暴涨1.3万亿！老黄笑哈哈，谷歌要偷家

　　比如，3D技术的跨越式发展，从根本上改变了电影的生产模式。

　　从前，特效大片需要先画故事版，然后让演员在绿幕前面，对着空气表演，再把素材交给后期，加各种酷炫特效。

　　但3D引擎将这一切反过来。把通用素材提前准备好，组合就能获得上乘场景。演员只需在场景中表演，特效与人融为一体，成本降了一大截。

　　《曼达洛人》有一半的特效镜头，都是用这种手法拍摄的。

　　而这一切，都源于无聊的游戏玩家们，想要在游戏里数腿毛。

　　又比如，2020年开始，游戏显卡占英伟达营收比例越来越低，数据中心的订单越来越多。

　　数据中心买显卡回去，当然不是用来玩游戏，而是用这些显卡过剩的算力搞大数据计算，全世界有相当多的人工智能公司，要依靠显卡芯片提供的算力进行深度学习。

　　可以说，没有游戏，显卡的发展绝不会如此迅速，AI的大爆发也极可能被延后数十年。

　　来源：中信证券

　　正是那群“臭”打游戏的，对光线和细节丧心病狂的追求，催促着算力向更高层次进发，而这些算力又用在了更多地方。

　　然后世界变了。

　　02

　　帝国的裂痕

　　2018年，《财富》杂志举办活动，有人问黄仁勋：你何时知道英伟达公司将会改变世界的？

　　答：1993年2月17日，我成立公司的日子。不改变世界，我创个什么业？

　　这肯定有吹牛的成分。

　　显卡吧有诗曰：“先有老黄后有天，显卡在手日神仙。”

　　在游戏世界中，黄仁勋是玩家口中的“两弹元勋”、爆破鬼才；在加密货币世界里，他是显卡疯子；在AI爆发的时代，他同样站在顶端，俯看竞争者为自己的显卡疯狂。

　　黄仁勋的成功，当然并非偶然。

　　世纪初，英伟达踩着所有对手的尸体，稳稳坐到显卡领域的王座上。

　　但这个位子，不是那么好坐的。

　　在PC时代早期，不论是对玩家还是游戏厂商而言，显卡都是一种极易过时的消费品。

　　除了游戏不断推陈出新，电脑本身也每隔几年就更新迭代，对显卡的性能要求，越来越高。

　　一方面，这形成了持续的消费力；但另一方面，如果跟不上新产品的步伐，等待GPU厂商的，只有收入暴跌、淘汰出局的结果。

　　这就像火烧屁股一样，催促着英伟达不断朝着更强大的技术前进，直到成为今天的模样。

　　但GPU在AI领域出圈，确实是偶然。

　　打从一开始，GPU就不是为训练神经网络所生，而是图像。

　　更具体点说，是为了将CPU从图像显示的苦力活中解放出来而生。

　　GPU和CPU，虽然结构差异显著，但本质上都遵循冯·诺依曼结构，存储和运算是分离的，存在明显的效率瓶颈。

　　在分支众多的AI神经网络中，这是很要命的。

　　神经网络每增加一个分支，GPU就要增加一次内存访问。在AI模型越来越庞大的当下，GPU消耗在内存访问上的能耗，要远比运算高很多倍。

　　简单说，就是效率不行。

　　人工智能技术发展得越快，这些问题就暴露得越多。

　　对此，黄仁勋祭出两套方案，齐头并进：

　　1.暴力堆算力。AI对算力的需求每100天就翻倍，这是悬在所有人头上的利剑。他们只能一边痛骂老黄心黑，一边像舔狗一样抢光所有芯片。

　　2.做生态系统，逐步解决GPU与AI场景不匹配的问题，包括功耗、内存、带宽瓶颈等等。

　　前者保证有肉吃，后者保证永远有肉吃。

　　这就是为什么，同样做芯片，英伟达的市值是英特尔的五倍，游戏、加密货币、云计算以及AI大模型，都离不开它的产品。

　　如果只是在硬件上内卷，不可能达到这么高。

　　除了GPU芯片设计能力，英伟达最宝贵的财富，是基于CUDA模型，孵化了大量的开发者和软件生态。

　　就像Android和iOS一样，遇到鸿蒙这样的挑战者根本不怕，因为即便后来系统做得再好，但是没有生态也是白搭。

　　英伟达发布CUDA后，先后推出居里、特斯拉、费米、开普勒、麦克斯韦、帕斯卡、伏特、图灵、安培、赫柏等一些列架构，用以支撑Graphics和Computing这两大场景。

