前言：

AI近些年的大火，直接促進了CPU和GPU的發(fā)展，而英偉達的GPU真正借此迅速成為AI市場的主流產(chǎn)品之一，其勢頭甚至蓋過了CPU。

而AI應用需要專門的處理器，而IPU正是這樣的處理器。目前，AI在各行各業(yè)均得到廣泛應用，IPU可以基于自身優(yōu)勢為世界的智能化進程增添不竭動力。

英偉達專注的GPU優(yōu)勢逐漸縮小

從專注圖像渲染崛起的英偉達的GPU，走的也是相當于ASIC的技術路線，但隨著游戲、視頻渲染以及AI加速需要的出現(xiàn)，英偉達的GPU也在向著GPGPU的方向演進。

當硬件更多的需要與軟件生態(tài)掛鉤時，市場大多數(shù)參與者便會倒下。在競爭清理過后，GPU形成了如今的雙寡頭市場，并且步入相當成熟的階段。

ASIC本身的成本、靈活性缺失，以及應用范圍很窄的特點，都導致它無法采用最先進制程： 即便它們具備性能和能效優(yōu)勢，一旦無法采用最先進制程，則這一優(yōu)勢也將不再明顯。

為保持其在GPU領域的寡頭地位，使得英偉達必須一直保持先進的制程工藝，保持其通用性，但是要犧牲一定的效能優(yōu)勢。

相比于來自類GPU的競爭，英偉達不應該忽視Graphcore的IPU，特別是Graphcore一直都在強調(diào)其是為AI而生，面向的應用也是CPU、GPU不那么擅長的AI應用。

利用AI計算打側(cè)面競爭戰(zhàn)

不管CPU還是GPU都無法從根本上解決AI問題，因為AI是一個面向計算圖的任務、與CPU的標量計算和GPU的矢量計算區(qū)別很大。

而另一邊的IPU，則為AI計算提供了全新的技術架構(gòu)，同時將訓練和推理合二為一，兼具處理二者工作的能力。

作為標準的神經(jīng)網(wǎng)絡處理芯片，IPU可以支持多種神經(jīng)網(wǎng)絡模型，因其具備數(shù)以千計到數(shù)百萬計的頂點數(shù)量，遠遠超過GPU的頂點規(guī)模，可以進行更高潛力的并行計算工作。

計算加上數(shù)據(jù)的突破可以讓IPU在原生稀疏計算中展現(xiàn)出領先IPU 10-50倍的性能優(yōu)勢，到了數(shù)據(jù)稀疏以及動態(tài)稀疏時，IPU就有了比GPU越來越顯著的優(yōu)勢。

此外，如果是在IPU更擅長的分組卷積內(nèi)核中，組維度越少，IPU的性能優(yōu)勢越明顯，總體而言，有4-100倍的吞吐量提升。

在5G網(wǎng)絡切片和資源管理中需要用到的強化學習，用IPU訓練吞吐量也能夠提升最多13倍。

兩種芯片勢能英偉達與Graphcore的較量

Graphcore成立于2016年，是一家專注于機器智能、同時也代表著全新計算負載的芯片制造公司，其包括IPU在內(nèi)的產(chǎn)品研發(fā)擅長大規(guī)模并行計算、稀疏的數(shù)據(jù)結(jié)構(gòu)、低精度計算、數(shù)據(jù)參數(shù)復用以及靜態(tài)圖結(jié)構(gòu)。

英偉達的潛在競爭對手Graphcore的第二代IPU在多個主流模型上的表現(xiàn)優(yōu)于A100 GPU，兩者將在超大規(guī)模數(shù)據(jù)中心正面競爭。

未來，IPU可能在一些新興的AI應用中展現(xiàn)出更大的優(yōu)勢。

第二代IPU相比第一代IPU有兩倍峰值算力的提升，在典型的CV還有NLP的模型中，第二代IPU相比第一代IPU則展現(xiàn)出了平均8倍的性能提升。

如果對比英偉達基于8個最新A100 GPU的DGX-A100，Graphcore 8個M2000組成的系統(tǒng)的FP32算力是DGX-A100的12倍，AI計算是3倍，AI存儲是10倍。

AI計算未來有三種計算平臺

第一種平臺是CPU，它還會持續(xù)存在，因為一些業(yè)務在CPU上的表現(xiàn)依然不錯;

第二種平臺是GPU，它還會持續(xù)發(fā)展，會有適合GPU的應用場景。

第三種平臺是就是Graphcore的IPU。

IPU旨在幫助創(chuàng)新者在AI應用上實現(xiàn)新的突破，幫助用戶應對當前在CPU、GPU上表現(xiàn)不太好的任務或者阻礙大家創(chuàng)新的場景?！北R濤副總指出。

目前GPU在全球已是大規(guī)模的商用部署，其次是Google的TPU通過內(nèi)部應用及TensorFlow的生態(tài)占第二大規(guī)模，IPU處于第三，是量產(chǎn)的、部署的平臺。

與此同時，Graphcore也在中國積極組建其創(chuàng)新社區(qū)。Graphcore已在微信、知乎、微博和GitHub開通了官方頻道，旨在與開發(fā)者、創(chuàng)新者、研究者更好地交流和互動。

關于未來的AI計算領域，未來會是 “CPU、GPU、IPU并行” 的時代，GPU或部分CPU專注于業(yè)務場景的實現(xiàn)和落地，而IPU專為AI創(chuàng)新者帶來更多突破。

構(gòu)建生態(tài)鏈條IPU仍在路上

IPU想要在AI計算中擁有挑戰(zhàn)GPU地位的資格，除了在性能和價格上面證明自己的優(yōu)勢之外，還需要在為機器學習框架提供的軟件棧上提供更多選擇，獲得主流AI算法廠商的支持。

在標準生態(tài)、操作系統(tǒng)上也需要有廣泛的支持，對于開發(fā)者有更方便的開發(fā)工具和社區(qū)內(nèi)容的支持，才能從實際應用中壯大IPU的開發(fā)生態(tài)。

一個AI芯片從產(chǎn)出到大規(guī)模應用必須要經(jīng)過一系列的中間環(huán)節(jié)，包括像上面提到的支持主流算法框架的軟件庫、工具鏈、用戶生態(tài)等等，打通這樣一條鏈條都會面臨一個巨大挑戰(zhàn)。

目前申請使用Graphcore IPU開發(fā)者云的主要是商業(yè)用戶和高校，個人研究者比較少。IPU開發(fā)者云支持當前一些最先進和最復雜的AI算法模型的訓練和推理。

和本世紀初的GPU市場一樣，在AI芯片市場步入弱編程階段，如今百家爭鳴的局面預計也將很快結(jié)束，市場在一輪廝殺后會剩下為數(shù)不多的參與者做最終對決。

現(xiàn)在要看的是在發(fā)展初期的逐一擊破階段，Graphcore是否真有定義并主控第三類芯片的魄力了。

不過從創(chuàng)新的架構(gòu)到芯片再到成為革命性的產(chǎn)品，Graphcore從芯片到落地之間的距離，需要易用的軟件和豐富的工具來支持，特別是對軟件生態(tài)依賴程度比較到的云端芯片市場。

結(jié)尾：

IPU不是GPU，這個可能是最大的一個挑戰(zhàn)，但同時也是最大的一個機會。IPU并不是GPU的替代品或者類似品，所以不能拿GPU的邏輯來套用IPU的邏輯。

近兩年，AI 芯片出現(xiàn)了各種品類的井噴，可以預計未來IPU在各類AI應用中將具有更大的優(yōu)勢。
責編AJX