很多朋友應(yīng)該都知道了，昨天（1月28日）英偉達(dá)下調(diào)了第四財(cái)季的業(yè)績預(yù)期,，隨后股價暴跌高達(dá)18%,。

請注意這里的細(xì)節(jié)，是英偉達(dá)自己下調(diào)了預(yù)期,，發(fā)生的時機(jī)是在發(fā)布本季財(cái)報(bào)（2月4日）之前,。說白了,，就是自己提前承認(rèn)這個季度搞砸了,，并跪求各位投資人放過,。

另外一個需要注意的細(xì)節(jié)是,，這已經(jīng)不是英偉達(dá)第一次下調(diào)本季度的業(yè)績預(yù)期了。在去年發(fā)布第三季度財(cái)報(bào)時,，英偉達(dá)就已經(jīng)將第四財(cái)季的營收期望下調(diào)了7%左右,，低于市場預(yù)期近兩成。最近六個月以來,，英偉達(dá)股價已經(jīng)由最高的290美元左右,，下跌到目前的130美元，除了股價腰斬,，更成為同期標(biāo)普500指數(shù)中表現(xiàn)最差的公司,。

英偉達(dá)在這封致股東信中提到，導(dǎo)致收入指引下調(diào)的主要原因是全球及部分地區(qū)的經(jīng)濟(jì)減速,，導(dǎo)致游戲GPU銷量和數(shù)據(jù)中心業(yè)務(wù)的大量下滑,。

相比之下，老石在之前的文章中介紹過,，F(xiàn)PGA公司Xilinx在前幾天發(fā)布季度財(cái)報(bào)后，股價飆升接近20%,。這很大程度上歸功于Xilinx通信與數(shù)據(jù)中心部門的高速增長,。此外，英特爾在其最新財(cái)報(bào)中披露,，旗下FPGA部門在數(shù)據(jù)中心領(lǐng)域的增長幅度約有驚人的50%,。

分析師們并不會告訴你，為什么這些公司目前有如此迥異的表現(xiàn),。在本文中,，老石就從技術(shù)角度深入分析，當(dāng)年的小甜甜怎么變成了今天的牛夫人,。

數(shù)據(jù)中心AI加速芯片的選擇

推動人工智能爆發(fā)的最主要原因之一,，就是硬件算力的提升。而英偉達(dá)的股價當(dāng)年之所以能夠三年漲10倍,，就是因?yàn)镚PU非常適用于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,。與傳統(tǒng)的CPU相比， GPU擁有數(shù)千個計(jì)算內(nèi)核,，能夠在性能上取得上百倍的提升,。因此AI就成為了GPU最主要的應(yīng)用領(lǐng)域之一，也成就了英偉達(dá)的高速增長,。

隨著AI的不斷發(fā)展,，諸如微軟和谷歌這樣的巨頭公司開始考慮在數(shù)據(jù)中心里采用GPU作為AI加速芯片，這時問題就出現(xiàn)了,。在大量部署時,，芯片的性能并不是唯一需要考慮的因素,。事實(shí)上，很多情況下它也并不是最重要的因素,。

對于某種AI加速芯片,，老石將常見的評價因素總結(jié)為五點(diǎn)：性能、靈活性,、同構(gòu)性,、成本和功耗。其中：

靈活性：指這種芯片對不同應(yīng)用場景的適應(yīng)程度,。

同構(gòu)性：指的是AI加速芯片能否重復(fù)利用數(shù)據(jù)中心現(xiàn)有的架構(gòu)和資源,。

成本：既包括對該硬件加速器的研發(fā)投入，也包含了它的采購,、部署和運(yùn)維開支,。

功耗：就是指引入該方案后，對數(shù)據(jù)中心帶來的額外功耗負(fù)擔(dān),。

接下來,，老石就對幾種常見的AI加速芯片，比如GPU,、FPGA以及ASIC,，采用上述評價因素做一個簡單的定性對比。

GPU

GPU最大的問題是,，它基本上是個“功耗黑洞”：中等性能的GPU功耗都普遍超過200W,，而高性能GPU的功耗會超過300W。相比于FPGA或ASIC的幾十瓦甚至幾瓦的功耗而言,，這個數(shù)字顯得過于驚人,。

高功耗對于GPU在數(shù)據(jù)中心里的大規(guī)模部署是致命的，因?yàn)檫@不僅代表著高昂的電費(fèi)開支,，還表示數(shù)據(jù)中心現(xiàn)有的供電,、散熱等硬件架構(gòu)需要進(jìn)行重新修改，這對于同構(gòu)性和低成本這兩項(xiàng)要求而言基本上是不可能的任務(wù),。

在靈活性方面,，GPU通常只適用于計(jì)算密集型運(yùn)算，對于通信密集型的應(yīng)用,，GPU需要與CPU和網(wǎng)卡組成一個完整的通信系統(tǒng),，因此對于這類應(yīng)用，GPU的靈活性會受到較大限制,。

