人工智能：英伟达能笑到最后么？

深度学习算法（尤其是深度神经网络）带来了人工智能（AI）的各种突破，进而带动了AI市场的飞速发展，人工智能得到广泛应用，其中的商业利润暴涨。根据市场研究和咨询机构Tractica的数据，2016年全球AI营收达6.437亿美元，预计到2025年营收将增至370亿美元，年增长率约为50%。深度学习涉及大量矩阵计算，而GPU的并行计算架构正好满足需求，适合训练和评估神经网络，因此最前沿的深度学习平台全部使用GPU进行计算。作为GPU市场的领头羊，面对火爆的AI市场，英伟达（NASDAQ:NVDA）公司迅速布局，很快便成为了AI市场的主流硬件供应商。

当前英伟达的两大AI业务为数据中心和自动驾驶。据最新季报数据，数据中心和自动驾驶营收分别达2.4亿美元和1.27亿美元，而主营业务游戏芯片的营收高达12亿美元。尽管当前AI营收明显低于游戏芯片的营收，但AI业务的增长相当快。2016年，英伟达公司的股价飙升了2.27倍，这明显反映出投资者对公司AI业务的未来增长抱有极高的期望。公司当前的PE约为55，远超英特尔公司（NASDAQ:INTC）的PE（17）。

鉴于投资者对英伟达的AI业务抱有厚望，导致公司股价随之飙升，本文接下来将阐述为何投资者不应对英伟达的AI业务增长太过乐观。笔者得出此观点并非因为英伟达与对手AMD存在潜在的激烈竞争，而是GPU芯片本身并非深度学习的最佳硬件选择。放眼当前用于深度学习的产品及2017年即将发布的新品，芯片在计算能力和功耗上将得到极大的改善。

GPU为何能成为深度学习的主流硬件

对深度神经网络（DNN）的训练涉及大量矩阵和向量操作，计算量相当大，尤其是当数据集较大、模型复杂、需要调参时更是如此。尽管CPU也可用来进行这类计算，但CPU主要用于通用计算，当应对深度学习需处理的数据类型和庞大工作量时，CPU的处理速度则不尽如意。

与CPU不同，GPU专门用于图像处理。图像处理的对象大多是线性数据（如矩阵），因此GPU的架构决定了其内在的并行计算能力更能提高深度学习的计算效率。所以，就训练DNN而言，GPU在计算能力上远超CPU也并不奇怪。

深度学习近几年来才为大家熟知，之前只是学术界闭门研究的对象而已，所以当深度学习的商业价值开始凸显时，市场上还未出现专门的深度学习硬件。因此，当前AI应用的芯片选择仅限于CPU和GPU，而GPU比CPU优势更明显。利用GPU的优势，英伟达紧抓机会，短期内即成为了芯片市场的龙头。

GPU的劣势

尽管GPU是当前深度学习应用最多且最先进的硬件，但GPU远非深度学习应用的最佳硬件选择。毕竟，GPU主要为视频游戏而生，而非深度学习。事实上，为深度学习定制设计的芯片将会比GPU有更出色的表现。

示例：

1.精度降低：有研究报告指出，添加大型网络时DNN的表现会下降，因为数字精度会降低至16位或甚至8位。这表明GPU的高精度算法将大材小用。在别的应用场景下，GPU对同样数据带宽的利用率可更高。

2.内存访问和缓存：通常情况下，DNN访问更多的是可预测的数据，而非GPU渲染过程中高频处理的高度非线性结构。作为游戏引擎的GPU在内在设计上更适合访问高度非线性结构，而非可预测的数据结构。因此专门为DNN设计的架构会显著提升数据吞吐量。

3.此外，众所周知，高性能的GPU耗能特别大，所以不适合在数据中心上使用。一般的服务器每小时耗电量达500至1200瓦左右。如果取平均功耗850w来计算，一个功耗200w的GPU就会使服务器的整体耗电量提高四分之一。这无疑会加剧数据中心自身就存在的高能耗问题。不过，相比之下，接下来介绍的芯片将非常节能。

ASIC更胜一筹

与GPU相比，为深度学习定制的专用集成电路（ASIC）未来将更适合AI应用。根据任务定制的ASIC拥有更强大的计算性能，而且能耗更低，很可能其成本也相对较低。

CPU比GPU应用面更广，但GPU在处理特定作业上（如本文所讲的处理图像）远胜过CPU，GPU与ASIC相比也是如此，GPU比ASIC应用更广，但处理深度学习作业上ASIC远胜过GPU。

1.ASIC拥有更强大的计算性能。

2016年，英特尔以预计3.5至4亿美元的价格收购了一家成立两年的AI公司Nervana。Nervana将在2017发布基于ASIC的深度学习引擎，可解决上述GPU存在的各种不足（计算精度、缓存和数据吞吐量）。Nervana称，其ASIC芯片的计算能力远超过当前最先进的GPU。公司同时指出，当前的ASIC芯片采用的是28nm工艺，未来采用16nm工艺制作的ASIC芯片将会更加强悍。

Nervana芯片未来是否会削减英伟达的AI市场份额不得而知，但从上可知：首先，为深度学习而定制的ASIC芯片性能上可能远超传统的GPU；其次，Nervana公司成立仅两年，其设计深度学习芯片比设计GPU要容易的多，因为GPU的设计需要对应更复杂的应用，并且需要几十年的技术积累才能完成。

2.ASIC芯片更节能。

在降低能耗方面，凭借硬件配置最小化及使用低功耗电元件，ASIC不容置疑地成为节能冠军，深度学习应用的实时功耗数据可予以佐证。谷歌（NASDAQ:GOOG）（NASDAQ:GOOGL）已自主研发了一款ASIC芯片—即Tensor Processing Units（TPU），并且已将芯片用于处理多个机器学习任务。同时，与世界围棋冠军李世石进行对弈的AlphaGo身上也搭载了TPU。谷歌称同一能耗下，TPU的性能要比一般芯片强10倍。ASIC的强大节能可刺激其他科技公司研发定制的ASIC芯片，并将芯片应用到数据中心上。

3.ASIC的成本可能更低。

虽然笔者不了解Nervana或谷歌ASIC芯片的实际成本，但众所周知，半导体行业中，通用硬件的成本远高于定制硬件的成本。ASIC就属于定制芯片，所以笔者有理由相信商业投产后ASIC比GPU更有价格优势。

概要

总而言之，凭借在GPU市场的巨大市场份额，英伟达已成为AI应用的主流硬件提供商。从股价的疯涨可看出，投资者似乎对公司AI业务的持续增长充满信心。但在此笔者需指出，长期来看，当更多ASIC芯片趋于成熟并投入市场时，英伟达的霸主地位或许会被动摇。ASIC芯片的设计比GPU设计更简单，不需要进行数十年的技术积累即可完成，同时ASIC有可能在性能、功耗及价格上明显优于GPU。因此，英伟达在GPU市场的绝对优势并不能直接转换为公司在AI市场的绝对优势。笔者认为，未来英伟达在AI市场上可能面临激烈的竞争，投资者在投资决策前应考虑可能存在的风险。

免责声明：本文仅供参考，并非投资建议，我们将竭力提供专业可靠的信息。转载请注明来源，本公司将保留所有法律权益。