必一运动当初只是想在游戏图像计算上分一杯羹的英伟达，没想到在二十多年后成为AI计算的领军者，几乎垄断了整个AI服务器芯片市场。
上一个摧枯拉朽般占领服务器市场的是英特尔，但它的CPU在高性能计算上败给了英伟达的GPU。同时，英特尔在芯片制程技术上也落后于台积电，其产品战略一直处于被动状态。相比之下，领先的英伟达已经一骑绝尘，而AMD也在后面紧追不舍，直抄英特尔的老窝。
随着英伟达的成功，下一代芯片研发方向更聚焦在如何深度结合AI模型上来，选择不仅仅只有GPU，因为提高算力的高昂代价绝大部分要归功于AI芯片，所以英伟达在模型训练芯片端的领先地位无疑会遭受挑战，英特尔B-Sports、AMD、高通等企业开始摩拳擦掌，做好准备。
按照部署位置，AI芯片可以分为云端B-Sports、终端和边缘侧；按照任务划分又可以分为训练芯片和推理芯片。云端就是在数据中心进行模型训练，芯片需要支撑大量的数据运算，终端和边缘侧对算力要求稍弱一些，但要求快速响应的能力和低功耗，英伟达霸占了训练芯片这一领域，不过推理方面不乏比GPU更合适的芯片。
性能各异的专用AI芯片包括GPU、ASIC、FPGA、NPU等，可以简称为XPU，名称的不同反映了各自架构层面上的差异。专用AI芯片在所擅长的领域里有匹配GPU的能力，虽然少了可扩展性，但在效能和算力上领先更通用的GPU，尽管后者能做更多的事情。
这就回到了当初CPU在机器学习领域被弃用的逻辑，将来是否会有一款新的芯片可以对GPU发起冲击？
目前全球大厂们都尤爱造芯，不过通用芯片人家没必要自己做，只会切合自己重要的业务方向来布局。
比如谷歌的TPU采用了ASIC，只针对卷积神经网络的加速器，特斯拉的Dojo是专门用于FSD的机器视觉分析芯片，以及国内百度、阿里也花费大量精力在自研芯片上。
一直以来，专用处理器并未真正给GPU带来过威胁，这主要与市场容量，资金投入，摩尔定律形成的正向循环有关。
根据IDC数据，21年中国AI芯片市场里，GPU占据89%的份额；NPU处理速度比GPU快上10倍，占据9.6%的份额，ASIC和FPGA占比较小，市场份额分别1%和0.4%。
过去三十年，台积电、三星等晶圆代工厂的崛起塑造了分工专业化的趋势，设备和先进制程的技术进步允许像英伟达、高通等芯片设计企业一展身手，也让苹果、谷歌等科技大厂开始用芯片定义产品和服务，专用芯片设计的土壤是肥沃的，大家都是受益者。
在竞争对手看来，GPU并非专门为机器学习而设计的芯片，之所以能成功，主要在于结合框架软件层形成的复杂生态，提高了芯片的通用性。
实际上B-Sports，自2012年以来，每年头部训练模型算力需求按10倍在增长，一直在逼近摩尔定律下的算力极限。
而从11年Tesla M2090开始，数据中心产品GPU一直在更新迭代，先后推出Volta、Ampere、Hopper等针对高性能训练计算和AI训练的架构，保持每两年推出一代新产品的速度，浮点算力也从7.8 TFLOPS增至30 TFLOPS，涨幅接近4倍。
基于英伟达在AI芯片领域的高份额，可以说，过去AI模型训练的算力增长主要由英伟达的GPU系列所支撑，这形成了一个正向反馈，随着芯片出货规模的增长，摊平了英伟达芯片的开发成本。
相比较未来的算力需求，一款通用芯片的技术迭代最终也会逐渐放缓，专用处理器只有跑通这个正向循环，才有可能在成本上与通用芯片们并驾齐驱。
不过难度在于，专用处理器仅仅着力在细分市场，市场规模根本比不上通用市场，相对于通用芯片的每单位性能提升，往往需要花上更长的时间，或者更大的出货量来摊薄成本，可是随着AI在应用场景中加速渗透，未来AI芯片的开支也会大幅增长，专用AI芯片、 CPU、GPU有望成为三条并行的线。
