人工智能让GPU应用越来越广，国内多家初创企业获巨额投资

以终为始，方得始终。从开始就要考虑到最终的结果，中国市场最终不需要那么多芯片公司，大浪淘沙，胜者为王。国产芯片公司创始人和投资人，也许从一开始就心知肚明。适逢其时，写此文章。浩浩荡荡的中国芯片创业大潮，也到了该退潮的时候。然而中国的创业者都是打不死的“小强”，这种倔强和韧性值得敬佩和尊重。但是，对行业的正确理解和认知，是一个创业者和投资人最基本的素质和要求，否则，一腔热情终将付诸东流，伤国伤民伤自己。每一个芯片创业者都要时刻记住，每一次政府补贴，都是纳税人的钱。

你在做有价值的芯片吗?你在做一个有价值的芯片公司吗?如果是，请努力做到该赛道的前三，否则会被淘汰。如何做到赛道的前三，首先要避免在努力和前进的过程中死掉，活下来才有机会。

知道了如何死，才知如何活。今天就聊聊国产芯片公司面临的几种“死法”。据国外权威创业研究机构调查表明，62%的创业公司死于创始人团队之间的内部矛盾，创始人团队人数与创业成功与否也有一定的关系。

前段时间，诺领科技倒闭，在芯片行业掀起千层浪。从报道来看，2017年11月，王承周率先在国内注册成立了诺领科技。孔晓骅则在2018年第一周加入并迅速组建了一支12人的核心团队，专注于蜂窝IoT无线通信领域芯片设计。然而就在完成2亿元融资的2020年，作为核心人物的孔晓骅却突然离开了诺领科技，回到美国发展。创业公司核心技术创始人的离开，是诺领科技倒闭的关键因素。

“数字时代的关键资源是数据、算力和算法,其中数据是新生产资料,算力是新生产力,算法是新生产关系,三者构成数字经济时代最基本的生产基石。”

2021年9月,中国信息通信研究院发布的《中国算力发展指数白皮书》中,用上述结论强调了算力在数字经济时代的基础性作用。今年2月,多部委联合印发通知,同意在京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏等8地启动建设国家算力枢纽节点,并规划了10个国家数据中心集群,这标志着全国一体化大数据中心体系——“东数西算”工程正式全面启动。

这项被称为数字经济时代的“南水北调”“西电东送”“西气东输”的重大工程受到全社会高度关注。而在热点背后,当上千亿参数的超大规模深度学习模型成为现实,指引整个人工智能产业寻找一条新的可行之路,缩短我们与通用智能的距离之时,海量数据所引发的超大算力需求,导致了目前的一个客观现状:算力的发展始终未能跟上算法的发展,这对芯片半导体领域提出了新的挑战。

怎样实现“既能低功耗、又能高精度、还能大算力”,已成为“后摩尔时代”全球数字经济体可持续发展的基础与核心。

实际上,当大洋彼岸的美国对我国芯片半导体产业一步步封锁,通过不断干预中国购买光刻机、组建“芯片联盟”阻碍中国发展先进半导体产业以来,我国就在为摆脱芯片受制于人的局面大力推动产业创新。先是8月9日美国通过《2022年芯片和科学法案》,接着是8月31日,芯片巨头英伟达和AMD均接到美国政府的要求,被限制向中国出口最新旗舰GPU计算芯片及板卡,一批拥有国产自主研发能力的半导体企业主动或被动地走入了大众视野。

近日国际贸易政策的变化，让国产GPU(图形处理器)芯片备受关注。GPU有什么应用价值?高性能GPU的国产替代进展如何?解放日报·上观新闻记者采访了业内人士。

在他们看来，高性能GPU的国产化进程正在提速，预计会在未来三年内取得更大突破;另一方面，在集成电路先进制程、先进封装、端到端的EDA(电子设计自动化)工具等环节，中国大陆与国际领先水平的差距，可能成为GPU国产化的制约因素。因此，产业界和学术界要在集成电路产业链上下游共同努力，才能实现GPU产业的可持续发展。

GPU是图形处理器的英文缩写，在我们平时用的个人电脑、手机和平板电脑里就有，用来处理与图像和图形相关的运算。作为电脑显卡的核心部件，GPU使显卡减少了对CPU(中央处理器)的依赖，可控制显示器的正确显示。尤其在处理三维图形时，电脑GPU的性能至关重要。

随着人工智能产业的兴起，高性能GPU的应用价值越来越大。沐曦集成电路(上海)有限公司联合创始人、首席技术官杨建博士介绍，从技术架构角度，运行人工智能算法的芯片可分为GPU芯片(通用芯片)、FPGA芯片(半定制化芯片)、ASIC芯片(全定制化芯片)和类脑芯片等4类，其中GPU芯片的适用范围最广。

凭借强大的并行数据计算能力，这类芯片已成为数字经济发展的算力基石，主要应用在人工智能模型训练与推理、高性能计算两大领域。

在人工智能领域，大数据训练和推理这两个环节都离不开GPU.大数据训练是指用大量标记过的数据来训练人工智能系统，开发出具有特定功能的神经网络模型。推理则是将新的数据输入训练好的模型，让它推理出各种结论。训练和推理所需的GPU有所不同，用于训练的GPU往往部署在云端，即安装在服务器里，注重绝对的计算能力;推理芯片则注重综合指标，用于云端或设备端，需通盘考虑单位能耗算力、时延、成本等因素。

在高性能计算领域，GPU也扮演着重要角色，用于数据中心、科学计算、工业设计等多种应用场景，能执行海量数据的并行计算。“比如在科学计算方面，计算流体力学、分子动力学、计算化学、生物信息学、地球物理学等很多学科都需要GPU，”杨建说，“把高性能GPU作为算力支撑，正在成为科学前沿探索的主流方法。”