• 0
分析:英伟达下调业绩预期背后,AI芯片的滑铁卢之殇
统计 阅读时间大约6分钟(2215字)

2019-03-09 12:18:28 分析:英伟达下调业绩预期背后,AI芯片的滑铁卢之殇

对于某种AI加速芯片,常见的评价因素可以总结为五点:性能、灵活性、同构性、成本和功耗。

猎云网注:今年年初,英伟达下调第四财季业绩预期,股价出现暴跌。英伟达称,导致收入指引下调的主要原因是全球及部分地区的经济减速,导致游戏GPU销量和数据中心业务的大量下滑。但相比之下,FPGA公司Xilinx却在发布季度财报后股价飙升接近20%,这很大程度上归功于Xilinx通信与数据中心部门的高速增长。本文作者就此现象分析了背后的成因。文章来源:老石谈芯,作者:老石

很多朋友应该都知道了,今年初英伟达下调了第四财季的业绩预期,随后股价暴跌高达18%。

1.jpg

请注意这里的细节,是英伟达自己下调了预期,发生的时机是在发布本季财报之前。说白了,就是自己提前承认这个季度搞砸了,并跪求各位投资人放过。

另外一个需要注意的细节是,这已经不是英伟达第一次下调本季度的业绩预期了。在去年发布第三季度财报时,英伟达就已经将第四财季的营收期望下调了7%左右,低于市场预期近两成。最近六个月以来,英伟达股价已经由最高的290美元左右,下跌到后来的130美元,除了股价腰斩,更成为同期标普500指数中表现最差的公司。

英伟达在致股东信中提到,导致收入指引下调的主要原因是全球及部分地区的经济减速,导致游戏GPU销量和数据中心业务的大量下滑。

相比之下,FPGA公司Xilinx却在发布季度财报后股价飙升接近20%,这很大程度上归功于Xilinx通信与数据中心部门的高速增长。此外,英特尔在其最新财报中披露,旗下FPGA部门在数据中心领域的增长幅度约有惊人的50%。

分析师们并不会告诉你,为什么这些公司目前有如此迥异的表现。在本文中,笔者就从技术角度深入分析,当年的小甜甜怎么变成了今天的牛夫人。

2_meitu_1.jpg


数据中心AI加速芯片的选择

推动人工智能爆发的最主要原因之一,就是硬件算力的提升。而英伟达的股价当年之所以能够三年涨10倍,就是因为GPU非常适用于深度神经网络的训练。与传统的CPU相比,GPU拥有数千个计算内核,能够在性能上取得上百倍的提升。因此AI就成为了GPU最主要的应用领域之一,也成就了英伟达的高速增长。

随着AI的不断发展,诸如微软和谷歌这样的巨头公司开始考虑在数据中心里采用GPU作为AI加速芯片,这时问题就出现了。在大量部署时,芯片的性能并不是唯一需要考虑的因素。事实上,很多情况下它也并不是最重要的因素。

对于某种AI加速芯片,常见的评价因素可以总结为五点:性能、灵活性、同构性、成本和功耗。其中:

灵活性:指这种芯片对不同应用场景的适应程度;

同构性:指的是AI加速芯片能否重复利用数据中心现有的架构和资源;

成本:既包括对该硬件加速器的研发投入,也包含了它的采购、部署和运维开支;

功耗:就是指引入该方案后,对数据中心带来的额外功耗负担。

接下来就对几种常见的AI加速芯片,比如GPU、FPGA以及ASIC,采用上述评价因素做一个简单的定性对比。

GPU

3.jpg

GPU最大的问题是,它基本上是个“功耗黑洞”:中等性能的GPU功耗都普遍超过200W,而高性能GPU的功耗会超过300W。相比于FPGA或ASIC的几十瓦甚至几瓦的功耗而言,这个数字显得过于惊人。

高功耗对于GPU在数据中心里的大规模部署是致命的,因为这不仅代表着高昂的电费开支,还表示数据中心现有的供电、散热等硬件架构需要进行重新修改,这对于同构性和低成本这两项要求而言基本上是不可能的任务。

