPU 就是 100 個小(xiǎo)學生，放(fàng)一道(dào)高(gāo)數題下(xià)來(lái)那 100 個小(xiǎo)學生可能(néng)會(huì)懵逼；但(dàn)是放(fàng) 100 道(dào)四則口算(suàn)題下(xià)來(lái)，那 100 個小(xiǎo)學生同時(shí)做肯定比數學教授快(kuài)多了(le)。
深度學習就是上(shàng)面的例子中那 100 道(dào)口算(suàn)題，那個讓 GPU 處理(lǐ)器并行運算(suàn)的 “ 工(gōng)具 ” 就叫 CUDA 。
一般來(lái)說，使用(yòng) CUDA 和(hé)不使用(yòng) CUDA ，兩者在計(jì)算(suàn)速度上(shàng)往往有數倍到(dào)數十倍的差距。
既然 CUDA 這(zhè)麽有用(yòng)，爲什(shén)麽其它的 GPU 廠(chǎng)商不去搞個競品呢(ne)？不是不去搞啊，而是他(tā)們真的沒想到(dào)！
在早期， GPU 的作(zuò)用(yòng)隻是爲了(le)加速圖形渲染，各大(dà)廠(chǎng)商們認爲它就是一個圖形專用(yòng)計(jì)算(suàn)芯片，并沒有想到(dào)把 GPU 用(yòng)在其它通用(yòng)計(jì)算(suàn)方面。至于拿來(lái)做深度學習？以那個年代的 AI 能(néng)力，一是沒有太大(dà)的必要，二是也(yě)沒有人覺得它有用(yòng)。
英偉達深度學習團隊的布萊恩在聊到(dào) CUDA 時(shí)這(zhè)麽說道(dào)：
“ 在 CUDA 推出十年以來(lái)，整個華爾街一直在問英偉達，爲什(shén)麽你(nǐ)們做了(le)這(zhè)項投入，卻沒有人使用(yòng)它？他(tā)們對(duì)我們的市值估值爲 0 美(měi)元。 ”
不過說沒人用(yòng)也(yě)是過于嚴重了(le)。
其實早在 2012 年，多倫多大(dà)學的 Alex Krizhevsky 就在 ImageNet 計(jì)算(suàn)機視(shì)覺挑戰賽中，利用(yòng) GPU 驅動的深度學習擊敗了(le)其它對(duì)手，當時(shí)他(tā)們使用(yòng)的顯卡是 GTX580 。
在這(zhè)之後又經過了(le) 4 年，那些(xiē)搞深度學習的人才突然意識到(dào)， GPU 的這(zhè)種設計(jì)結構方式，在訓練 AI 的速度上(shàng)，真的是 CPU 不能(néng)比的。而擁有了(le) CUDA 原生支持的英偉達 GPU ，更是首要之選。
到(dào)現(xiàn)在，資本們已經看(kàn)到(dào)了(le) AI 的重要之處，爲什(shén)麽大(dà)家都還在卷 AI 模型，而不去卷老(lǎo)黃的市場呢(ne)？
原因在于，它們已經很(hěn)難再拿到(dào) AI 加速芯片的入場券了(le)。在人工(gōng)智能(néng)産業上(shàng)，整個深度學習的框架已經是老(lǎo)黃的形狀了(le)。
AI 發展的數十年間，英偉達通過對(duì) CUDA 開(kāi)發和(hé)社區(qū)的持續投入， CUDA 和(hé)各類 AI 框架深度綁定。
當今使用(yòng)排行靠前的各類 AI 框架，就沒有不支持 CUDA 的，也(yě)就是說你(nǐ)想要讓你(nǐ)的深度學習跑的快(kuài)？買張支持 CUDA 的高(gāo)性能(néng)卡是最好(hǎo)的選擇，說人話(huà)就是——買 N 卡吧。
當然，在 CUDA 大(dà)力發展期間，也(yě)有其它公司在嘗試着打破英偉達這(zhè)種接近壟斷的局面。
2008 蘋果就提過出 OpenCL 規範，這(zhè)是一個統一的開(kāi)放(fàng) API ，旨在爲各種不同的 GPU 型号提供一個規範，用(yòng)以開(kāi)發類似 CUDA 的通用(yòng)計(jì)算(suàn)軟件框架。
但(dàn)是，通用(yòng)就意味着不一定好(hǎo)用(yòng)。
因爲各大(dà)廠(chǎng)商 GPU 的型号繁而複雜(zá)，爲了(le)适應各種硬件，驅動版本也(yě)多如牛毛，質量參差不齊。而且缺少對(duì)應的廠(chǎng)商進行針對(duì)性的優化，所以，無論是哪一個版本的 OpenCL ，在同等算(suàn)力下(xià)，都比不過使用(yòng) CUDA 的速度。
而且恰恰是因爲 OpenCL 的通用(yòng)性，想要開(kāi)發支持 OpenCL 的框架，要比開(kāi)發CUDA 的複雜(zá)不少。原因還是同一個，缺少官方的支持，看(kàn)看(kàn)英偉達對(duì)CUDA開(kāi)發的工(gōng)具支持吧，CUDA Toolkit，NVIDIA GPU Computing SDK以及NSight等等。
OpenCL這(zhè)邊，就略顯寒酸了(le)。。。
