在人工智能 （AI） 运算需求爆炸性增长的背景下，AI芯片市场的竞争日趋白热化。Google自家研发的张量处理单元 （TPU） 需求不断攀升，对GPU大厂英伟达 (Nvidia) 构成显著威胁。有报告指出，Nvidia一个极其忠诚的客户Meta正考虑在其数据中心部署Google的TPU，此消息造成Nvidia的股价一度下跌。
面对市场变化，Nvidia通过社交媒体网络向Google表达了对其TPU成功赞美。然而，Nvidia在其Newsroom账号中表示，我们乐见Google的成功，因为他们在AI领域取得了巨大的进展，但我们也将持续向Google供货。之后，Nvidia随即强调其技术领先地位，声称Nvidia领先业界整整一代，是唯一可以运行所有AI模型，且能应用于所有运算场景的平台。Nvidia还进一步表示，相较于针对特定AI框架或功能设计的专用芯片 （ASICs，如TPU），Nvidia的产品提供了更高的性能、多功能性和可替换性。
尽管Nvidia自信满满，但Google代号Ironwood的第7代TPU仍展现出强劲的竞争力，不仅足以与Nvidia的Blackwell架构AI芯片一较高下，更在规模化上拥有巨大优势。Nvidia的机架服务器通常最多包含72个GPU，而Google的TPU集群则可从256颗芯片，扩展至多达9,216颗芯片。虽然Nvidia下一代的Vera Rubin加速器速度更快，但Google的优势在于规模化。因此，Google方面表示，他们正经历对其定制化TPU和Nvidia GPU两者的加速需求增长，并承诺将继续支持这两种产品。
目前，Meta据传正在洽谈从2027年开始在自家数据中心部署Google TPU。如果TPU被广泛采用，理论上可能对Nvidia的营收构成威胁。然而，Meta是否会或甚至能够选择TPU而非其他竞争平台，目前尚不明确。因为Google首先必须打破传统惯例，在公开市场上销售TPU，而非仅像历史上那样通过Google Cloud进行租赁。
其次，即使Google同意出售芯片给Meta，Meta仍将面临重大的系统集成挑战。Meta习惯于使用封包交换机，将数百或数千个基于AMD或Nvidia的GPU连接起来。然而，TPU的部署架构完全不同，它们是通过光电电路交换机 （OCS） 技术，将芯片连接成大型的环状网格。OCS与封包交换机的运行原理截然不同，通常需要不同的编程模型。
更大的挑战来自软件层面。Meta开发的深度学习库PyTorch虽然可以在TPU上运行，但TPU并不原生支持此框架，Meta需要应用一个名为PyTorch/XLA的转译层。即便拥有庞大的软件开发团队，Meta和Google当然可以克服这些挑战。然而，消息人士认为，如果报道中的会谈属实，更可能的场景是Meta正在讨论针对Google TPU对其Llama模型家族的推论优化。
事实上，推论工作所需的计算资源，比训练模型要少一个数量级，且推论受益于靠近终端用户以降低延迟并提高互动性。Meta通常在Hugging Face等存储库上发布其大型语言模型 （LLMs），供客户下载，并在包括Google TPU在内的各种加速器上运行。因此，Meta需要确保Llama在TPU上运行良好，以促进企业采用。但若目标仅是推论，企业可以直接从Google租用TPU来运行Llama，Meta本身并不需要拥有这些芯片。
就目前来看，Google的确观察到有更多竞争模型构建者对其TPU技术产生兴趣，其中包括Claude开发商Anthropic。Anthropic先前高度依赖Amazon Web Services（AWS） 定制化的Trainium AI加速器，但现正进行多样化布局。而且，Anthropic于2024年10月宣布，计划使用多达一百万颗TPU来训练并服务其下一代Claude模型。由于Google TPU和Amazon Trainium在计算集群中都采用网格拓扑结构，这降低了Anthropic从GPU迁移的成本。
Anthropic的策略并非单一。日前，Anthropic宣布与Microsoft和Nvidia创建战略伙伴关系。该合作包括Anthropic承诺购买价值高达300亿美元的Azure运算容量。因此，总体来说，当前AI市场的趋势显示，所有主要的AI参与者都在对冲风险，并与其他各方结成联盟。Google的Ironwood TPU所带来的威胁，可能比Nvidia愿意承认的还要庞大，这代表AI加速器市场正进入一个多方竞争、联盟交错的时代。
(首图来源：英伟达提供)最大的线上实盘配资平台
富兴配资提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
