来源：内容来自digitimes，谢谢。
随着人工智能(AI)服务器GPU加速器需求转热，越来越多大厂投入市场，不禁令人好奇，面对新对手接连进逼，一直处于领先地位的NVIDIA如何捍卫江山，未来是否有筹码还击。
当市场需求攀升，少数供应商得到丰厚的获利时，更多的厂商即会相继投入抢食大饼，这是基本的经济运作。在AI加速器市场亦然，NVIDIA早期跨入此领域，拜企业和云端服务业者AI相关投资与日具增之赐，NVIDIA的Tesla GPU需求畅旺，公司业绩也大进补。
以2017年上半为例，NVIDIA首季数据中心产品销售激增逾2倍，第2季续增186%。NVIDIA在AI领域耀眼的表现引起其他科技大厂的注意，过去1年来包括英特尔(Intel)、超微(AMD)、富士通(Fujitsu)和Alphabet相继推出AI服务器加速器，或宣布准备进军市场。
随着市场竞争逐渐白热化，NVIDIA该如何维持竞争优势？这可以从比较NVIDIA的GPU和对手产品找到答案。服务器CPU与PC和移动CPU一样，仅能容纳少量相对强而有力的CPU核心，例如最强而有力的英特尔Xeon Scalable服务器CPU有28核。反观GPU可以有上千个小核心并行运作。也因此，对于不断地进行演算和推论的AI深度学习训练而言，GPU比CPU更适合。
推论演算法不一定要求巨大的处理能力，GPU就可以应付这些任务，有鉴于此，NVIDIA试着让GPU在此获得更多的采用。不过，许多服务器端的推论工作仍然以英特尔的Xeon CPU为主。苹果(Apple)因隐私权的关系，偏好直接在iOS装置以AI演算法处理用户数据。
然而，训练深度学习模型来创造演算法解读数据，例如自动驾驶系统翻译简讯或侦测交通号志等都需要密集的运算，训练过程中，数千甚至数百万个人工神经元化分成许多“层”(layer，如输入层、隐藏层、输出层等)来负责不同的任务，以及和其他层的神经元沟通，以便判断数据分析后的结果是否无误，例如输入的影像是否为停车标志(stop sign)等。
比起不到30核心的CPU，AI研究人员利用多个拥有数千个核心的Tesla GPU来分担人工神经元的工作，训练深度学习模型将加快许多。深度学习演算是一种复杂的数学，而这正是NVIDIA的Tesla GPU擅长的领域，它还可以提供一个具有众多存储器频宽的模型，以及高速连结芯片来进行沟通。
但这并不意味着GPU是唯一适合训练深度学习模型的处理器，理论上芯片制造厂也可以开发一个配备数千个核心，专为处理深度学习演算而设计的特殊应用积体电路(ASIC)，让它们能与存储器或其他ASIC快速沟通。
英特尔似乎有这样的想法，2016年收购Nervana Systems取得必要的技术和人才后，着手打造深度学习ASIC“Lake Crest”。英特尔号称Lake Crest的并行处理能力是前所未见的水准，原始运算能力比当前最先进的GPU(显然指的是NVIDIA)还强。此外，Lake Crest还可支援每秒1兆位元(TB)的存储器频宽，连结速度比标准PCI Express快20倍。
Lake Crest将于年底问世，英特尔同时也准备推出Knights Crest，此为整合Nervana技术的Xeon Phi协同处理器其中的一个版本。Xeon Phi芯片应用于较不复杂的AI专案，以及高速运算(high-performance computing；HPC)工作负载上。
