本文来自微信公众号“半导体行业观察”，编译自semiengineering。
OpenAI、Anthropic和xAI的首席执行官有着惊人相似的愿景——人工智能的进步是指数级的，它将改变人类，其影响将超出大多数人的预期。
这不仅仅是猜测。人工智能的市场及其价值如今已是真实存在的：
1、使用GitHub CoPilot的人类开发人员借助AI可将编码速度提高55%。
2、GPT-4在LSAT考试中的得分为88%，而普通人的得分为50%。
3我个人正在使用ChatGPT进行西班牙语会话练习和语法练习
2025年，OpenAI的大模型收入将达到约100亿美元，Anthropic的大模型收入将达到20亿至40亿美元。
四年前，GPT-2提供的是学龄前儿童的智力。GPT-4就像一个聪明的高中生。
到2028年左右，大模型（LLM）将提供博士级别的智力。到2030年代，法学硕士的智商将超越人类。
人工智能的经济效益也在不断提升。特定模型的成本每年下降4倍（Anthropic）到10倍（OpenAI）。这是计算能力和算法改进的共同作用。这意味着到2030年，当今模型的运行成本将降至千分之一到十万分之一。
有五家以上的公司有能力和资本做到这一点，其中包括亚马逊、谷歌、微软等巨头。像OpenAI和Anthropic这样的初创公司，目前的市值都在1000亿美元左右，如果它们能够实现目标，市值将达到1万亿美元。大模型项目获胜者将成为首家市值10万亿美元的公司。
它们的成功将给半导体、封装、数据中心、冷却和电力领域的增长和产能带来巨大压力。到2030年，半导体收入将主要来自人工智能/高性能计算。
GPU vs ASIC？是的：超大规模企业需要更多选择
如今，数据中心AI加速器90%以上都是NVIDIA GPU，还有一些AMD GPU，其余的是定制ASIC（主要是亚马逊）。
NVIDIA是唯一一家提供全套解决方案的厂商——涵盖GPU、NVlink网络、机架、系统和软件。在NVIDIA这一领域，想要匹敌甚至击败NVIDIA非常困难。该公司的年营收高达1600亿美元。
NVIDIA有3或4个客户购买其超过10%的产量，每家客户每年的购买量接近200亿美元。
但AMD的GPU路线图正在追赶NVIDIA。其M350将在2025年下半年与Blackwell架构相匹配。其M400将与NVIDIA预计的Rubin架构（Blackwell的继任者）相匹配。AMD在软件和互连/系统方面也在迎头赶上，希望到2026年实现年收入100亿美元。
即使AMD不如NVIDIA，大型超大规模计算厂商也有望为其提供业务。他们希望找到NVIDIA的强大替代方案，而这种替代方案能够为超大规模计算厂商提供一些定价优势，并且在NVIDIA供应受限的情况下，能够更快地提升其数据中心的产能。
那么用于AI加速器的ASIC呢？就在几年前，ASIC在投资者眼中还是个贬义词——低利润、低增长。现在，它却火了，因为超大规模企业想要更多选择。
亚马逊、谷歌、Meta和OpenAI都在开发自己的AI加速器。当然，还有其他公司也在积极布局。例如，博通的AI收入在三年内飙升了约10倍，约占总销售额的一半。同样，Marvell的AI收入也在同一时期飙升，目前AI已成为其最大的业务部门。
在三月初的摩根士丹利技术大会上，Open AI首席执行官Sam Altman表示，如果放弃GPU的部分灵活性，特定模型的ASIC可以非常高效。别忘了，网络过去使用x86处理器。现在则全部使用交换芯片，因为需要处理的数据包类型变化缓慢。
市场正在从以训练为主转向以推理为主。仅用于推理的ASIC可以简单得多。关键在于成本和功耗。而仅限于例如Transformer模型的推理ASIC则可以更简单、更便宜。Alchip的首席执行官表示，ASIC的性价比比GPU高40%，并且可以针对客户的特定软件进行优化。
如今的AI加速器通常配备3纳米或2纳米计算引擎，在“更老”、更便宜的节点上，或许还会配备独立的5纳米SRAM和PHY芯片。Alchip首席执行官表示，AI加速器的NRE成本高达5000万美元。博通/Marvell可能正在开发更复杂的加速器，采用更多芯片组和3D封装，开发成本超过1亿美元。超大规模计算厂商将拥有超过100人的架构团队；超过100人负责网络连接，还有更多人负责软件开发。这意味着总成本将在三分之一到五亿美元之间。他们能负担得起吗？
如果一家超大规模厂商每年采购200亿美元，由于有其他选择，可以从NVIDIA获得10%的折扣，那么它就有能力自主研发ASIC。如果一家超大规模厂商成功打造出一款成本仅为NVIDIA GPU一半、功耗更低的ASIC，那么它就取得了巨大的成功。Alchip的首席执行官表示，这款ASIC的价格可能比GPU便宜40%左右。
超大规模数据中心运营商可能会部署NVIDIA和AMD的GPU来处理最复杂、变化最快的工作负载，以及外部客户，而内部变化较慢的工作负载则会使用自家的ASIC。GPU和ASIC的最终组合将取决于相对性能、功耗和可用性。可能是90%GPU和10%ASIC。或者，正如麦肯锡预测的那样，可能是10%GPU和90%ASIC。每年仅花费10亿美元的小型客户将不得不使用GPU。
参考链接
https://semiengineering.com/gpu-or-asic-for-llm-scale-up/