　　但是，效果并不好。

　　正如CPU优秀的调度能力，以牺牲算力为代价一样，魔改后的GPU在算力上的堆叠也越来越克制。

　　在AI场景下，越来越难以匹敌专用芯片。所幸的是，后者并没有量产。

　　手握终极“缝合怪”H100，黄仁勋暂时可以松一口气，目前市面上还未出现更能打的量产芯片。

　　但挑战者，并不是没有，还很强力。

　　一个典型的深度神经网络架构，来源：towards data science

　　最有实力的，当然还是谷歌。

　　4月初，谷歌首次公布了AI超算的细节——TPU v4性能相较v3提升10倍，比A100快1.7倍，同时功耗少1.9倍。

　　和H100对打的芯片，也已经在研发中，它并非没有胜出的机会。

　　相反，因为更适用于AI场景，只要能量产，谷歌TPU会更受欢迎。

　　比如，本轮AI热潮除了OpenAI外，还有两家出圈的公司，一家是AI绘图公司Midjourney；另外一家是Authropic，其对话机器人Claude跟CHATGPT打的有来有回。

　　而这两家公司，都没有购买英伟达GPU搭建超算，而是使用谷歌的算力服务。

　　当然，这两者加起来，也比不过微软自研Athena芯片所带来的冲击。

　　最近市场传出微软与AMD合作开发新款AI芯片，加快推出相关产品，为自身及市场提供英伟达GPU之外的另一种底层硬件选择。

　　“如果 Athena 具有竞争力，与 Nvidia 的产品相比，它可以将每芯片的成本降低三分之一。”

　　此外，针对CUDA模型，OpenAI最近还推出了“简化版CUDA”：Triton。

　　这是种新的语言编译器，性能媲美CUDA，操作难度却低得多：只需25行代码，就能在FP16矩阵乘法上达到与cuBLAS相当的性能。

　　虽然Triton架构目前只正式支持英伟达GPU，但之后也会支持多家硬件供应商。

　　因为它是开源的。比起闭源的CUDA，其他硬件加速器能直接集成到Triton中，大大减少了为新硬件建立AI编译器栈的时间。

　　无论是谷歌还是OpenAI，在AI领域无疑比英伟达更专业，它们欠缺的只是时间。

　　更何况，前文已经说了，AI所需算力每100天将翻一倍。

　　也就是说，到2030年，AI所需算力是现在的3000万倍。（2的25次方）

　　即便是英伟达，也不可能满足如此恐怖的需求增长。

　　叠加全球供应链安全的考量，AI芯片市场从过去的英伟达一家独大，或慢慢转变为群雄割据。

　　还有另一种情况。

　　如今，AI一日千里，技术突破以小时计。如果在未来，AI在社会上的普及能像PC和手机那样大幅提升，算力成本可能大幅下降

　　那时，GPU更不是唯一的答案。

　　03

　　尾声

　　回顾历史，一战和二战，赢家是谁？从生意的角度看，是美国。

　　作为军火商，美国通过贩卖武器，实现了财富自由。

　　而今，多维度的人工智能战争已经打响，英伟达扮演的就是曾经军火商的角色。

　　目前，在eBay上，一张H100的售价，基本都在4-5万美元。而在一年前，才一万多。

　　而且有价无市。

　　据国内渠道商透露，之前拿货周期大约为一个月左右，现在基本都得三个月，甚至更长。

　　“一台通用计算服务器的成本大约在5万块钱左右，现在符合美国技术出口规范的A800一块价格已经涨到十几万，对于投入算力基础设施的公司来说，整个采购成本都在增加。”

　　好家伙，二道贩子卖一张卡的利润，顶俺们上一年班。

　　这有点类似两年前的动力电池，享受量价齐升的逻辑。你总以为到顶了，其实远远没有。（参考阅读《世纪抄底英伟达》）

　　但这种垄断式中间商，还能爽多久呢？

　　复盘英伟达过去二十年，通俗点讲，只需做好游戏GPU，就能顺带提高算力，满足训练AI模型需要，一举两得。

　　所以英伟达发展得快，从一个二线芯片公司变成了行业的NO.1，不可谓不励志。

　　但当AI大模型进入高速发展阶段，英伟达的侧重点，从游戏转向并非自己专长的人工智能。固然能在前期垄断上游算力，赚得盆满钵满，但早晚会被更专业的玩家追赶上。

　　你说它是AI时代的卖水人，没问题。说市值万亿美元不是它的终点，也没问题。

　　但要说它是AI时代唯一的霸主，那就不尽然。

　　再如日中天的帝国，也要当心那道不起眼的裂缝。