今年，“能写代码、能写论文”的ChatGPT可谓是火爆全球，AI技术应用迎来了“iPhone时刻”。一时间国内也涌现了众多大模型，部分大模型也陆续开始向公众开放；另一方面，全国各地也都在抢占人工智能的资源，纷纷投巨资建设人工智能算力中心，人工智能赛道可谓“百舸争流”。

在这两个现象的背后，笔者却发现了不一样的地方，各地新建动辄几百PB算力的智算中心，是以半精度(FP16)来作为计量标准的，甚至有些智算算力中心是通过NPU架构芯片堆出来的算力。

但其实业界公认，NPU天生特点决定了其在AI应用领域泛用性不足，因此NPU并不适合作为AI算力通用底座。

那我们就来聊一聊，为什么ChatGPT、自动驾驶这些领域不适合广泛采用NPU芯片？在正式开聊之前，先说明一下这里面的两个关键词：NPU和精度

（1）N

PU

和精度

在人工智能领域，AI芯片可以分为大概分为GPGPU、FPGA和ASIC。其中，

G

PGPU

在人工智能的计算市场销售额占比最大，据集微咨询（JW Insights）统计，AI类芯片在2022年352亿美元的市场规模中，GPGPU占比接近60%，霸主地位稳固。

我们知道 CPU遵循的是冯·诺依曼架构，核心是存储程序/数据、串行顺序执行。CPU的架构中需要大量的空间去放置存储单元和控制单元，相比之下计算单元只占据了很小的一部分，所以CPU在进行大规模并行计算方面受到限制，相对而言更擅长于处理逻辑控制。

与CPU相比，而GPU芯片空间的80%以上都是计算单元，即GPU拥有更多的计算单元用于数据并行处理，比如实现人工智能的深度学习、比特币挖矿等等。

G

PU

其实也可以简单分为两种，一种是主要搞图形渲染的，也叫做G

PU

显卡；另一种是主要搞计算的，叫做

GPGPU

，也叫通用G

PU

。

GPGPU芯片采用统一渲染架构，计算通用性最强，可以适用于多种算法，在很多算法前沿的领域，GPGPU是最佳选择。

FPGA

是一种半定制芯片，对芯片硬件层可以灵活编译。但是缺点也比较明显，当处理的任务重复性不强、逻辑较为复杂时，FPGA效率就会比较差。

ASIC

是一种为专门目的而设计的芯片（全定制），根据特定算法定制的芯片架构，算力强大，但专业性强缩减了其通用性，算法一旦改变，计算能力会大幅下降，需要重新定制。

我们知道的

NPU

、

TPU

就是这种架构，都属于A

SIC

定制芯片。

芯片的算力和精度又有怎样的联系？

根据参与运算数据精度的不同，可把算力分为双精度算力（64位，FP64）、单精度算力（32位，FP32）、半精度算力（16位，FP16）及整型算力（INT8、INT4）。数字位数越高，意味着精度越高，能够支持的运算复杂程度就越高，适配的应用场景也就越广。

举个例子，在科学计算、工程计算等领域，比如药物设计、新材料、航空航天、基因工程，天气预报等，都是需要处理的数字范围大而且需要精确计算的科学计算，需要双精度算力（FP64）的支持；在

AI

大模型、自动驾驶、深度学习

等领域，一般需要单精度算力（FP32）的支持，实现人工智能模型的训练；而像

数字孪生、人脸识别

等利用训练完毕的模型进行推理的业务，适用于半精度算力（FP16）或者整型算力（INT8、INT4）。

GPGPU

芯片一般会布局大量的双精度和单精度的计算区域，从NVIDIA旗舰产品白皮书中可以看出，其对FP64双精度浮点计算的布局占25%，对FP64/FP32高精度区域的布局占整个芯片的约一半左右。

图 N

VIDIA

高精度GPGPU架构图

而NPU芯片主要用于加速神经网络的运算，解决传统芯片在神经网络运算时效率低下的问题。NPU芯片包括乘加、激活函数、二维数据运算、解压缩等模块。它的优势是大部分时间集中在低精度的算法，新的数据流架构或内存计算能力。NPU芯片的算力一般以半精度算力（FP16）和整型算力（INT8、INT4）为主，擅长处理视频、图像类的海量多媒体数据，不涉及高精度算力应用的领域。

图 华为N

PU

计算单元图

综上所述，GPGPU可以支持从低精度到高精度所有类型的运算，而NPU仅能支持低精度运算，这就决定了两者可适用的场景存在差距。

在此情况下，某些NPU厂商混淆视听，只说自己是“算力最强的AI处理器”，却没有说清楚计算精度这一前提条件，是一种不负责的行为。

（

2

）

GPGPU

和N

PU

技术路线对比

说了这么多，我们发现GPGPU和NPU属于两个不同应用领域的芯片，GPGPU的算力精度涵盖较广，应用的领域也更广泛，整个产业的生态相对完整，但是芯片设计相对比较复杂，前一阵美国限制向中国出口的AI芯片也是高端的GPGPU芯片。

而NPU芯片主要是覆盖低精度，应用领域比较受限，特别是很多NVIDIA的业务如果迁移到NPU环境下，需要大量的迁移适配工作，而且模型在迁移后也会遇到各种各样的算法、引擎识别精度下降的问题。

表 ：GPGPU和NPU技术路线对比

NPU更符合“术业有专攻”，在AI应用推理环节，量身定制的NPU其实也有这效率和能耗的优势；但要是强行广泛应用于科学计算、模型训练等领域，NPU只能表示“臣妾做不到啊”。

（

3

）

ChatGPT

背后的算力面纱

当我们了解了GPGPU和NPU技术路线之后，我们再来揭开ChatGPT背后的算力面纱。

ChatGPT

的

开发逻辑，是近些年逐步替代了RNN(循环神经网络)和 CNN(卷积神经网络) 的Transformer架构语言模型。相较于RNN，Transformer引入了自我注意力(Self-attention)机制，结合算法优化可以实现并行运算，大量节约训练时间。可以看出，Transformer作为人工智能算法的进化是计算机软件层面的一个发展。

因此，为了支撑这种算法的不断进化，需要一整套通用算力系统。通俗而言，ChatGPT算法是在不断优化进步的，结合算法定制NPU很难满足大模型迭代发展需求。

也就是说，想要诞生ChatGPT这样的革命性成果，需要构建的是由高精度GPGPU+ CPU的通用异构计算体系，让各种尝试和各种创新在通用体系上自由生长。

而事实上，

ChatGPT以及国内众多的大模型，如紫东太初大模型、

文心一言

、

日日新SenseNova

大模型

等等

，也都是在这种由高精度GPGPU组成的异构计算体系中诞生的。

我国超大规模预训练模型的发展如火如荼，算力需求持续攀升，人工智能计算中心的建设保持快速增长，各地都在加速建设人工智能计算中心，甚至很多算力中心的规划已经超过了1000P，看样子应该能满足各地几年内的所有人工智能算力需求，但这些算力中心的AI芯片大部分都是NPU架构，目前真正应用起来的地方智算中心的寥寥无几，实际使用率也低得可怜。

另一方面，各个大模型的厂商、自动驾驶厂商和都在疯狂抢购高端的GPGPU卡，甚至不惜高价囤积高端GPGPU卡。

在这两个乱象的背后，我们需要去反思：现阶段我们是否需要建设如此大量的、空置的NPU算力中心？我们的算力中心是否应该以几百PB的FP16值作为评价标准？