ChatGPT突然爆火，这些芯片要受益！
随着ChatGPT流量激增，作为算力载体的AI服务器将迎来重要发展机遇。预计，全球AI服务器市场将从2020年的122亿美元成长到2025年288亿美元，年复合增长率达到18.8%。从芯片构成来看，AI服务器主要是CPU+加速芯片，通常搭载GPU、FPGA、ASIC等加速芯片，利用CPU与加速芯片的组合可以满足高吞吐量互联的需求。
最近，ChatGPT热潮席卷全球。
ChatGPT（Chat Generative Pre-trained Transformer）是由OpenAI于2022年11月推出的对话AI模型，仅发布2个月便实现月活突破1亿，成为历史上用户增长最快的消费级应用之一。
图片来源：纽约时报
ChatGPT火出圈背后是“人类反馈强化模型”的应用。在问答模式的基础上，ChatGPT可以进行推理、编写代码、文本创作等等，这样的特殊优势和用户体验使得应用场景流量大幅增加。
随着ChatGPT用户数快速增长，需求量火爆引发宕机。在庞大用户群涌入的情况下，ChatGPT服务器2天宕机5次，火爆程度引人注目的同时也催生了对算力基础设施建设更高的要求，特别是底层芯片。那么，ChatGPT将带动哪些芯片的需求？
AI服务器需求激增
当前，ChatGPT在问答模式的基础上进行推理、编写代码、文本创作等，用户人数及使用次数均提升，同时在一些新应用场景也产生了较大的流量，比如智能音箱、内容生产、游戏NPC、陪伴机器人等。随着终端用户使用频率提高，数据流量暴涨，对服务器的数据处理能力、可靠性及安全性等要求相应提升。
从技术原理来看，ChatGPT基于Transformer技术，随着模型不断迭代，层数也越来越多，对算力的需求也就越来越大。从运行条件来看，ChatGPT完美运行的三个条件：训练数据+模型算法+算力，需要在基础模型上进行大规模预训练，存储知识的能力来源于1750亿参数，需要大量算力。
资料显示，ChatGPT是基于GPT-3.5优化的一个模型，GPT-3.5是GPT-3.0的微调版本。OpenAI的GPT-3.0模型存储知识的能力来源于1750亿参数，单次训练费用约460万美元，GPT-3.5在微软AzureAI超算基础设施上进行训练，总算力消耗约3640PF-days(即假如每秒计算一千万亿次,需要计算3640天)。
可以说，ChatGPT拉动了芯片产业量价齐升，即不仅对人工智能底层芯片数量产生了更大的需求，而且对底层芯片算力也提出了更高的要求，即拉动了高端芯片的需求。据悉，采购一片英伟达顶级GPU成本为8万元，GPU服务器成本通常超过40万元。支撑ChatGPT的算力基础设施至少需要上万颗英伟达GPU A100，高端芯片需求的快速增加会进一步拉高芯片均价。
随着ChatGPT流量激增，作为算力载体的AI服务器将迎来重要发展机遇。预计，全球AI服务器市场将从2020年的122亿美元成长到2025年288亿美元，年复合增长率达到18.8%。
这些芯片将受益
从芯片构成来看，AI服务器主要是CPU+加速芯片，通常搭载GPU、FPGA、ASIC等加速芯片，利用CPU与加速芯片的组合可以满足高吞吐量互联的需求。
1.CPU
作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。其优势在于有大量的缓存和复杂的逻辑控制单元，擅长逻辑控制、串行的运算；劣势在于计算量较小，且不擅长复杂算法运算和处理并行重复的操作。因此，CPU在深度学习中可用于推理/预测。
目前，服务器CPU向多核心发展，满足处理能力和速度提升需要，比如AMD EPYC 9004核心数量最多可达96个。不过，系统性能优劣不能只考虑CPU核心数量，还要考虑操作系统、调度算法、应用和驱动程序等。
2.GPU
GPU高度适配AI模型构建，由于具备并行计算能力，可兼容训练和推理，目前GPU被广泛应用于加速芯片。以英伟达A100为例，在训练过程中，GPU帮助高速解决问题：2048个A100 GPU可在一分钟内成规模地处理 BERT之类的训练工作负载。在推理过程中，多实例GPU (MIG)技术允许多个网络同时基于单个A100运行，从而优化计算资源的利用率。在A100其他推理性能增益的基础之上，仅结构稀疏支持一项就能带来高达两倍的性能提升。在BERT等先进的对话式AI模型上，A100可将推理吞吐量提升到高达CPU的249倍。
