AMD CEO苏姿丰：AI日趋成熟，芯片行业不能只盯着GPU！
随着人工智能（AI）技术的快速发展，芯片行业的创新变革也在加速推进。AMD首席执行官苏姿丰（LisaSu）近期就芯片行业的未来发表了深刻见解。她认为，尽管当前图形处理单元（GPU）在人工智能模型的训练与运行中占据主导地位，但未来五到七年内，芯片行业的格局可能会发生重大变化。特别是在计算能力与能源效率的平衡问题上，GPU将不再是唯一的选择，新的芯片技术和架构将逐步崭露头角。
AI发展的瓶颈与GPU的局限性
目前，GPU因其强大的并行处理能力，成为训练大型AI模型的首选硬件。这些芯片最初是为高性能游戏图形而设计，后来由于其灵活的编程性和强大的计算能力，被广泛应用于AI领域。然而，随着AI模型规模的急剧增长，尤其是生成式AI的爆炸性需求，GPU也面临着挑战。虽然它们能够满足当下AI快速迭代的需求，但在能耗、成本和体积方面的优化空间仍然有限。
苏姿丰表示：「GPU在并行处理方面表现优异，但在未来五到七年后，它们可能不再是唯一的主流架构。随着AI模型设计的标准化进程推进，未来的AI芯片将更注重节能、高效且更具针对性。」她的这一观点反映了整个行业正在朝着多元化、定制化的芯片架构方向发展。
定制芯片的崛起
在AI日益发展的背景下，定制化芯片已逐渐成为大型科技公司的研发重点。像亚马逊、谷歌这样的云计算巨头已经开发了自己的定制AI芯片，例如亚马逊的AWSTrainium和Inferentia芯片，以及谷歌的张量处理单元（TPU）。这些芯片各自承担特定的AI任务，Trainium负责模型训练，而Inferentia则专注于推理。
这些定制芯片在能耗与效率方面展现了明显优势。市场情报公司IDC的副总裁ShaneRau指出，定制芯片由于能够在一定程度上进行硬连接，具备了专门处理特定任务的能力，因此在运行特定类型的AI模型时表现出色。这些芯片不仅体积更小、能耗更低，而且制造成本也相对降低。
然而，商业化推广这些高度定制化的芯片仍面临挑战。研究公司Gartner的副总裁ChiragDekate提到，尽管定制芯片在节能和性能上占有优势，但它们的编程难度较大，并且通常需要专门的软件支持，这使得它们的灵活性和互操作性大打折扣。这意味着，尽管定制化芯片在特定场景下发挥着巨大的潜力，但它们在AI模型快速迭代的背景下，尚无法完全取代通用型芯片。
定制化与灵活性的平衡
尽管如此，苏姿丰认为，未来的芯片行业将面临一个重要的技术平衡点：在追求高度定制化的同时，也必须确保一定程度的灵活性，以适应不同模型的发展需求。例如，Etched公司联合创始人兼首席执行官GavinUberti指出，虽然他们的芯片专注于在Transformer架构上进行推理，但他们也意识到过度定制化可能会带来问题。尽管Transformer架构已经成为大语言模型的主流，但模型的不断演化和规模扩大要求芯片必须具备足够的灵活性，才能适应未来更复杂的需求。
在这一背景下，芯片制造商面临的挑战在于如何设计出既能处理特定AI任务，又能适应AI模型快速变化的芯片架构。苏姿丰强调，未来AI的发展将不仅仅依赖GPU，还将包括其他类型的专用芯片，以实现不同AI模型的计算需求。这种多元化的芯片组合将成为AI计算的趋势，推动行业进入新的阶段。
未来芯片行业的发展方向
尽管GPU目前在AI领域占据主导地位，但这一优势并非永久不可撼动。随着AI模型复杂性的增加和行业对更高效计算资源的需求，未来的芯片架构将更加多元化。苏姿丰指出，未来的AI模型将需要结合不同类型的芯片架构，这些架构可能包括GPU、定制化芯片、以及其他新兴的专用芯片，以应对不同的AI任务。
博通（Broadcom）首席执行官陈福阳也曾在内部讲话中提到，定制芯片业务已经为该公司带来了丰厚的利润，尤其是在与谷歌合作开发AI芯片方面。他的言论进一步印证了定制芯片在未来AI计算领域的重要地位。
与此同时，微软、亚马逊、谷歌等科技巨头也在不断加大自研AI芯片的投入。例如，微软在Ignite大会上发布了其首款AI芯片AzureMaia100，以及应用于云端服务的AzureCobalt，这些芯片将由台积电代工生产。而AWS也早已推出Inferentia和Trainium芯片，进一步拓展了自研芯片的阵容。
AI与芯片行业的协同进化
正如苏姿丰所言，芯片行业与AI的发展是相辅相成的。AI模型的进化推动了芯片的设计变革，而新的芯片架构则为AI的进一步发展提供了强大的计算支持。未来，随着生成式AI模型的标准化进程加快，芯片行业将更加注重能效、定制化和灵活性的平衡。新的芯片架构将帮助减少AI巨大的能源需求，提升模型的运行效率。
苏姿丰的预测并非空谈。虽然GPU仍将在未来五到七年内保持主导地位，但芯片行业的未来注定是多元化的。那些能够在灵活性与定制化之间找到平衡的芯片制造商，将在这一场技术竞赛中占据先机。
