AI，人工智能，這個東西其實一旦都不新鮮。

從早些年的科幻作品，到后來的逐步落地，從1997年IBM超級電腦“深藍”擊敗國際象棋大師卡斯帕羅夫，到2016年Google AlphaGo戰勝圍棋冠軍李世石，AI一直都在進步，也一直在演化。

但因為算力算法、技術能力、應用場景等方面的種種限制，AI一直有些空中樓閣的感覺。

直到出現了ChatGPT，AI才真正引燃了普通人的熱情，讓我們發現，AI竟然如此強大，又如此唾手可得，讓眾多個體、企業為之興奮，為之癲狂。

Intel祭出全新“殺器”

AI無論實現方式還是應用場景都是多種多樣的，既有云側的，也有端側的。

NVIDIA的重點在云側和生成式AI，Intel在云側生成式、端側判定式同時出擊，而隨著越來越多的AI跑在端側，更貼近普通用戶日常體驗，所帶來的提升越來越明顯，Intel更是大有可為。

端側AI，說起來大家可能會感覺很陌生，但其實，人們習以為常的背景模糊、視覺美顏、聲音美化(音頻降噪)、視頻降噪、圖像分割等等，都是端側AI的典型應用場景，背后都是AI在努力。

這些應用要想獲得更好的效果，就需要更完善、復雜的網絡模型，對于算力的需求自然也在快速增長。比如噪音抑制，算力需求已經是兩年前的50倍，背景分割也增長了10倍以上。更不要說生成式AI模型出現后，對算力的渴求更是飛躍式的，直接就是數量級的提升，無論是Stable Diffusion，還是語言類GTP，模型參數都是非常夸張的。

比如GPT3的參數量達到了1750億左右，相比GPT2增加了幾乎500倍，GPT4估計可達到萬億級別。

這些都對硬件、算法提出了更苛刻的要求。

Intel自然也早就開始關注并投入AI，無論是服務器級的至強，還是消費級的酷睿，都在以各種方式參與AI，“XX代智能酷睿處理器”的說法就在很大程度上源于AI。在Intel看來，沒有單一的硬件架構適用于所有的AI場景，不同硬件各有特點，有的算力強大，有的延遲超低，有的全能，有的專攻。

AI作為基礎設施也有各種各樣的場景應用和需求，負載、延遲都各不相同，比如實時語音和圖像處理不需要太強的算力，但是對延遲很敏感。這時候，Intel XPU戰略就有著相當針對性的特殊優勢，其中CPU適合對延遲敏感的輕量級AI處理，GPU適合重負載、高并行的AI應用。Intel另一個無可比擬的優勢就是穩固、龐大的x86生態，無論應用還是開發，都有著廣泛的群眾基礎。

現在，Intel又有了VPU。

將在今年晚些時候發布的Meteor Lake，會首次集成獨立的VPU單元，而且是所有型號標配，可以更高效地執行特定AI運算。

Intel VPU單元的技術源頭來自Intel 2017年收購的AI初創企業Movidius，其設計的VPU架構是革命性的，只需要1.5W功耗就能實現4TOPS的強大算力，能效比簡直逆天，最早用于無人機避障等，如今又走入了處理器之中，與CPU、GPU協同發力。

VPU本質上是專為AI設計的一套新架構，可以高效地執行一些矩陣運算，尤為擅長稀疏化處理，其超低的功耗、超高的能效非常適合一些需要長期打開并執行的場景，比如視頻會議的背景虛化、移除，比如流媒體的手勢控制。

之所以在已經有了CPU、GPU的情況下，還要做一個VPU，Intel的出發點是如今很多端側應用是在筆記本上進行，對于電池續航非常敏感，高能效的VPU用在移動端就恰如其分。

另一個因素是CPU、GPU作為通用計算平臺，本身就任務繁重，再給它們增加大量AI負載，執行效率就會大打折扣。

具體到應用場景，VPU也是非常廣泛的，比如說視頻會議，現在的CPU AI已經可以實現自動構圖(Auto-Framing)、眼球跟蹤、虛擬頭像/人像、姿勢識別等等。加入低功耗、高算力的VPU之后，還可以強化背景模糊、動態降噪等處理，讓效果更加精準，比如說背景中的物體該模糊的一律模糊、人手/頭發等不該模糊的不再模糊。有了高效的硬件、合適的場景，還需要同樣高效的軟件，才能釋放全部實力、實現最佳效果，這對于擁有上萬名軟件研發人員的Intel來說，真不是事兒。

Meteor Lake還沒有正式發布，Intel已經與眾多生態伙伴在VPU方面展開了合作適配，獨立軟件開發商們也非常積極。


英偉達超級芯片已經量產

在最近的Computex展會上，NVIDIA的創始人兼首席執行官黃仁勛正式宣布旗下首款超級芯片GH200 Grace Hopper已經開始全面量產。這款超級芯片集成了NVIDIA首款Grace CPU和Hopper GPU，標志著NVIDIA兌現了此前的豪言壯志。