目前，ChatGPT引发了GPU应用热潮。其中，百度即将推出文心一言（ERNIE Bot）。苹果则引入AI加速器设计的M2系列芯片（M2 pro和M2 max）将被搭载于新款电脑。随着ChatGPT的使用量激增，OpenAI需要更强的计算能力来响应百万级别的用户需求，因此增加了对英伟达GPU的需求。
AMD计划推出与苹果M2系列芯片竞争的台积电4nm工艺“Phoenix”系列芯片，以及使用Chiplet工艺设计的“Alveo V70”AI芯片。这两款芯片均计划在今年推向市场，分别面向消费电子市场以及AI推理领域。
3.FPGA
FPGA具有可编程灵活性高、开发周期短、现场可重编功能、低延时、方便并行计算等特点，可通过深度学习+分布集群数据传输赋能大模型。
4.ASIC
ASIC在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点，可进一步优化性能与功耗。随着机器学习、边缘计算、自动驾驶的发展，大量数据处理任务的产生，对于芯片计算效率、计算能力和计能耗比的要求也越来越高，ASIC通过与CPU结合的方式被广泛关注，国内外龙头厂商纷纷布局迎战AI时代的到来。
其中，谷歌最新的TPU v4集群被称为Pod，包含4096个v4芯片，可提供超过1 exaflops的浮点性能。英伟达GPU+CUDA主要面向大型数据密集型HPC和AI应用；基于Grace的系统与NVIDIAGPU紧密结合，性能比NVIDIADGX系统高出10倍。百度昆仑2代AI芯片采用全球领先的7nm 制程，搭载自研的第二代 XPU 架构，相比一代性能提升2-3倍；昆仑芯3代将于2024年初量产。
5.光模块
当前，AI时代模型算力需求已经远超摩尔定律的速度增长，特别是在深度学习、大模型时代之后，预计5-6个月翻倍。然而，数据传输速率成为容易被忽略的算力瓶颈。伴随数据传输量的增长，光模块作为数据中心内设备互联的载体，需求量随之增长。
来源：Google Scholar
未来算力升级路径
最近，ChatGPT的兴起推动着人工智能在应用端的蓬勃发展，这也对计算设备的运算能力提出了前所未有的需求。虽然AI芯片、GPU、CPU+FPGA等芯片已经对现有模型构成底层算力支撑，但面对未来潜在的算力指数增长，短期使用Chiplet异构技术加速各类应用算法落地，长期来看打造存算一体芯片（减少芯片内外的数据搬运），或将成为未来算力升级的潜在方式。
1. Chiplet
Chiplet是布局先进制程、加速算力升级的关键技术。Chiplet异构技术不仅可以突破先进制程的封锁，并且可以大幅提升大型芯片的良率、降低设计的复杂程度和设计成本、降低芯片制造成本。不过，虽然Chiplet技术加速了算力升级，但需要牺牲一定的体积和功耗，因此将率先在基站、服务器、智能电车等领域广泛使用。
目前，Chiplet已广泛应用于服务器芯片。AMD是Chiplet服务器芯片的引领者，其基于Chiplet的第一代AMDEPYC处理器中，装载8个“Zen”CPU核，2个DDR4内存通道和32个PCIe通道。2022年AMD正式发布第四代EPYC处理器，拥有高达96颗5nm的Zen4核心，并使用新一代的Chiplet工艺，结合5nm和6nm工艺来降低成本。
英特尔第14代酷睿Meteor Lake首次采用intel 4工艺，首次引入Chiplet小芯片设计，预计将于2023年下半年推出，至少性能功耗比的目标要达到13代 Raptor Lake的1.5倍水平。
2.存算一体
正如上文提到的，AI时代模型算力需求远超摩尔定律的速度增长，单纯靠缩微化制程已经无法满足需求而且成本急速攀升。实际上，从现有芯片架构来看，超过60%时间是花在数据搬运上，超过90%的功耗也损失在数据搬运上，能效非常低。因此，存储墙”成为了数据计算应用的一大障碍。而存算一体是算力需求上升的主要解决技术路线之一。
存内计算的计算原理可以理解成是用存储器做计算，其计算单元不再是逻辑器件、CPU、GPU或者NPU，与这些架构是完全不一样的。存内计算直接运算单元是存储单元本身。存算一体技术通过在存储器中叠加计算能力，以新的高效运算架构进行二维和三维矩阵运算。
本文参考：浙商证券—计算机行业AIGC算力时代系列报告《ChatGPT芯片算力：研究框架》
注：文章源自网络，如有侵权请联系删除。