ChatGPT 背后芯片之争：中国企业或将决定行业走向

撰文 | 古 芯

编辑 | 杨博丞

(相关资料图)

题图 | IC Photo

ChatGPT 的诞生是 AI 行业发展的一个里程碑，让通用人工智能距离全面商用更进一步。ChatGPT 虽然属于生成式人工智能技术（AIGC）的一种，却可以训练其他 AIGC 产品，比如充当 AI 画图模型 Midjourney 的提示词分析师。

由于 ChatGPT 的能力过于突出，其母公司 2022 年 11 月发布 ChatGPT3.5 版本后，迅速吸引大量用户，同时也招来非议，最引人关注的莫过于全球首富马斯克，联合千人请愿全球停止研发类 ChatGPT 产品。

之所以说马斯克的呼吁吸引眼球，不是因为他反对研发类 ChatGPT 产品，也不是因为他全球首富的身份，而是因为他呼吁停止研发类 ChatGPT 产品之前，刚表态要自建团队，自备资金研发类 ChatGPT 产品；其次才是作为世界首富雄厚的财力，稍微出手，便囤了 10000 块 GPU 芯片。

马斯克对 ChatGPT 的表态看似矛盾，但是考虑到马斯克 2015 年还是 ChatGPT 母公司 OpenAI 的联合创始人，2018 年就被现任 CEO" 奥特曼 " 挤走，这种类似吃不到葡萄说葡萄酸的心里也就容易理解了。更何况马斯克一直站在新兴技术风口上，怎么可能容忍当今最新潮的技术和自己没关系？

只不过不止一次表态要切入人工智能（AI）赛道的马斯克，为何成立 AI 部门之前先抢了一万块 GPU（图形处理器）芯片？抢购的又是什么型号的芯片？马斯克买了这一万块芯片，会不会影响行业供需关系，国内 AI 企业会不会受到影响，最重要地的是，国内有没有能做 GPU 的企业，做到什么地步了？

01.

GPU 如何搅动人工智能行业

马斯克购买一万块 GPU 芯片，主要是因为 GPU 的性能决定了行业天花板，相比于通用的 CPU（中央处理器），GPU 在人工智能行业被细分到 "AI 芯片 " 领域，也就是针对 AI 算法做了特殊加速设计的芯片。

狭义的人工智能芯片，指的就是专门优化过的显卡。在人工智能刚驶入快车道的 2012 年，前谷歌计算机科学家 Alex Krizhevsky，使用深度学习 +GPU 的方案在 Image Net LSVRC-2010 图像识别大赛中，将识别成功率从 74% 提升至 85%，在行业内引起广泛关注。

GPU 行业龙头英伟达（NVIDIA）受此启发，投入大量人力物力又优化自家 GPU 的 CUDA 深度学习生态系统，有消息称短短 3 年内，公司 GPU 产品性能提升了 65 倍，甚至还推出了基于自家 GPU，覆盖后端训练至前端应用的全套方案。

众所周知，GPU 通常被用于图像处理任务，因为图像是由多个像素组成，GPU 想要高效完成图像处理任务，就需要大量可以完成独立运算的单元，厂商也会极尽可能，在芯片内放入更多独立计算核心，2018 年发布的英伟达 GTX2080TI 有 4352 个 CUDA 核心，到 2022 年发布的 4090 显卡 CUDA 核心增至 16384 个。本就具备同时大量独立计算的能力，所以只需要 CPU 给出正确的指令，GPU 自然可以迅速完成深度学习型 AI 产品所需要的超规模计算。

我们今天熟悉的 ChatGPT 已经迭代至第四代。以第一代 ChatGPT 为例，2018 年 6 月发布的 GPT-1 只在 8 个 GPU 上训练了一个月，当年运行 TensorFlow 单 GPU 深度学习研究，表现最佳的 GPU 是 GTX2080TI，参数量约为 1.17 亿，预测训练数据量仅有 5GB；2019 年 2 月发布的 GPT-2 预训练数据量增至 40GB，参数量达到了 15 亿，此时需要 256 个 Google Cloud TPU v3 上训练一周。

到 2020 年 5 月发布的 GPT-3，预训练数据量猛增至 45TB，参数量达到 1750 亿，需要在 355 个 GPU 上训练一年，且训练总成本达到 1200 万美元。GPT-3.5 也就是我们现在熟悉的 ChatGPT，和最新发布的 ChatGPT4.0 尚未公布相关数据，可以肯定的是，这两代 ChatGPT 均使用 GPU 训练。据华西证券数据，ChatGPT 母公司 OpenAI 已使用了约 2.5 万个英伟达的 GPU。

虽然微软已经将 OpenAI 收入麾下，并提供代号为 " 雅典娜 " 的人工智能芯片，但由于英伟达芯片在人工智能行业深耕多年，新玩家短期内很难对其形成威胁，未来需求仍将继续上升。