英伟达对算力的垄断地位在如今大模型战争下加速强化，矛盾日益加剧，GPU采购需求超出台积电和英伟达的预料，供应不足，价格便水涨船高，继续循环。
国内外科技大厂们在选择自研芯片上保持一致的态度，又或者，帮助其他芯片厂和英伟达竞争，刺激新的供给同时降低芯片成本。
上月初AMD盘中大涨12%，原因来自一则消息指出，微软正在与AMD合作，资助后者向AI芯片扩张，并与这家芯片制造商合作一款代号为Athena（雅典娜）的芯片，但之后微软官方否认了这一消息。
这让人联想到上世纪九十年代的“WINTEL”联盟，互相成就了微软在PC操作系统，以及英特尔在CPU的地位。此时的AMD，已经成为了英特尔市场份额最强有力的威胁。
去年计算机市场经受重创，企业服务器和消费电子两端的疲弱对CPU出货量造成不小拖累，英特尔与AMD两家公司均出现了30多年来最大的下滑，分别降低21%和19%。
据Passmark数据监测，在数据中心市场，去年AMD的份额猛增至20%，抢走了英特尔（2022年，70.77%）接近1成的份额，而截止今年1月2日，AMD重新逼近40%，回到了2004年的水平。
AMD之所以得以穷追不舍，一方面是借助台积电的力量，让其产品组合不断优化，用于数据中心的EPYC Milan处理器采用率提高，去年这项业务营收增长64%。
另一方面则与竞争对手糟糕的战略决策有关。过去十年，一直保持领先地位的英特尔在CPU上的创新乏善可陈，产品力相对竞争对手一路下滑。
当初苹果想要英特尔为初代iPhone开发手机CPU，CEO保罗欧德宁因为报价太低回绝，这位x86领头羊错估了移动端的机会。
除了战略眼光不足，还有不断跳票的产品推新计划，英特尔是旧IDM时代的老头，如今台积电、三星领导着先进制程的迭代，是CPU这类通用芯片继续升级的基座，英特尔本身工艺技术的掉队反噬着产品的更新节奏，更多的是“挤牙膏”式的添头。从2021年高点至今，其市值削去了一半不止。
反观AMD，则一路拓宽产品品类，追逐高性价比的策略，先后收购了ATI，Xilinx，成为第一家同时拿下CPU+GPU+FPGA的芯片厂商。2018年AMD在PC端的CPU制程首次弯道超车，市场份额开始加速提升，2019年联手台积电率先跃入7nm，在服务器端也实现制程超越，去年市值超过了英特尔。
前不久，AMD推出结合CPU+GPU双架构的Instinct MI 300正式进军AI训练端，这款芯片在规格和性能直接对标了英伟达的Grace Hopper。
这是AMD管理层强调AI作为战略重点后的重棋，与英伟达同时出租自家算力不同，AMD着力于构建具有竞争力的芯片矩阵，与其正面交锋，或将从云厂商的数据中心开始突破，预计今年四季度开始放量。
英特尔从2015年开始花巨资收购了一大批人工智能公司，如Altera、Mobileye、Nervana等，结果并没有给业务带来多少帮助，更像是养着这些公司等着刮彩票。
2021年，英特尔曾宣布一款代号为“Ponte Vecchio”的旗舰GPU，用于数据中心，结果却在交付上不断拖延。作为继任者，Falcon Shores GPU结合了x86 CPU和Xe GPU，也跳票到了2025年。
诚然，英伟达的成功并不只是硬件做得好，有别于英特尔过去硬件第一的路径，英伟达GPU架构保持了两年一代的速度演进，凭借着通用的计算框架构筑起了软件生态壁垒。
芯片发展历程中，定义标准的赢家往往强者恒强，要与英伟达分庭抗礼，性价比是必需砝码，生态圈同样关键。算力发展推动AI进步，还要倚仗这些厂商的竞争和互相超越。
在这些方面，无论是AMD、英特尔，还是其他的后来者大厂，都还有很长的路要走。
官方微信
官方微博