Google最近发表第二代Tensor Processing Unit(TPU)，第一代TPU仅有推论能力，新的TPU则可训练深度学习模型。Google宣称TPU模组在特定的深度学习运作中，可以达到每秒180兆次的浮点运算(teraflop)，比NVIDIA最近发表的Tesla V100旗舰服务器GPU的120 teraflop还快。不过，TPU仅能与Google的TensorFlow软件架构并用，而且Google不打算销售TPU，只用于公司内部AI开发，以及让云端客户使用。
其他大厂如AMD最近推出Radeon Instinct服务器GPU，其中最强的M125是不错的产品，但以原始效能来看仍落后V100，特别是64-bit运算时，而且存储器频宽也比较少，目前显然不至于对Tesla GPU构成威胁。此外，富士通最近也宣布要在2018年会计年度发布一个ASIC深度学习处理器。
不过，尽管新对手来势汹汹，NVIDIA拥有强有力的武器来予以迎击。其中之一是庞大的GPU研发支出，NVIDIA主要用于打造新的GPU架构，特别是深度学习的GPU。例如Tesla V100采用新的Volta GPU架构，同时使用了5,120个传统的CUDA GPU核心和640个tensor核心作为深度学习训练之用。
但就长期而言，NVIDIA最大的竞争优势或许起步比别人早，围绕着Tesla GPU的AI生态系统已经成形。现在开发者逐渐习惯使用NVIDIA的CUDA GPU应用程式介面(API)，以及深度软件开发套件的各种工具，包括cuDNN软件图书馆等。
NVIDIA的生态系统也吸引其他科技巨擘的参与，4月NVIDIA和Facebook宣布共同合作，为Tesla GPU提升Facebook的Caffe2 AI软件架构。不久之后，微软(Micorsoft)也宣布，该公司新版SQL服务器数据库将可与Tesla GPU一起运作处理深度学习的工作。
今天是《半导体行业观察》为您分享的第1359期内容，欢迎关注。
关注微信公众号 半导体行业观察，后台回复关键词获取更多内容
回复 比亚迪，看《比亚迪的芯片布局，王传福的野心》
回复 长电科技，看《从江阴小厂到世界前三，长电科技一路狂奔》
回复 英特尔，看《四面楚歌，Intel还能重回巅峰吗？》
回复 全面屏，看《全面屏手机给供应链带来的挑战》
回复 芯片市场，看《又一个被中国厂商做死的芯片市场！》
回复 展会，看《2017最新半导体展会会议日历》
回复 投稿，看《如何成为“半导体行业观察”的一员 》
回复 搜索，还能轻松找到其他你感兴趣的文章！
摩尔邀请您加入精英微信群
你好，感谢长期对半导体行业观察的关注和支持！为了方便各位精英专家交流，我们组建了一些专业、微信交流群，欢迎你加入，我们还会邀请在摩尔直播App做过技术和行业分享的100+技术大牛入群和大家交流。加群方法： 长按二维码，加群主为好友，填写加群需求信息，拉你入群。（微信限制每天好友添加数量只有300人，请耐心等待）
地域群：
上海、深圳、北京、江苏.浙江、西安、武汉、成都.重庆、合肥、厦门.晋华、大连、台湾、新加坡、日本.韩国、美国、欧洲、摩尔直播学习群。
专业群：
模拟射频设计、EDA.IP、数字芯片设计、模拟混合信号设计、版图Layout、数字PR.验证、晶圆制造Fab、设备EE、半导体材料、半导体设备、封装测试、半导体投资、市场销售、AE.FAE、嵌入式开发、实习交流、采购.IC代理、AI芯片
专业微信群规则：
1. 专业、高效交流，建议进群请修改群昵称，格式：公司或学校+职位或专业+中文或英文，请服从群主管理，如果多次违规会被请出交流群；
2. 原则上每人加不超过3个群，精彩讨论内容，群主会负责在不同群同步，既然加了群，请大家尽量置顶群，积极参与群讨论；
3. 群里聊天讨论仅限半导体专业内容，杜绝专业无关内容，特别是养生、拉票、微商等内容，严格禁止，为自己公司打广告以不引起群友反感为限；
点击阅读原文加入摩尔精英