這(zhè)就導緻如今能(néng)支持 OpenCL 的深度學習框架寥寥無幾。
舉個很(hěn)簡單的例子，當下(xià)最火的框架 PyTorch ，就連官方都沒有專門(mén)對(duì)OpenCL進行支持，還得靠着第三方開(kāi)源項目才能(néng)用(yòng)。
那同爲顯卡供應商的 AMD ，在面對(duì)老(lǎo)黃如日中天的 CUDA 時(shí)，除了(le) OpenCL ，有沒有自(zì)己的解決辦法呢(ne)？
方法确實是有，但(dàn)效果也(yě)确實不咋的。2016 年 AMD 發布了(le)全新的開(kāi)放(fàng)計(jì)算(suàn)平台—— ROCm ，對(duì)标的就是英偉達的 CUDA ，最關鍵的一點是，它還在源碼級别上(shàng)對(duì) CUDA 程序進行支持。
你(nǐ)看(kàn)，就算(suàn)是老(lǎo)黃的死對(duì)頭 AMD ，想的也(yě)不是另起爐竈，而是降低(dī)自(zì)己适配 CUDA 的門(mén)檻。。。
但(dàn)是，時(shí)至今日， ROCm 依然還是隻支持 Linux 平台，可能(néng)也(yě)是用(yòng)的人太少了(le)，有點擺爛的味道(dào)，畢竟，既然你(nǐ)支持 CUDA ，那我爲什(shén)麽要費盡心力去給你(nǐ)的 ROCm 專門(mén)編寫一套支持框架呢(ne)？
同年，谷歌也(yě)有了(le)行動，但(dàn)畢竟不是芯片制造商，谷歌隻是推出了(le)自(zì)己的 TPU 平台，專門(mén)針對(duì)自(zì)家的 TensorFlow 框架進行優化，當然原生支持的最好(hǎo)的也(yě)隻有 TensorFlow 了(le)。
至于英特爾那邊，也(yě)推出了(le)一個 OneAPI ，對(duì)标老(lǎo)黃的 CUDA ，不過由于起步較晚，現(xiàn)在還處于發展生态的環節，未來(lái)會(huì)怎樣還不太好(hǎo)說。
所以靠着先發優勢還有原生支持，導緻現(xiàn)在的深度學習，基本上(shàng)離不開(kāi)英偉達的 GPU 和(hé)他(tā)的 CUDA 。
最近大(dà)火的 ChatGPT ，就用(yòng)了(le)老(lǎo)黃的 HGX 主闆和(hé) A100 芯片，而老(lǎo)黃對(duì)此也(yě)是很(hěn)有自(zì)信的說道(dào)：
“ 現(xiàn)在唯一可以實際處理(lǐ) ChatGPT 的 GPU ，那就隻有我們家的 HGX A100 。 ”
沒錯，沒有其它可用(yòng)的了(le)，這(zhè)就是老(lǎo)黃的有恃無恐。
而随着 OpenAI 對(duì)大(dà)模型 AI 的成功驗證，各家巨頭對(duì)大(dà)模型 AI 的紛紛入局，英偉達的卡已經立馬成了(le)搶手貨。
所以如今的 AI 創業公司，出現(xiàn)了(le)一件很(hěn)有意思的現(xiàn)象，在他(tā)們的項目報(bào)告上(shàng)，往往會(huì)搭上(shàng)一句我們擁有多少塊英偉達的 A100 。
當大(dà)家在 AI 行業紛紛投資淘金(jīn)時(shí)，英偉達就這(zhè)樣靠着給大(dà)家賣水(shuǐ)——提供 AI 加速卡，大(dà)賺特賺，關鍵還在于，隻有它賣的水(shuǐ)能(néng)解渴。
因爲它的硬件以及工(gōng)具集，已經能(néng)影響到(dào)整個 AI 産業的戰局和(hé)發展速度了(le)。
更可怕的是，英偉達的優勢已經形成了(le)一種壁壘，這(zhè)壁壘厚到(dào)就連全球第二大(dà) GPU 廠(chǎng)商 AMD 都沒有辦法擊穿。
所以在 AI 大(dà)浪滔天的現(xiàn)在，能(néng)整出屬于自(zì)己的 AI 大(dà)模型固然重要，但(dàn)差評君卻覺得，啥時(shí)候能(néng)有自(zì)己的英偉達和(hé) CUDA 也(yě)同樣不可小(xiǎo)觑。
當然，這(zhè)條路也(yě)更難。
最後，差評君覺得在未來(lái)，我們需要抓緊突破的，絕對(duì)不隻是對(duì)人工(gōng)智能(néng)大(dà)模型相關的研究，更爲重要的是整個計(jì)算(suàn)芯片的設計(jì)，制造，以及 AI 生态的建設。
新的工(gōng)業革命已經到(dào)來(lái)， AI 技術的發展不僅加速了(le)人類生産力的發展，也(yě)加速了(le)那些(xiē)落後産能(néng)的淘汰，現(xiàn)在各行各業都處在變革的前夕。
強者越強，弱者無用(yòng)。雖然這(zhè)句話(huà)很(hěn)殘酷，但(dàn)在AI 領域，如果不奮力追上(shàng)，可能(néng)真的已經不需要 “ 弱者 ” 了(le)。
網站(zhàn)建設開(kāi)發|APP設計(jì)開(kāi)發|小(xiǎo)程序建設開(kāi)發