分析：英偉達下調業績預期背後，AI晶元的滑鐵盧之殤

獵雲網註：今年年初，英偉達下調第四財季業績預期，股價出現暴跌。英偉達稱，導致收入指引下調的主要原因是全球及部分地區的經濟減速，導致遊戲GPU銷量和數據中心業務的大量下滑。但相比之下，FPGA公司Xilinx卻在發布季度財報後股價飆升接近20%，這很大程度上歸功於Xilinx通信與數據中心部門的高速增長。本文作者就此現象分析了背後的成因。文章來源：老石談芯，作者：老石

很多朋友應該都知道了，今年初英偉達下調了第四財季的業績預期，隨後股價暴跌高達18%。

請注意這裡的細節，是英偉達自己下調了預期，發生的時機是在發布本季財報之前。說白了，就是自己提前承認這個季度搞砸了，並跪求各位投資人放過。

另外一個需要注意的細節是，這已經不是英偉達第一次下調本季度的業績預期了。在去年發布第三季度財報時，英偉達就已經將第四財季的營收期望下調了7%左右，低於市場預期近兩成。最近六個月以來，英偉達股價已經由最高的290美元左右，下跌到後來的130美元，除了股價腰斬，更成為同期標普500指數中表現最差的公司。

英偉達在致股東信中提到，導致收入指引下調的主要原因是全球及部分地區的經濟減速，導致遊戲GPU銷量和數據中心業務的大量下滑。

相比之下，FPGA公司Xilinx卻在發布季度財報後股價飆升接近20%，這很大程度上歸功於Xilinx通信與數據中心部門的高速增長。此外，英特爾在其最新財報中披露，旗下FPGA部門在數據中心領域的增長幅度約有驚人的50%。

分析師們並不會告訴你，為什麼這些公司目前有如此迥異的表現。在本文中，筆者就從技術角度深入分析，當年的小甜甜怎麼變成了今天的牛夫人。

數據中心AI加速晶元的選擇

推動人工智慧爆發的最主要原因之一，就是硬體算力的提升。而英偉達的股價當年之所以能夠三年漲10倍，就是因為GPU非常適用於深度神經網路的訓練。與傳統的CPU相比，GPU擁有數千個計算內核，能夠在性能上取得上百倍的提升。因此AI就成為了GPU最主要的應用領域之一，也成就了英偉達的高速增長。

隨著AI的不斷發展，諸如微軟和谷歌這樣的巨頭公司開始考慮在數據中心裡採用GPU作為AI加速晶元，這時問題就出現了。在大量部署時，晶元的性能並不是唯一需要考慮的因素。事實上，很多情況下它也並不是最重要的因素。

對於某種AI加速晶元，常見的評價因素可以總結為五點：性能、靈活性、同構性、成本和功耗。其中：

靈活性：指這種晶元對不同應用場景的適應程度；

同構性：指的是AI加速晶元能否重複利用數據中心現有的架構和資源；

成本：既包括對該硬體加速器的研發投入，也包含了它的採購、部署和運維開支；

功耗：就是指引入該方案後，對數據中心帶來的額外功耗負擔。

接下來就對幾種常見的AI加速晶元，比如GPU、FPGA以及ASIC，採用上述評價因素做一個簡單的定性對比。

GPU

GPU最大的問題是，它基本上是個「功耗黑洞」：中等性能的GPU功耗都普遍超過200W，而高性能GPU的功耗會超過300W。相比於FPGA或ASIC的幾十瓦甚至幾瓦的功耗而言，這個數字顯得過於驚人。

高功耗對於GPU在數據中心裡的大規模部署是致命的，因為這不僅代表著高昂的電費開支，還表示數據中心現有的供電、散熱等硬體架構需要進行重新修改，這對於同構性和低成本這兩項要求而言基本上是不可能的任務。

在靈活性方面，GPU通常只適用於計算密集型運算，對於通信密集型的應用，GPU需要與CPU和網卡組成一個完整的通信系統，因此對於這類應用，GPU的靈活性會受到較大限制。

ASIC

專用的AI加速晶元以谷歌的張量處理器TPU（Tensor Processing Unit）最為典型。TPU專為谷歌的深度學習框架TensorFlow設計，現在已有第二代，被用來加速神經網路的和決策。ASIC最主要的優勢是它的超高性能和超低功耗。與GPU相比，TPU在某些AI應用的性能可以提高一個量級，而功耗會下降一到兩個量級。

不過，得到這樣高性能和低功耗需要付出的代價就是巨大的研發成本。放眼全球，有資金實力和技術儲備進行這類研發的公司，大概用一個手就能數的出來。ASIC的另外一個缺點是它的低靈活性，它通常針對某種特定的應用和演算法框架而設計，因此很難直接用於其他的應用。

FPGA

相比GPU和ASIC，FPGA在各項評價指標中能夠達到比較理想的平衡。在絕對性能方面，雖然不如GPU或ASIC，但由於FPGA可以定製化硬體流水線，並且可以進行大規模並行運算，因此相比傳統的基於CPU的計算性能還是有著至少一到兩個量級的提升。由於FPGA具有硬體可編程的特點，使得它可以應對包括計算密集型和通信密集型在內的各類應用。此外，FPGA獨有的動態可編程、部分可編程的特點，使其可以跨空間和時間兩個維度，同時處理多個應用，或在不同時刻處理不同應用，因此有很強的靈活性。

功耗和成本方面，FPGA的功耗通常為幾十瓦，採購與運維成本遠低於GPU。FPGA的開發成本主要涉及購買特定的FPGA設計和調試工具、採購FPGA晶元或加速卡，以及組建團隊進行或外包FPGA開發項目等投入。雖不及CPU或GPU等基於軟體的開發方式，但由於省去了FPGA晶元製造的相關環節，因此相比研發一款專用晶元而言還是低很多。

此外，FPGA目前通常以加速卡的形式配合現有的通用處理器進行大規模部署，對額外的供電和冷卻等環節沒有特殊要求，因此可以兼容數據中心的現有硬體體系結構。

AI晶元的最大風險

對於AI晶元的設計者而言，當前最大的風險就是AI本身。

在這個群雄爭霸的時代，各種新演算法、新模型層出不窮，因此在某種方法一統天下之前，很難將其中的任何一種方法固化在晶元上，否則就很可能再次重演以前的小甜甜變成今天的牛夫人這樣的悲劇。

比如，為了進一步提升性能功耗比，目前比較流行的方法是使用近似（approximation）演算法，例如將雙精度浮點數換成低精度的定點數，或者對不同權重的網路分支做剪枝、結構優化和壓縮的操作。這方面的具體內容在本文中不再展開，有興趣的讀者可以搜索了解。

筆者想說的是，這些不斷湧現的全新AI方法只有通過FPGA才能快速實現，這對於GPU或者ASIC都是不可能完成的任務。

數據中心與AI已經成為各家晶元公司的必爭之地。只不過，近期資本市場的表現在某種程度上展示了人們對不同方案的認可度。這也是老石在本文中嘗試分析的。

然而，筆者並不想立flag斷言這些公司的未來，只是相信，技術會不斷給出自己的答案。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！