GH200 Grace Hopper的推出是為了滿足當下快速增長的AI生成需求。Grace CPU采用了AMR架構，擁有72個ARMv9內核和117MB L3緩存。它還配備了512GB的LPDDR5X內存，內存帶寬高達546GB/s。而Hopper GPU則搭載了144個SM單元和96GB HBM3顯存，總計擁有18432個CUDA核心，L2緩存為60MB。這兩個組件通過專屬的NVLink交換系統相互結合，形成了Grace Hopper超級芯片。

令人驚嘆的是，GH200 Grace Hopper的計算能力達到了一百萬萬億次，相當于4090的12195倍。這使得它與當前最先進的超級計算機媲美，甚至超越了它們。然而，NVIDIA并沒有止步于此。

黃仁勛隨即公布了名為DGX GH200的AI超級計算機，它由256顆Grace Hopper超級芯片構成。這款超級計算機不僅大幅提升了帶寬，達到了前一代產品的48倍以上，而且還引人矚目地提供了共享內存容量高達144TB。據NVIDIA稱，DGX GH200的計算能力將超過1EB，這個計算能力超過了當前全球排名第一的超級計算機Frontier，后者的計算能力只略高于1EB。

量子計算是個好解法，但為時尚早

大模型算力之爭，短期看GPU自研，中期看存算、Chiplet，那么被投資人視為新計算方向的量子計算在其中又能扮演什么角色？

事實上，VC對量子計算的關注不只限于此次ChatGPT的熱潮，AR/VR、5G等新應用場景的不斷涌現，以及各類型的應用場景爆發式增長，讓市場對算力的需求水漲船高，產業亟待挖掘具有顛覆性的計算形式。

量子計算作為一種新型架構的計算，可以實現指數級算力提升，更可謂是不得不關注的焦點。

據企查查數據顯示，2017年至今，國內量子計算賽道共完成31起融資事件，公開披露融資金額超25億元，融資主要發生在2021年及以后，占比近7成。其中圖靈量子、本源量子、量旋科技、玻色量子、國儀量子等在近年獲多輪融資。

對于這一疑問，量旋科技CEO項金根對量子計算跟經典計算機的算力差距，給出了飛機和地面交通工具的比喻。

他表示，當下存算、光芯片、其他一些封裝的改進技術，本質上還是經典計算機的范疇，它運算的原理跟GPU本質上沒有太大改變，更多是在傳統的框架下做的一些改進，使得人工智能的芯片效率更高。

對于現有的AI芯片、存算一體或其他封裝技術對AI算力的提升，項金根表示認可，同時他也認為需要不同維度去看不同解決方案對算力的助力，這里面不一定存在最優解。

“未來，量子計算機肯定能夠助力人工智能。AI需要的算力會越來越多，到 2030 年左右可能不光是算力，連耗電量都是非常恐怖的數據級。所以要真正解決AI大規模的算力需求，量子計算機是一個很有潛力的應用方向，而且量子計算機的運算模式跟人工智能有天然的貼合性，量子計算機可以加速AI的一些應用場景，而AI亦可以加速量子計算的研發，優化其操控精度。”

那么，如此具有革命性的量子計算何時能應用到AI領域？項金根認為，到2030年行業發展順利進入容錯量子計算階段，將可能是一個落地的時間點。

相較于項金根給出的10年之約，俞悅認為量子計算相關算法在一些行業特定任務上的嘗試落地，在這個時間點可能會有一些結果，至于解決AI的通用任務上，他則相對保守地給出了“50年”的看法。甚至投了圖靈量子的聯想創投也表示，量子計算從產業化的角度看，仍挑戰諸多，充滿機遇。

聯想創投坦言，量子計算落地需要解決百萬量子比特操縱能力、低環境要求、高集成度等核心問題，具有較高的入局門檻，其產業化仍面臨技術路徑不確定、人才儲備稀缺、產業鏈配套早期以及無法用傳統的邏輯、電路思維進行推導和復刻的四大痛點。

如此看來，這些問題待解之下，量子計算就略微顯得理想豐滿、現實骨感。

此外，俞悅還指出，從邏輯上說，量子計算肯定能解決很多算力問題，但即便如此，還需要結合成本，才能知道量子計算是不是一個從投入產出看的最佳方案。

在俞悅看來，眼下量子計算行業還未發生一些根本性的變化進展，中短期與其寄希望于其他方案來解決大模型所遇到的算力問題，不如指望GPU這些經典計算的硬件價格能下來。

“解決算力的成本肯定會越來越便宜，GPU價格對于大模型玩家來說只是暫時的，終究不會對AI發展構成太大瓶頸。而其他方案的成熟還需要很多配套的軟件生態匹配，相對來說更是一個非常長周期的事情。”