更为人熟知的 CPU，与 GPU 相比具有明显短板。因为 CPU 需要较高的通用性，较为高端的产品还需要在核心内构建 3 级缓存，所以单个核心会尽可能做的大而全，这就造成 CPU 可用于单独计算的核心明显少于 GPU，无法专精处理某一项任务，导致 CPU 在行计算、浮点计算以及矩阵运算方面存在明显的先天不足，这三个能力恰恰是完成 ChatGPT 这种深度学习型 AI 产品迫切需要的。

英伟达为了进一步提升旗下产品对 AI 深度学习的适应性，特意推出用于超级计算机的深度学习的 Tesla 显卡，最新型号为 A100，2022 年由于不可抗力，已经被禁止向中国出口，转而推出减配版 A800。

和消费级显卡相比，Tesla 显卡在完成图像处理、语音识别、机器学习、物体检测等任务时更快，根据相关测试，同样是 2020 年推向市场的 A100 和 3090，消费级显卡 3090 的 tensor core 只有 A100 的四分之一。在深度学习领域，无论是常见的 CNN 还是 ChatGPT 使用的 Transformer，大多数浮点计算量，都集中于依托 tensor core 计算的矩阵乘法上面，所以使用 A100 可以更快完成深度学习产品的开发。

基于上述分析，不难发现海外对中国禁运 A100 的意图，就是想要极大可能限制中国人工智能行业发展。

02.

国产芯片露出微光

短期来看，中国人工智能行业可以选择除 A100 外的次等 GPU，但是长期来看，必须要突破封锁，实现人工智能芯片国产化。

聚焦人工智能芯片领域，除 GPU 外，可用于 AI 算法的芯片还包括 CPU、FPGA、MLU、TPU，以及最新研究方向类脑芯片，后者由于概念较为先进，预计最快将于 2023 年成熟，尚不足以撼动 AI 芯片竞争格局。同时出于现实考虑，国内厂商在 GPU 芯片上和英伟达或 AMD、Intel 正面硬钢，毫无胜算。

CPU 方面虽然有近期龙芯有所突破，但是如前所述，CPU 并行算力不足，不适合应用于 AI 深度学习；FPGA 虽然已经用于 AI 算法训练，但是市场规模较小；最有可能替代 GPU 的就是 MLU、TPU 通用 AI 芯片。

但根据 ChatGPT 发展历程，Openai 在开发 GPT-2 时，曾经使用过谷歌 TPU 芯片，这是一种以 ASIC 作为底芯片的计算单元，专注于神经网络所需的矩阵运算的专用芯片，最先应用于 AlphaGo 中。

但是鉴于使用 ASIC 技术的芯片需要定制化，用户使用成本较 GPU 更高且更繁琐，OpenAI 开发 GPT-3 时重新选择 GPU，同时考虑到 GPT-3 模型参数量陡增，英伟达 CUDA 架构较其他产品具有明显优势，间接体现了英伟达 GPU 在人工智能芯片领域绝对龙头的位置，但这不代表其他产品就没有开发和应用价值。

首先是以谷歌 TPU、寒武纪 MLU 为代表的通用 AI 芯片，凭借针对特定算法深度优化和加速，可以在确定性执行模型的应用需求中发挥作用；FPGA 芯片依靠灵活多变的通用性，再加上可编程性，适用于开发周期较短的 AI 产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等。

梳理国产芯片企业的格局，除寒武纪外，华为、国芯科技也布局了通用 AI 芯片（TPUMLU）；安路科技、紫光国微、复旦微电等企业布局 FPGA 芯片，试图在这两个领域突破海外对我国 GPU 芯片的封锁。

目前寒武纪虽然尚未实现盈利，芯片市占率也不高，但芯片产品覆盖了云端智能芯片及加速卡、训练整机、边缘智能芯片及加速卡、终端智能处理器 IP 以及上述产品的配套软件开发平台。

另一个已经被应用于人工智能的算法训练的 FPGA 芯片领域，中国市场占有率最高的国产厂商是安路科技，目前公司在中低端产品线全面对标海外龙头企业，考虑到建立 FPGA 芯片软硬件生态体系行业壁垒较高，且用户更换产品验证周期长，安路科技未来有望依托现有市场扩大优势。

目前安路科技的产品广泛应于用网络通信、消费电子、工业控制和数据中心等领域均能保持稳健的成长，正在拓展无人机、自动驾驶、智慧城市等涉及人工智能的应用领域。

不过目前最值得关注的国产 AI 芯片企业应该是千芯科技，公司生产的存算一体 AI 芯片，通过自研存算一体技术，可提供能效比超过 10-100TOPS/W，在特定领域可以提供更大算力（1000TOPS 以上），优于其他类型 AI 芯片 10-40 倍的算力支持，应用场景包括自然语言处理，一旦量产，可用于类 ChatGPT 产品的研发。其他可以用于深度学习领域的国产芯片还包括北京君正的 AI 协处理器 T02，燧原科技的邃思 AI 训练和推理芯片等。

