ballbet安卓:微软OpenAI联手围剿英伟达首款自研AI芯片下月发布！
发布时间：2023-10-10 19:24:08   来源：ballbet安卓版 作者：ballbet安卓版西甲赞助    点击：119

　　知名外媒The Information独家爆料称，微软计划在下个月举行的年度开发者大会上，推出首款人工智能芯片。

　　不论是为了走出算力枯竭，更高效，低成本地开发自己的模型，还是为摆脱被「利润率高达1000%」的H100盘剥。

　　但是，根据业内人士爆料，英伟达对于已经推出自己芯片的公司，比如谷歌亚马逊，会控制GPU的供给。

　　所以「芯片自研」的道路，是一个风险和收益都很高的选择，毕竟谁也不想未来被黄老板在GPU供给上进一步「卡脖子」。

　　与英伟达的GPU类似，微软的芯片也是专为数据中心服务器设计，可用于训练和运行诸如ChatGPT这类的大语言模型。

　　目前，不管是为云客户提供先进的LLM支持，还是为自家的生产力应用提供AI功能，微软都需要依靠英伟达的GPU提供算力的加持。

　　而这款从2019年便开始研发的全新芯片，显然可以极大地减轻微软对英伟达GPU的依赖。

　　据知情人士称，微软和OpenAI组成的联合团队，现在已经在对其来测试了。

　　也是同年，微软宣布将向OpenAI投资10亿美元，并要求他们必使用微软的Azure云服务器。

　　然而，当微软开始与OpenAI进行更紧密地合作时发现，依靠购买GPU来支持这家初创公司、Azure客户以及自家产品的成本，实在是太高了。

　　据知情的人偷偷表示，在开发Athena期间，微软为满足OpenAI的需求，已经向英伟达订购了至少数十万块GPU。

　　据称，微软希望这款代号为Athena（雅典娜）芯片，能与一直供不应求的英伟达H100 GPU相媲美。

　　微软虽然还在讨论是否要向Azure云客户提供自研芯片，但该芯片在开发者大会上的首次亮相，可能预示着微软正在寻求吸引未来云客户的兴趣。

　　可以肯定的是，微软将借着Athena的推出，极大缩短与另外两家巨头的距离——谷歌和亚马逊早已在自家的云服务器上大规模采用了自研的芯片。

　　此外，为摆脱英伟达的「卡脖子」，微软还在与AMD密切合作，开发即将推出的人工智能芯片MI300X。

　　不过，微软和其他云服务提供商普遍表示，自己并没有停止从英伟达购买GPU的打算。

　　但如果他们能说服云客户更多地使用自研芯片，那么从长远来看，这可以极大地节省开支。同时，也能帮他们在与英伟达的谈判中获得更多筹码。

　　对于OpenAI来说，能同时减少对微软和英伟达芯片的依赖，显然是最好的。

　　据OpenAI网站上的几则招聘信息数据显示，公司正在招聘可以帮助其评估和共同设计AI硬件的人员。

　　此前，CEO Sam Altman曾将获得更多AI芯片作为公司的首要任务。

　　一方面，OpenAI所需的GPU十分短缺，另外，运行这些硬件时产生的成本「令人瞠目结舌」。

　　如果算力成本一直居高不下，长远来看于整个AI行业来说可能并不是一个好消息。

　　毕竟如果掘金的「铲子」卖的比金子本身都贵，那么还会有人去做挖金子的人吗？

　　根据Stacy Rasgon的分析，ChatGPT每次查询大约需要4美分。如果ChatGPT的查询量增长到谷歌搜索规模的十分之一，那么就将需要价值约481亿美元的GPU，并且每年需要价值约160亿美元的芯片来维持运行。

　　据业内资深人士分析，这将是一项投资巨大的战略举措，其中每年的成本可能高达数亿美元。而且，即使OpenAI将资源投入到这项任务中，也不能够确保成功。

　　除了完全的自研之外，还有一种选择是像亚马逊在2015年收购Annapurna Labs那样，收购一家芯片公司。

　　据一位知情的人偷偷表示，OpenAI已经考虑过这条路，并对潜在的收购目标进行了尽职调查。

　　但即使OpenAI继续推进定制芯片计划（包括收购），这项工作也在大多数情况下要数年时间。在此期间，OpenAI还是将依赖于英伟达和AMD等GPU供应商。

　　因为就算强如苹果，在2007年收购了P.A. Semi和Intristy，到2010年推出第一款芯片A4，也经历了3年的时间。

　　而OpenAI，自己本身都还是一家初创公司，这样的一个过程也许走得会更加艰难。

　　OpenAI不但要能设计出性能上不落后的硬件，还要在软硬件协同方面赶超CUDA，一定不是一件容易的事情。

　　OpenAI要做的芯片，不需要向其他巨头推出的芯片一样，服务于整个AI行业。

　　这和谷歌、亚马逊这种将自己的AI芯片放在云端提供给第三方使用的芯片会有很大的不同，因为几乎不用考虑兼容性的问题。

　　这样就能在设计层面让芯片能更高效地执行Transformer模型和相关的软件栈。

　　而且，OpenAI在模型训练方面的一马当先的优势和规划，能让它实际做到在未来把模型训练相关的硬件问题，用自己独家设计的芯片来解决。

　　不用担心自己的芯片在「满足个人需要」的性能上，相比与英伟达这样的行业巨头会有后发劣势。

　　设计自己的AI芯片，与英伟达直接「刚正面」如此之难，为什么巨头们还要纷纷下场？

　　加上云提供商在中间还要再赚一笔。这样，包括OpenAI在内，使用英伟达GPU+云提供商的基础模型企业成本肯定居高不下。

　　现在，购买一个使用英伟达H100 GPU的人工智能训练集群，成本约为10亿美元，其FP16运算能力约为20 exaflops（还不包括对矩阵乘法的稀疏性支持）。而在云上租用三年，则会使成本增加2.5倍。

　　这些成本包括了集群节点的网络、计算和本地存储，但不包括任何外部高容量和高性能文件系统存储。

　　购买一个基于Hopper H100的八GPU节点在大多数情况下要花费近30万美元，其中还包括InfiniBand网络（网卡、电缆和交换机）的分摊费用。

　　同样的八GPU节点，在AWS上按需租用的价格为260万美元，预留三年的价格为110万美元，在微软Azure和谷歌云上的价格可能也差不多。

　　因此，如果OpenAI能够以低于50万美元的单价（包括所有成本）构建系统，那么它的成本将减少一半以上，同时还能掌握自己的「算力自由」。

　　将这些费用削减一半，在投入资源不变的情况下，OpenAI的模型规模就会扩大一倍；如果成本能减少四分之三，则翻四倍。在模型规模每两到三个月翻倍的市场中，这一点非常重要。

　　所以长远来看，也许任何一个有野心的AI大模型公司，都不得不面对的一个最基本问题是——如何尽可能的降低算力成本。

　　对于OpenAI和微软下场造AI芯片的做法，一些网友似乎持不同的意见，认为AI芯片是一个「陷阱」。

　　逼得OpenAI等模型公司造硬件，一个最大的原因是其他芯片公司完全不给力，英伟达基本上没有竞争。

　　如果AI芯片是一个竞争充分的市场，OpenAI这类的公司就不会自己下场做AI芯片。

　　而有些想法更加激进的网友认为，大语言模型未来将集成到芯片当中，人类可以用自然语言和计算机直接对话。所以设计芯片是走到那一步的自然选择。