ChatGPT的出现，不但让AI有了比较明确的商业化方向，也在快速改变服务器产业格局。

传统基于x86架构的CPU芯片，在服务器领域的统治地位，已岌岌可危。

美国证券半导体分析师在最近发布的一份报告中提到，由于ChatGPT对云计算以及IDC的AI算力需求激增，很可能导致商业模式选择将资源转向AI加速器芯片，比如NVIDIA（英伟达）的GPU（图形处理单元）和Broadcom/Marvel的AI定制IC（用于AI推理）。

因此，传统x86架构的、主要由Intel/AMD提供的服务器CPU，到2025年，可能不再是服务器的主要芯片。

同时，更重要的事情发生了：尽管英伟达的GPU产品如今在支撑ChatGPT的算力需求时，风头无俩，但挑战者（或称分羹者）却已出现。

正所谓：螳螂捕蝉，黄雀在后。这只黄雀，是何方神圣？

Vivek Arya，这位半导体分析师在报告中认为，基于传统x86架构的服务器CPU芯片商，比如Intel或AMD，正在遇到NVIDIA这个AI领域领头羊公司的强力挑战。

GPU是英伟达的主要产品，其营收占总收入的80%+。GPU通常作为插入PC主板的卡出现，也有些SoC芯片设计商，将GPU作为SoC芯片的一个模块，整合在系统级芯片中成为一个整体（比如高通骁龙8Gen 2）。

英伟达的GPU芯片，主要作用是为AMD或英特尔等公司制造的中央处理器（CPU）增加计算能力。

Vivek Arya在报告中估计，2023年至2025年，AI加速器芯片的销售额将超过400亿美元（相比2022年复合年均增长率达37%）。于此对应，x86 CPU复合年均增长率仅3%，销售规模也仅为260亿美元。

在ChatGPT出现前，英伟达GPU主要在计算机图形学领域称王。在PC游戏玩家群体中，英伟达是神一样的存在。

英伟达在GPU领域的主导地位，并非始于今日。1999年，英伟达通过GeForce 256进入图形处理市场。20多年后的2022年，游戏业务带给英伟达超过90亿美元的营收。

2022年12月，OpenAI发布ChatGPT。由于ChatGPT对算力的极度渴求，相当于给算力爆棚的英伟达安装了一组营收动力引擎。算力构成了AI商业繁荣的基础。Vivek Arya说，“使用英伟达的GPU，去增加更多的计算能力非常容易。现在，计算能力相当于硅谷的货币。”

作为支撑ChatGPT背后大型语言模型（LLM）底层动力引擎，英伟达由于在AI方面的敏锐洞察力、早期投资和坚定不移的坚持投入，因而获得了顶级回报。

3月20日-23日，在英伟达举行的年度GTC开发者大会上，AI成为主要与会者讨论的主要焦点。英伟达首席执行官黄仁勋在被问及“提前20年布局AI，到底是运气还是有先见之明”时，黄仁勋回答了这么一句：“我们只是相信总有一天会发生新的事情，其余的一切都需要一些偶然性”。

如今AI芯片组云市场主要分为三个部分：公共云由云服务提供商托管：AWS、微软、谷歌、阿里巴巴、百度和腾讯等；其次是企业数据中心，性质是私有云和混合云，即结合公共云和私有云（VMware、Rackspace、NetApp、HPE和DELL）的产品。

除了公共云、私有云和混合云，ABI Research首席分析师苏连杰认为，还有电信云，即电信公司为其核心网络、IT和边缘计算工作负载部署的云基础设施。

英伟达的GPU在云端训练方面的主导地位无可撼动。但与此同时，从2020年起，ASIC（专用定制芯片）在AI推理领域也出现强劲增长。

苏连杰说，一些云服务提供商（CSP）认为，推理工作量的规模并不小于训练工作量。ASIC是AI加速器芯片中用于推理的部分，另一部分即用于训练的GPU。

事实上，即使是在2022年12月OpenAI发布的ChatGPT 3.5版本中，也确实出现了ChatGPT能根据用户“投喂”问题素材的上下文，做出合乎人类逻辑的精确推理。ChatGPT 4.0版本，推理能力更强。

如果看AI定制芯片具备的推理能力，实际上可以发现，英伟达并非缺乏潜在挑战者。

从技术上看，谷歌的TPU（张量处理单元）能同时处理“云上”训练和推理，而非英伟达GPU大部分被用于训练，而ASIC又主要用于推理。因此，谷歌的TPU被视为 CPU 和 GPU 技术的有力挑战者。

苏连杰认为，谷歌在TPU方面的展示的AI技术能力，正为云服务提供商开发属于自己的AI加速器ASIC提供了方向和技术路径。华为、AWS（亚马逊）和百度已经这样做了。

就像英伟达很早就布局AI算力那样，谷歌做TPU同样很早。

2006年，谷歌考虑为神经网络构建专用集成电路（即ASIC），到2013年，谷歌意识到神经网络（NPU）快速增长的计算需求，对ASIC的需求量很可能会翻番。2015年，谷歌将TPU部署到服务器中，并快速迭代。

谷歌TPU如今已迭代到V4.0版。据谷歌4月6日披露，得益于互连技术和领域特定加速器（DSA）方面的关键创新，谷歌云TPU v4在扩展ML（机器学习：Machine Learning）系统性能方面比其前代版本有了近10倍的飞跃。

TPU v4是谷歌于2021年推出的、专门用于执行机器学习（ML）的AI芯片，是谷歌第5代特殊领域加速器（DSA：Domain Specific Accelerator）及第3代用于ML模型的超级计算机平台。

与英伟达的当红辣子鸡A100相比，TPU v4速度快1.2-1.7倍，功耗低1.3-1.9倍。

基于这款芯片，谷歌研发了一台拥有4096颗TPU V4的超级计算机。这也是第一个部署可配置OCS（光电路开关）的超级计算机平台。

OCS可动态配置互联拓扑，以提升扩展性、可用性、利用率、模块化、安全、性能及用电效率。和Infiniband相比，OCS及其底层光纤组件，系统成本不到5%；OCS和底层光学组件更便宜、功耗更低且速度更快，无需光到电到光的转换或耗电的网络分组交换机，从而节省了电力。TPU v4芯片用电率仅200w，二氧化碳排放比一般本地部署的数据中心减少20倍，是执行大型语言模型的理想平台。

TPU v4超级计算机的每颗TPU v4包含SparseCores，这是一种更接近高带宽内存的中间芯片或资料流处理器，许多AI运算都发生在该芯片中，可使深度学习模型嵌入（Embeddings）执行速度提升5-7倍，裸晶（die）面积仅5%。

借由Sparsecores，搭载TPU v4的系统可用于执行搜索、广告、YouTube和Google Play的AI内容推荐。

更令英伟达感到有威胁的是，谷歌宣布，提供AI文本生成图片服务的AI创业公司Midjourney已利用Google Cloud TPUv4来训练其第4版模型。

就像英伟达的GPU在AI大模型做集群训练时，注重生态体系构建一样，谷歌也算法-芯片协同方面做巨额投入。

如今，半导体硬件的技术迭代已接近摩尔定律的极限，未来AI芯片性能要百尺竿头更进一步，就硬件层面的提升空间越来越小。算法和芯片的协同设计将取而代之，成为行业主流；搭建软硬件生态体系和推动行业共建，将在未来成为半导体技术和应用的主要方向。