拆解算力芯片：15年从业者聊聊百花齐放的背后

最近这波AI热潮，特别是ChatGPT出来以后，大伙儿都盯着算力芯片看。我干这行十五年，从最早的工控板卡到现在的AI服务器，也算见证了算力芯片怎么一步步从“够用就行”变成“多多益善”。今儿咱就掰扯掰扯，这些芯片到底有啥不同，怎么选、怎么用，顺便聊聊我这些年踩过的坑。

先说说啥是算力。按《中国算力发展指数白皮书》的说法，算力就是设备处理数据、输出结果的本事。说白了，就像咱工地上搬砖，力气大就能搬得多、搬得快。这力气全靠CPU、GPU这些芯片撑着，服务器、电脑、手机都靠它们。

不同场景对算力的要求天差地别。拿数据中心来说，那都是E级算力起步，百亿亿次运算每秒，未来还要往千E级冲。这种地方对芯片的要求就一个字：稳。功耗、成本、可靠性、通用性，哪个都不能马虎。我前几年给一个超算中心干过活，那里面用的芯片，光散热方案就折腾了大半年，风扇、水冷、液冷全试过，最后还是液冷靠谱，但成本直接翻倍。

智能驾驶这块儿，算力需求更是夸张。L2级别10TOPS以下就够了，到了L5得4000+TOPS。蔚来ET5的芯片算力1016TOPS，小鹏P7也有508TOPS，比咱手机、电脑强多了。但这里头有个坑：算力高不等于好用。我碰过好几个项目，芯片算力标得挺高，实际跑起来各种卡顿，后来一查，是算法优化没跟上。所以选芯片不能光看参数，得跟算法团队好好聊聊。

智能安防系统，像视频监控、人脸识别这些，4-20TOPS的算力就够了。这活儿看着简单，但实际施工时特别容易出问题。比如摄像头装在高处，信号传输距离远，算力芯片的功耗和散热就得格外注意。我有一回给一个园区装监控，用的芯片标称功耗10W，结果夏天一晒，温度飙到70度，直接死机。后来换了低功耗版本，加了个小风扇，才算搞定。所以做安防，别光图便宜，散热和可靠性才是关键。

手机、笔记本这类移动终端，算力需求也在涨。iPhone 12的A14芯片11TOPS，小米10的骁龙865是15TOPS，到了骁龙888就26TOPS了，8Gen1、8Gen2更是往上飙。但这里头有个省钱技巧：别盲目追新。比如骁龙888发热严重，实际体验还不如调校好的865。选芯片得看整体方案，不是数字越大越好。

聊完场景，再掰扯掰扯芯片本身。CPU是老大哥，通用计算之王，啥活都能干，但效率一般。GPU呢，原本是搞图形渲染的，后来发现做AI计算特别带劲，因为它的并行计算能力超强。ASIC是专用芯片，针对特定任务设计，效率最高，但灵活性差。FPGA介于两者之间，能编程，速度快，适合小批量、快速迭代的产品。

这里头有个小技巧：很多人以为FPGA比ASIC差，其实未必。我做过一个项目，用FPGA做加速卡，因为算法还没定型，改了好几次。要是直接流片做ASIC，一次修改就得几十万打水漂。所以，如果产品还在试错阶段，FPGA是省钱利器。等算法稳定了，再转ASIC，性价比最高。

GPGPU算是个混血儿，把GPU的并行能力拿来干通用计算的活儿。比如科学计算、数据分析、机器学习，它都能干。你可以把它理解成CPU的“帮手”，专门处理那些能拆成很多小任务的工作。

说到AI，GPU现在确实是老大。英伟达的GPU，一块卡能顶几十台CPU服务器。训练和推理AI模型，靠的就是矩阵运算、卷积这些，GPU的并行单元正好派上用场。但GPU也不是无敌的。供应链紧张，价格涨得离谱，而且功耗高、散热难搞。我有个朋友做AI创业，光买GPU卡就花了上千万，结果等货等了半年，项目都黄了。

那GPU是唯一解吗？我看未必。CPU在某些场景下也能发光。比如HuggingFace那个Q8-Chat模型，70亿参数，在32核的Intel Xeon上跑得比ChatGPT还快。这说明啥？小模型、精简模型，用CPU反而更经济、更省电。另外，CPU+FPGA、CPU+ASIC这些异构架构，也很有潜力。CPU负责逻辑控制，FPGA或ASIC负责加速，分工明确，效率高。

我去年参与过一个项目，就是CPU+FPGA的方案。刚开始大家都不看好，觉得FPGA开发太麻烦。但实际跑下来，功耗比GPU方案低了30%，延迟也小。虽然开发周期长了点，但长期来看，运维成本省了一大截。所以，别光盯着GPU，多看看其他组合，说不定有惊喜。

最后说两句国产芯片。龙芯、申威、海光、兆芯、鲲鹏、飞腾，这几家这几年进步挺快。虽然跟英特尔、AMD比还有差距，但在特定领域，比如信创、政务系统，已经能用了。我建议做项目的兄弟们，别一上来就迷信进口货，国产芯片性价比高，而且供货稳定，关键时候能救命。

总的来说，算力芯片这行，现在是百花齐放。没有哪种芯片是万能的，关键得看你的应用场景、预算、开发周期。干这行十五年，我最大的体会就是：别跟风，别迷信参数，多动脑子，多试错。踩过的坑，都是学费，但交完了，就得长记性。