ASIC

專用的AI加速芯片以谷歌的張量處理器TPU（Tensor Processing Unit）最為典型,。TPU專為谷歌的深度學(xué)習(xí)框架TensorFlow設(shè)計(jì)，現(xiàn)在已有第二代，被用來加速神經(jīng)網(wǎng)絡(luò)的和決策,。ASIC最主要的優(yōu)勢是它的超高性能和超低功耗,。與GPU相比，TPU在某些AI應(yīng)用的性能可以提高一個量級,，而功耗會下降一到兩個量級,。

不過，得到這樣高性能和低功耗需要付出的代價就是巨大的研發(fā)成本,。放眼全球,，有資金實(shí)力和技術(shù)儲備進(jìn)行這類研發(fā)的公司，大概用一個手就能數(shù)的出來,。ASIC的另外一個缺點(diǎn)是它的低靈活性,，它通常針對某種特定的應(yīng)用和算法框架而設(shè)計(jì)，因此很難直接用于其他的應(yīng)用,。

FPGA

相比GPU和ASIC,，F(xiàn)PGA在各項(xiàng)評價指標(biāo)中能夠達(dá)到比較理想的平衡。在絕對性能方面,，雖然不如GPU或ASIC,，但由于FPGA可以定制化硬件流水線，并且可以進(jìn)行大規(guī)模并行運(yùn)算,，因此相比傳統(tǒng)的基于CPU的計(jì)算性能還是有著至少一到兩個量級的提升,。由于FPGA具有硬件可編程的特點(diǎn)，使得它可以應(yīng)對包括計(jì)算密集型和通信密集型在內(nèi)的各類應(yīng)用,。此外，F(xiàn)PGA獨(dú)有的動態(tài)可編程,、部分可編程的特點(diǎn),，使其可以跨空間和時間兩個維度，同時處理多個應(yīng)用,，或在不同時刻處理不同應(yīng)用,，因此有很強(qiáng)的靈活性。

功耗和成本方面,，F(xiàn)PGA的功耗通常為幾十瓦,，采購與運(yùn)維成本遠(yuǎn)低于GPU。FPGA的開發(fā)成本主要涉及購買特定的FPGA設(shè)計(jì)和調(diào)試工具,、采購FPGA芯片或加速卡,，以及組建團(tuán)隊(duì)進(jìn)行或外包FPGA開發(fā)項(xiàng)目等投入。雖不及CPU或GPU等基于軟件的開發(fā)方式,，但由于省去了FPGA芯片制造的相關(guān)環(huán)節(jié),，因此相比研發(fā)一款專用芯片而言還是低很多。

此外，F(xiàn)PGA目前通常以加速卡的形式配合現(xiàn)有的通用處理器進(jìn)行大規(guī)模部署,，對額外的供電和冷卻等環(huán)節(jié)沒有特殊要求,，因此可以兼容數(shù)據(jù)中心的現(xiàn)有硬件體系結(jié)構(gòu)。

AI芯片的最大風(fēng)險

對于AI芯片的設(shè)計(jì)者而言,，當(dāng)前最大的風(fēng)險就是AI本身,。在這個群雄爭霸的時代，各種新算法,、新模型層出不窮,，因此在某種方法一統(tǒng)天下之前，很難將其中的任何一種方法固化在芯片上,，否則就很可能再次重演以前的小甜甜變成今天的牛夫人這樣的悲劇,。

比如，為了進(jìn)一步提升性能功耗比,，目前比較流行的方法是使用近似（approximation）算法,，例如將雙精度浮點(diǎn)數(shù)換成低精度的定點(diǎn)數(shù)，或者對不同權(quán)重的網(wǎng)絡(luò)分支做剪枝,、結(jié)構(gòu)優(yōu)化和壓縮的操作,。這方面的具體內(nèi)容在本文中不再展開，有興趣的讀者可以參考老石在英國的博士師弟小王同學(xué)最新發(fā)表的綜述,，題目見下圖,，點(diǎn)擊閱讀原文即可查看。

老石想說的是,，這些不斷涌現(xiàn)的全新AI方法只有通過FPGA才能快速實(shí)現(xiàn),，這對于GPU或者ASIC都是不可能完成的任務(wù)。

結(jié)語

正如老石在之前的文章里提到的,，數(shù)據(jù)中心與AI已經(jīng)成為各家芯片公司的必爭之地,。只不過，近期資本市場的表現(xiàn)在某種程度上展示了人們對不同方案的認(rèn)可度,。這也是老石在本文中嘗試分析的,。

然而，老石并不想立flag斷言這些公司的未來,，老石只是相信,，技術(shù)會不斷給出自己的答案。