在灵活性方面,GPU通常只适用于计算密集型运算,对于通信密集型的应用,GPU需要与CPU和网卡组成一个完整的通信系统,因此对于这类应用,GPU的灵活性会受到较大限制。

ASIC

4.jpg

专用的AI加速芯片以谷歌的张量处理器TPU(Tensor Processing Unit)最为典型。TPU专为谷歌的深度学习框架TensorFlow设计,现在已有第二代,被用来加速神经网络的和决策。ASIC最主要的优势是它的超高性能和超低功耗。与GPU相比,TPU在某些AI应用的性能可以提高一个量级,而功耗会下降一到两个量级。

不过,得到这样高性能和低功耗需要付出的代价就是巨大的研发成本。放眼全球,有资金实力和技术储备进行这类研发的公司,大概用一个手就能数的出来。ASIC的另外一个缺点是它的低灵活性,它通常针对某种特定的应用和算法框架而设计,因此很难直接用于其他的应用。

FPGA

6.jpg

相比GPU和ASIC,FPGA在各项评价指标中能够达到比较理想的平衡。在绝对性能方面,虽然不如GPU或ASIC,但由于FPGA可以定制化硬件流水线,并且可以进行大规模并行运算,因此相比传统的基于CPU的计算性能还是有着至少一到两个量级的提升。由于FPGA具有硬件可编程的特点,使得它可以应对包括计算密集型和通信密集型在内的各类应用。此外,FPGA独有的动态可编程、部分可编程的特点,使其可以跨空间和时间两个维度,同时处理多个应用,或在不同时刻处理不同应用,因此有很强的灵活性。

功耗和成本方面,FPGA的功耗通常为几十瓦,采购与运维成本远低于GPU。FPGA的开发成本主要涉及购买特定的FPGA设计和调试工具、采购FPGA芯片或加速卡,以及组建团队进行或外包FPGA开发项目等投入。虽不及CPU或GPU等基于软件的开发方式,但由于省去了FPGA芯片制造的相关环节,因此相比研发一款专用芯片而言还是低很多。

此外,FPGA目前通常以加速卡的形式配合现有的通用处理器进行大规模部署,对额外的供电和冷却等环节没有特殊要求,因此可以兼容数据中心的现有硬件体系结构。

AI芯片的最大风险

对于AI芯片的设计者而言,当前最大的风险就是AI本身。

在这个群雄争霸的时代,各种新算法、新模型层出不穷,因此在某种方法一统天下之前,很难将其中的任何一种方法固化在芯片上,否则就很可能再次重演以前的小甜甜变成今天的牛夫人这样的悲剧。

比如,为了进一步提升性能功耗比,目前比较流行的方法是使用近似(approximation)算法,例如将双精度浮点数换成低精度的定点数,或者对不同权重的网络分支做剪枝、结构优化和压缩的操作。这方面的具体内容在本文中不再展开,有兴趣的读者可以搜索了解。

笔者想说的是,这些不断涌现的全新AI方法只有通过FPGA才能快速实现,这对于GPU或者ASIC都是不可能完成的任务。

数据中心与AI已经成为各家芯片公司的必争之地。只不过,近期资本市场的表现在某种程度上展示了人们对不同方案的认可度。这也是老石在本文中尝试分析的。

然而,笔者并不想立flag断言这些公司的未来,只是相信,技术会不断给出自己的答案。


推广:猎云银企贷,专注企业债权融资服务。比银行更懂你,比你更懂银行,详情咨询微信:zhangbiner870616,目前仅开通京津冀地区服务。

1、猎云网原创文章未经授权转载必究,如需转载请联系官方微信号进行授权。
2、转载时须在文章头部明确注明出处、保留官方微信、作者和原文超链接。如转自猎云网(微信号:ilieyun
)字样。
3、猎云网报道中所涉及的融资金额均由创业公司提供,仅供参考,猎云网不对真实性背书。
推荐阅读
记者名字
{{item.author_display_name}}
{{item.author_user_occu}}
{{item.author_user_sign}}
×