ニュース

ai チップは、ai アクセラレータまたはコンピューティング カードとも呼ばれ、技術アーキテクチャに従って、汎用グラフィックス処理装置 (gpgpu)、中央処理装置 (cpu)、特定用途向け統合チップ (asic)、およびフィールドに分類できます。 -プログラマブル ゲート アレイ (fpga)。人工知能の開発において、研究者は、並列コンピューティングが効率的なモデル トレーニングを実行し、大規模で複雑なデータを処理できることを発見しました。 gpgpu は他のチップに比べて並列計算性能が高く、計算負荷の高いアプリケーションに適しているため、計算チップの主流となっています。

aiチップは機能分類により、トレーニングカードと推論カードの2種類に分類できます。ビッグ カードとも呼ばれるトレーニング カードは、通常、トレーニング プロセス中に大量の計算とデータ処理をサポートするために、より高い計算能力とメモリ帯域幅を備えています。スモール カードとも呼ばれる推論カードは、パラメーターが低く、推論要件を満たす必要があるだけです。 。一般的にトレーニングカードは推理カードとして使用できますが、推理カードをトレーニングカードとして使用することはできません。簡単に言うと、大規模なモデルのトレーニングにはグラフィックス カード クラスターを形成するために多数のトレーニング カードが必要ですが、アプリケーションの場合は、計算のために ai モデルを実行するための推論カードが必要です。

この人工知能の波は chatgpt によって開始され、大規模な言語モデルと生成 ai アプリケーションをエントリ ポイントとして使用します。 2017 年に google によってリリースされて以来、transformer は、chatgpt のような人気のある c サイド製品を提供するだけでなく、自然言語処理、コンピューター ビジョン、自動運転などの分野で広く使用されています。 google、meta、microsoft、bytedance、baidu、その他の国内外のテクノロジー大手や新興企業を含む中国および外国のテクノロジー企業は関連分野への投資を増やし続けており、これらの企業はいずれもその他の非分野のシェアを獲得したいと考えています。テクノロジー企業も人材やテクノロジー、リソースの配置に常に投資しています。ブルームバーグ インテリジェンスの予測データによると、2032 年までに、情報技術ハードウェア、ソフトウェア、サービス、広告、ゲームなどの支出全体に占める生成 ai の割合は、現在の 1% 未満のレベルから 12% に拡大する可能性があります。

2018 年、openai は、1 億 1,700 万個のパラメーターを備えた第 1 世代の生成前トレーニング言語モデル gpt-1 を発表しました。2023 年にリリースされる gpt-4 パラメーターの数は約 1 兆 8,000 億個になります。パラメーターの数が 5 年間で 10,000 倍以上増加したことにより、大規模モデルの計算能力要件が急激に増加しました。 openai は、2012 年以来、世界のヘッド ai モデルのトレーニングのコンピューティング能力要件が 3 ～ 4 か月ごとに 2 倍になっていると推定しています。特に2023年以降はaiの開発が本格化し、国内外のメーカーが生成型aiへの投資を増やしており、これも長期的な計算能力需要の不足を引き起こしている。 。

国内のaiチップは主に推論側に集中している。エヌビディア一方で、ai技術の発展と普及に伴い、業界では高性能・低消費電力のaiチップに対する需要が高まっています。ただし、2024 年グローバル ai チップ サミットで、biren technology が業界で初めて独自のヘテロジニアス gpu 協調トレーニング ソリューションを発表する計画を立てているトレーニング側チップのメーカーもあります。 、同じ大規模なプラットフォーム上で 3 つ以上の異種 gpu の混合トレーニングをサポートします。 moore thread は、トレーニングとテスト用の mtt s4000 ベースの wanka インテリジェント クラスター kuae (kuae) を発表しました。ファーウェイ、カンブリアン、海光信息などのメーカーも同様の動きを見せている。

aiチップビジネスを立ち上げるのは非常に難しい。ライミ研究所は、ai チップ ビジネスを始める際の最初の困難は、チップの設計と製造の問題を解決することであると考えています。海外の規制により、関連するデザインツールが規制されています。しかし、製造上の問題はより現実的な問題であり、nvidia の最新の ai チップは 4nm プロセスを使用しており、現時点では tsmc のみが製造能力を備えており、中国本土のチップ製造能力は若干不十分です。

2 つ目は、市場の問題です。国内の ai 企業は、現時点でも依然として最もコスト効率の高い ai チップを購入しています。その一方で、国内の ai チップをより優れた製品に置き換えることも望んでいます。 (たとえば、bytedance などのメーカーは、需要に基づいて独自の ai チップを設計します)。大型モデルはaiチップの開発を加速させる一方で、チップメーカー間の格差をますます広げます。国内のaiチップメーカーは、顧客が高い保険料を支払う前に、自社の製品が顧客のニーズにどのような特定のニーズを満たせるかを検討する必要がある。

3つ目は収益性です。周知の理由により、ai チップの研究開発サイクルは長く、集中的で、費用がかかり、これらの投資は短期的に回収するのが難しいことがよくあります。したがって、造血能力を獲得することが非常に重要です。現在のプライマリー市場の動向では、輸血をベンチャーキャピタル市場だけに依存する可能性は極めて低い。ai チップ企業のプラスのキャッシュフローも試す価値がある。

大規模なモデル革命が世界を席巻するにつれ、コンピューティング能力に対する需要は新たな高みに達し、クラウド、エッジ、サイド ai チップの反復と進化が促進されています。データの爆発的な増加、テクノロジーの物理的限界の接近、複雑で不安定な国際情勢という 3 つの雲の下で、多くの ai チップ企業は圧力を受けながらも控えめかつ現実的な方法で前進し、時代がもたらすチャンスに積極的に備えています。生成aiの波によって。

イーロン・マスク氏は次のように述べています。制約があるのは原材料だけであり、製造のあらゆる側面は完全に再発明できます。 ai の巨大な可能性は間違いなく数兆の市場規模を生み出すでしょう。「行き詰まり」は一時的なものであり、先進的なプロセスと設備投資の進歩により、私たちと海外の ai との距離は広がるどころか縮まっています。国内代替の余地は膨大であり、関連企業も急速な成長の機会をもたらすだろう。

エンドゲームを考えるには、勝者を確定する必要があります。未来の世界では無限のコンピューティング能力が必要となりますが、米国市場の競争状況を考慮すると、勝者はほんのわずかである可能性があります。 aiチップは勝者総取りの性質を持っているため、国内のaiチップ企業が勝つためには技術力、チャネル力、資金力が必要であると考えています。これらの機能はスタートアップにとって大きな課題となると同時に、業界の障壁も生み出します。