notícias

os chips de ia também são chamados de aceleradores de ia ou placas de computação. de acordo com a arquitetura técnica, eles podem ser divididos em unidades de processamento gráfico de uso geral (gpgpus), unidades centrais de processamento (cpus), chips integrados de aplicação específica (asics) e chips de campo. - matrizes de portas programáveis ​​(fpgas). no desenvolvimento da inteligência artificial, os pesquisadores descobriram que a computação paralela pode realizar treinamento eficiente de modelos e processar dados complexos em grande escala. gpgpu tem maior desempenho de computação paralela do que outros chips e é adequado para aplicações de computação intensiva, tornando-se o principal chip de computação.

de acordo com a classificação funcional, os chips de ia podem ser divididos em dois tipos: cartões de treinamento e cartões de inferência. os cartões de treinamento, também chamados de cartões grandes, geralmente possuem maior poder de computação e largura de banda de memória para suportar uma grande quantidade de cálculos e processamento de dados durante o processo de treinamento. os cartões de inferência, também chamados de cartões pequenos, possuem parâmetros mais baixos e precisam apenas atender aos requisitos de inferência; . de modo geral, os cartões de treinamento podem ser usados ​​como cartões de raciocínio, mas os cartões de raciocínio não podem ser usados ​​como cartões de treinamento. simplificando, o treinamento de grandes modelos requer um grande número de placas de treinamento para formar um cluster de placas gráficas, enquanto para aplicativos são necessárias placas de inferência para executar o modelo de ia para cálculos.

esta onda de inteligência artificial foi lançada pelo chatgpt e usa grandes modelos de linguagem e aplicações generativas de ia como ponto de entrada. desde seu lançamento pelo google em 2017, o transformer tem sido amplamente utilizado em processamento de linguagem natural, visão computacional, direção autônoma e outras áreas, além de trazer produtos populares do lado c, como chatgpt. as empresas tecnológicas chinesas e estrangeiras continuam a aumentar o investimento em áreas relacionadas, incluindo google, meta, microsoft, bytedance, baidu e outros gigantes tecnológicos nacionais e estrangeiros e start-ups, todos os quais esperam obter uma parte do bolo. as empresas de tecnologia também investem constantemente em talentos, tecnologia e layout de recursos. de acordo com dados de previsão da bloomberg intelligence, até 2032, a proporção de ia generativa nos gastos gerais com hardware, software, serviços, publicidade, jogos, etc. de tecnologia da informação poderá expandir do nível atual de menos de 1% para 12%.

em 2018, a openai lançou o modelo de linguagem generativa de pré-treinamento gpt-1 de primeira geração, que possui 117 milhões de parâmetros. o número de parâmetros gpt-4 lançados em 2023 será de aproximadamente 1,8 trilhão. o aumento no número de parâmetros em mais de 10.000 vezes em 5 anos provocou um aumento exponencial nos requisitos de potência computacional de grandes modelos. a openai estima que, desde 2012, os requisitos globais de capacidade de computação para treinamento de modelos de ia duplicaram a cada 3-4 meses. especialmente depois de 2023, o desenvolvimento da ia ​​está em pleno andamento. os fabricantes nacionais e estrangeiros aumentaram os seus investimentos em ia generativa, e a "batalha de centenas de modelos" foi retomada. isto também causou uma escassez de energia de computação a longo prazo. .

os chips domésticos de ia estão concentrados principalmente no lado da inferência. este aspecto é para competir.nvidiaa competição por deslocações está a aumentar. por outro lado, com o desenvolvimento e a popularização da tecnologia de ia, a procura da indústria por chips de ia de alto desempenho e baixo consumo de energia está a aumentar. no entanto, também existem fabricantes de chips de treinamento que estão traçando planos. no global ai chip summit de 2024, a biren technology anunciou pela primeira vez sua solução de treinamento colaborativo de gpu heterogênea independente e original, hgct. , ele oferece suporte ao treinamento misto de três ou mais gpus heterogêneas no mesmo modelo de plataforma grande. moore thread anunciou seu cluster inteligente wanka kuae (kuae) baseado em mtt s4000 para treinamento e teste. fabricantes como huawei, cambrian e haiguang information também tomaram medidas semelhantes.

é extremamente difícil iniciar um negócio de chips de ia. o laimi research institute acredita que a primeira dificuldade em iniciar um negócio de chips de ia é resolver problemas de design e fabricação de chips. devido a restrições internacionais, as ferramentas de design relacionadas foram controladas. no entanto, o problema de fabricação é um problema mais realista. o mais recente chip ai da nvidia usa o processo 4nm. atualmente, apenas a tsmc tem capacidade de fabricação, enquanto a capacidade de fabricação de chips da china continental é ligeiramente insuficiente.

a segunda são as questões de mercado. a nvidia ainda é a solução de chip de ia mais econômica no momento. as empresas nacionais de ia compram chips de ia nacionais por razões subjetivas ou objetivas para substituição doméstica. atender às suas próprias necessidades (por exemplo, fabricantes como a bytedance projetam seus próprios chips de ia com base na demanda). por um lado, os grandes modelos aceleram o desenvolvimento de chips de ia e, por outro lado, também aumentam cada vez mais a distância entre os fabricantes de chips. os fabricantes nacionais de chips de ia devem considerar quais necessidades específicas seus produtos podem atender às necessidades dos clientes antes que os clientes estejam dispostos a pagar prêmios elevados.

o terceiro é a lucratividade. devido a razões bem conhecidas, os ciclos de investigação e desenvolvimento de chips de ia são longos, intensivos e dispendiosos, e estes investimentos são muitas vezes difíceis de obter retorno a curto prazo. portanto, é extremamente importante obter capacidade hematopoiética. na actual dinâmica do mercado primário, é extremamente improvável que dependa apenas do mercado de capital de risco para transfusões de sangue. também vale a pena testar o fluxo de caixa positivo das empresas de chips de ia.

à medida que a grande revolução dos modelos varre o mundo, a demanda por poder de computação atinge novos patamares, impulsionando a iteração e a evolução dos chips de ia em nuvem, de borda e laterais. sob as três nuvens de crescimento explosivo de dados, aproximação dos limites físicos da tecnologia e situação internacional complexa e volátil, muitas empresas de chips de ia estão avançando sob pressão, de maneira discreta e pragmática, preparando-se ativamente para as oportunidades dos tempos trazidos pela onda generativa de ia.

como disse elon musk: apenas as matérias-primas são a única limitação e todos os aspectos da produção podem ser completamente reinventados. o enorme potencial da ia ​​​​criará definitivamente um mercado de trilhões. o "travamento" é apenas temporário. com o avanço dos processos avançados e do investimento de capital, a distância entre nós e a ia no exterior está diminuindo em vez de aumentar. o espaço para a substituição interna é enorme e as empresas relacionadas também darão início a oportunidades de rápido crescimento.

o pensamento final exige garantir o vencedor. o mundo futuro exigirá poder computacional infinito, mas com base no cenário competitivo do mercado dos eua, poderá haver apenas alguns vencedores. devido à natureza dos chips de ia em que o vencedor leva tudo, acreditamos que as empresas nacionais de chips de ia devem ter força técnica, capacidades de canal e capacidades de financiamento para vencer. essas capacidades representam enormes desafios para as startups, mas também criam barreiras industriais.