憑藉CPU與GPU分頭進擊高效能計算生態，AMD布局AI市場獲大客戶認可

AMD 過去雖在 PC 市場不斷遭遇挫敗，但其 CPU 和 GPU 架構方面經驗深厚，相關技術底子並不差，只是實際的生態變化往往超乎預期，致使推往市場的架構來不及對應市場變化，加上老是被晶元代工夥伴拖累，其市佔率不斷萎縮，在關鍵的伺服器領域幾乎更是一片空白。

但 2017 年的新架構上市，讓市場重新對 AMD 有了新的認知，PC 產品的實際表現已經獲得市場肯定，專業運算方面的布局也開始發酵，並逐漸打進市場。以其專業運算產品來看， CPU 方面已經不遜色於 Intel ， GPU 產品與 NVIDIA 亦能相提並論， NVIDIA 甚至也推薦其 GRID 伺服器搭配 AMD 的 Epyc 處理器，而不是 Intel 的 Xeon 。在擁有結合 X86 與強大 GPU/GPGPU 的先天優勢下，未來在高性能運算，甚至人工智慧所需要的深度學習方案方面，將會極具市場潛力。

圖丨AMD未來高效能計算布局，GPU會是非常重要的一環。（資料來源：AMD）

初步奪回PC市佔率後，下輪重點將擺在專業運算領域

2017 年 AMD 藉助 14 nm與全新設計的架構重新打入 PC 市場，營收也有明顯的起色，根據 2017 年第二季財報，其單季凈虧損雖仍達 1600 萬美元，但相較前季的凈虧損 2500 萬，或者是 2016 年同期的 8100 萬，已有明顯回升，足可見新產品的布局已經初步收效，以華爾街為主的調研機構也都預估 AMD 第三季將實現盈利，且未來營收也將逐季成長。

但 PC 類產品的策略就是以多打少、實惠為王，技術上有革新，但沒有太多特別亮眼的地方。伺服器市場的規劃卻沒有這麼簡單，由於缺席太久，今年之前也根本沒有可用的方案提供給市場，所以 AMD 轉而在生態方面進行布局。

這些生態方面的布局包括 HSA （Heterogeneous System Architecture），異質系統架構），以及開放計算語言 OpenCL (Open Computing Language) 和跨平台的二維、三維圖形與計算應用程序界面 Vulkan 的設計貢獻。掌握了標準就掌握了市場， AMD 成功讓主要的高效能運算/繪圖標準制訂偏向自己，對其市場布局幫助不小。

這些技術耕耘瞄準更遠的未來，不論是在計算方案的設計、搭配，繪圖 API 的革新，還是針對系統平台的支持與生態的建立，若成功把市場教育好，順便也打下生態的基礎，等到產品發布，就可以順利收割之前耕耘的部分。

2017 年，基於 VEGA 架構的 GPGPU 運算加速卡投入市場，客戶反響也不錯。而針對伺服器市場，則是推出了 Epyc 架構，走以多打少的路線，核心數大增，單一晶元最多可配置達 32 核，雖然是膠水多核，但配合新設計的 Infinity Fabric 匯流排，性能表現不弱，逼得 Intel 只能跟著推超多核的伺服器晶元產品。

AMD 第二季營收回升，主要是靠在 PC 市場的成長，專業市場產品布局在第三季之後才會陸續投入市場，由於前述技術布局都有發揮成效，其在高性能運算的部分，比如說 Epyc 伺服器 CPU，及基於 Polaris、VEGA 架構的 GPGPU加速方案都獲得了市場認可，導入速度也逐漸增加。就目前而言，包括百度、阿里巴巴、微軟，都已經先後導入基於 AMD 的高效能運算方案，目的都是要用來解決在深度學習所遇到的效能瓶頸。

軟體生態的建立是AMD布局深度學習應用的最大挑戰

從目前的市場地位而言，AMD 的確遠遠不如 NVIDIA，甚至也還比不上 Intel 。造成此狀況的背後因素不少，過去被 PC 市場的劣勢綁死，對其他領域的發展也分身乏術， NVIDIA 在深度學習方面的耕耘超過十年，其 CUDA 相關軟硬體方案已經是世界上最強大、且最具應用彈性的方案，相較之下，AMD 雖然在異質運算的生態方面有布局，但為時不過三五年，且今年才真正推出具競爭力的硬體運算架構。