现阶段，寒武纪、安路科技、千芯科技等国产 AI 芯片企业的产品，虽然尚不具备替代英伟达的能力，但是也给中国人工智能行业带来一丝微光。回顾芯片行业的发展，无论是芯片设备还是芯片产品，只要中国企业突破封锁，就能迅速改变行业格局，这其中就包括一种最常见的 AI 芯片。

03.AI 芯片领域唯一的突破

这种最常见的 AI 芯片就是存储芯片，日前国产存储芯片生产商长江存储凭一己之力，让海外大厂三星等企业的固态存储产品主动降价超 50%。长江存储芯片对三星带来的危机感，是典型的弯道超车，也是国产芯片产业链寻求的最佳发力点。

过去很长一段时间，存储芯片占全球芯片市场规模的 27%，但是竞争格局较为固化，尤其是中国市场，2018 年中国进口的 3120 亿美元的芯片中，存储芯片进口额高达 1150 亿美元，占比超 36%。

到 2020 年，中国存储芯片规模增至全球存储芯片的 31%，但是自给率不足 1%，竞争格局高度固化，韩国三星近乎垄断高端存储市场。

同时考虑到中国 AI 行业发展过于迅猛，有数据显示，预计到 2025 年，中国人工智能核心市场规模有望达到 4000 亿元，鉴于当前国内芯片行业发展现状，CPUGPU 等产品研发周期太长，想要短期获得国内市场的话语权难度极高，所以在国家大基金的领导下，长江存储加快 3D NAND 存储芯片研发进度，2019 年推出 64 层 3D NAND 后，于 2022 年顺利推出 192 层 3D NAND 芯片。

反观垄断中国存储市场的三星，自从 2013 年推出 24 层 3D NAND 闪存芯片后，直到 2019 年才推出 96 层 V-NAND，虽然研发进度慢有更换技术路线的原因，但是同期另一家老牌存储长海力士已经推出 128 层 4D NAND 产品，三星此时已经明显落后于同业企业，但仍领先长江存储。

现如今，长江存储不仅从技术层面实现赶超，还凭借中国特有的 " 量大管饱 " 生产模式，将产品售价一降再降，迫使三星在中国市场全面接受价格战，实现全系产品降价。

虽然目前有观点认为，三星存储产品降价，以及一季度出现 3.3 万亿韩元的营业亏损，主要是因为过去几年芯片行业产能过剩，不得已降价去库存并首次减产，这种观点不能说错，但确实很片面。

从市场角度出发，目前在某电商平台上，采用长江存储自研 3D NAND 闪存芯片的存储产品，2TB 规格产品单价最低到了 479 元，600 元以下的选择非常多，而三星虽然大幅降价，但客单价依旧比致钛高 100 元，比售价最低的近乎翻倍，如果三星不降价，继续采取之前 2TB 规格产品动辄超 2000 元的单价，等于直接宣告退出中国消费级存储市场的竞争。

中国存储市场这块大蛋糕，三星可不会轻易放弃。上文提及，到 2025 年，中国人工智能核心市场规模将达到 4000 亿元，按照存储芯片 27% 的占比计算，AI 芯片领域存储芯片市场规模或将达到 1080 亿元。考虑到当前存储产品售价大幅降价，保守估计未来市场规模也有望超过 500 亿。

而且在大数据时代，数据的产生和运算速度都在急速上升（参考 GPT-3 预训练数据量），所有云服务供应商不仅需要更强的算力，还需要容量更大、读取速度更快的存储设备，所以即使未来存储芯片还有降价的可能，更低的产品价格反而会催生行业内固态存储对机械存储设备的替代。

这种行业趋势其实从 2019 年就已经开始显露端倪。据民生证券数据，2019 年企业级 SSD 平均容量达到 2.3TB，2020 年将增长至 2.7TB，设备出货量年均复合增速达到 15.8%。三星即使降产断臂，也会极力平衡存储产品的供给关系，继续抢夺中国市场，只可惜三星再也没机会躺平挣钱了。

因为长江存储的芯片制程普遍处于 22nm，海外制裁不涉及该部分，且国产设备目前已经逐步覆盖该领域的芯片制造。再想通过制裁简单粗暴的限制中国芯片行业发展，只停留在理论层面，而一旦中国企业突破海外封锁，将立刻改变行业竞争格局，帮它们真正参与理解，什么才是 " 市场竞争 "。