既然硬體已經沒有太大的疑慮，那麼軟體支援部分呢？ CUDA 太強大是個問題，若隨便兜個方案業界肯定不買單。AMD 對此提出的策略是 Radeon Open Compute project (ROCm) ，希望藉由這個承襲自 Open Compute project 的計劃，強化自己的 Radeon 方案生態，而且與 CUDA 的最大的不同，在於 ROCm 的源代碼都會開放。

圖丨ROCm 提供了完整的軟體框架，更重要的是源代碼完全開放。（資料來源：AMD）

基於 ROCm 平台可支持多個 GPU 同時運算，甚至可支持跨伺服器的 GPU 管理，此外，ROCm 也內置編譯器，甚至可實時編譯、執行原本僅支持 CUDA 的非原生應用，雖然效率上可能不如原生應用，但藉此可大幅擴張 ROCm 的生態圈，這個作法不可謂不聰明。

此計劃涵蓋了 AMD 過去提出的 HSA 規範，及其在 OpenCL 相關的軟體貢獻，配合新推出的 Radeon Instinct 計算加速卡硬體，將可構成一個足以和 NVIDIA/CUDA 抗衡的平台。當然，單純就 GPGPU 生態而言， AMD 或許還不夠強大，但 AMD 還擁有世界上唯二、僅次於 Intel 的 X86 技術，這是 NVIDIA 所無法提供的。

因為 AMD 自己可通包 CPU 和 GPU 硬體及生態的部分，也就是伺服器中最重要的關鍵零組件，藉此可大幅提高相關產品的架構一致性，降低優化的難度。反觀 NVIDIA 目前仍要配合第三方的 CPU，雖然不算是弱點，但就架構的整體性和設計彈性而言，可能就會弱於 AMD 。

當然，關於深度學習方案， AMD 還有不少需要實現的部分，才能得到業界的完全信任，但從技術角度而言， AMD 的 CPU 不遜色於 Intel ， GPU 不遜色於 NVIDIA ，目前最缺乏的就是生態的成熟度，這點仍需要時間耕耘。

深度學習與人工智慧是下個戰場

2016 年以前， AMD 在深度學習方面幾乎是一片空白，但 2017 年之後， AMD 已經成為重要性不下於 Intel 與 NVIDIA 的深度學習方案供應商之一。 AMD 目前先藉由成功的 PC 產品布局獲利，公司營運穩定後，在人工智慧方面也將會有更多著墨。

AMD CEO 蘇姿豐針對 AMD 在深度學習應用的發展方向表示， AMD 在 2017 年所推出的新 CPU 與 GPU 核心都是針對雲計算與企業計算優化的，後者，尤其是基於 VEGA 核心的計算加速卡，更是針對大規模的平行運算加速而設計，未來 AMD 也會打通 CPU 和 GPU 之間的連接，實現 HSA，也就是異質運算的真正精髓，藉此將可有效協助整個深度學習產業的發展。

圖丨AMD CEO 蘇姿豐

對 AMD 而言，要在深度學習方案能佔有一席之地，除了更進一步拓展其應用生態，推出可和 CUDA 相提並論的方案之外，最重要的還是硬體架構的實際性能表現。就目前而言， AMD 的計算相關硬體方案已經被證實擁有相當強大的實力，且其一貫的實惠定價策略，也打動了不少客戶的心。

大部分的伺服器 OEM 客戶都已經願意嘗試他們的新方案，其中如 BOXX Technologies 、技嘉、英業達、美超微等客戶也確定推出方案，在 PC 市場無後顧之憂後， AMD 也會有更多資源可以針對深度學習這塊市場進行耕耘，加快相關方案的滲透速度。

圖丨百度與 AMD 合作設計 GPU 實驗室，探索 AI 與高效能計算應用潛力。

而近期 AMD 與百度的合作也浮上檯面，二者正式合作設立 GPU 實驗室，探索數據中心與 AI 領域更進一步的應用空間，對 AMD 而言，雖然短期內可能還看不出其對市場運營的明顯幫助，但是對中國 AI 生態的經營，可以說前進了相當大一步，也等同對 NVIDIA 下了戰書。

AMD 未來的產品規劃，預計讓 CPU 和 GPU 在 2018 年都進入 7 nm製程世代，且針對深度學習應用，將以全新設計、內置 AI 專用加速單元的 7 nm製程 GPU 產品作為重要武器，挑戰 NVIDIA 的產品布局。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！