noticias

los chips de ia también se denominan aceleradores de ia o tarjetas informáticas. según su arquitectura técnica, se pueden dividir en unidades de procesamiento de gráficos de uso general (gpgpu), unidades centrales de procesamiento (cpu), chips integrados de aplicaciones específicas (asic) y de campo. -arreglos de puertas programables (fpga). en el desarrollo de la inteligencia artificial, los investigadores han descubierto que la computación paralela puede realizar un entrenamiento de modelos eficiente y procesar datos complejos a gran escala. gpgpu tiene un rendimiento informático paralelo más alto que otros chips y es adecuado para aplicaciones informáticas intensivas, por lo que se ha convertido en la corriente principal de los chips informáticos.

según la clasificación funcional, los chips de ia se pueden dividir en dos tipos: tarjetas de entrenamiento y tarjetas de inferencia. las tarjetas de entrenamiento, también llamadas tarjetas grandes, generalmente tienen mayor potencia de cálculo y ancho de banda de memoria para admitir una gran cantidad de cálculos y procesamiento de datos durante el proceso de capacitación. las tarjetas de inferencia, también llamadas tarjetas pequeñas, tienen parámetros más bajos y solo necesitan cumplir con los requisitos de inferencia; . en términos generales, las tarjetas de formación se pueden utilizar como tarjetas de razonamiento, pero las tarjetas de razonamiento no se pueden utilizar como tarjetas de formación. en pocas palabras, el entrenamiento de modelos grandes requiere una gran cantidad de tarjetas de entrenamiento para formar un grupo de tarjetas gráficas, mientras que para las aplicaciones, se requieren tarjetas de inferencia para ejecutar el modelo de ia para los cálculos.

esta ola de inteligencia artificial fue lanzada por chatgpt y utiliza grandes modelos de lenguaje y aplicaciones de inteligencia artificial generativa como punto de entrada. desde su lanzamiento por parte de google en 2017, transformer se ha utilizado ampliamente en el procesamiento del lenguaje natural, la visión por computadora, la conducción autónoma y otros campos, además de ofrecer productos populares del lado c como chatgpt. las empresas de tecnología chinas y extranjeras continúan aumentando la inversión en campos relacionados, incluidos google, meta, microsoft, bytedance, baidu y otros gigantes y empresas emergentes de tecnología nacionales y extranjeros, todos los cuales esperan obtener una parte del pastel. las empresas de tecnología también invierten constantemente en talento, tecnología y distribución de recursos. según datos de pronóstico de bloomberg intelligence, para 2032, la proporción de ia generativa en los gastos generales de hardware, software, servicios, publicidad, juegos, etc. de tecnología de la información puede expandirse desde el nivel actual de menos del 1% al 12%.

en 2018, openai lanzó el modelo de lenguaje generativo de preentrenamiento gpt-1 de primera generación, que tiene 117 millones de parámetros. la cantidad de parámetros gpt-4 lanzados en 2023 será de aproximadamente 1,8 billones. el aumento del número de parámetros en más de 10.000 veces en 5 años ha provocado un aumento exponencial de los requisitos de potencia informática de los modelos grandes. openai estima que desde 2012, los requisitos globales de potencia informática para el entrenamiento de modelos de ia principales se han duplicado cada 3 o 4 meses. especialmente después de 2023, el desarrollo de la ia está en pleno apogeo. los fabricantes nacionales y extranjeros han aumentado su inversión en ia generativa y se ha reanudado la "batalla de cientos de modelos". .

los chips de ia nacionales se concentran principalmente en el lado de la inferencia. este aspecto es para competir.nvidiala competencia por la dislocación se está desarrollando. por otro lado, con el desarrollo y la popularización de la tecnología de ia, la demanda de la industria de chips de ia de alto rendimiento y bajo consumo está aumentando. sin embargo, también hay fabricantes de chips de capacitación que están trazando planes. en la cumbre global de chips de ia de 2024, biren technology anunció por primera vez su solución de capacitación colaborativa de gpu heterogénea independiente y original, hgct. , admite el entrenamiento mixto de tres o más gpu heterogéneas en el mismo modelo grande. moore thread anunció su clúster inteligente wanka kuae (kuae) basado en mtt s4000 para capacitación y pruebas. fabricantes como huawei, cambrian y haiguang information también han tomado medidas similares.

es extremadamente difícil iniciar un negocio de chips de ia. el instituto de investigación laimi cree que la primera dificultad al iniciar un negocio de chips de ia es resolver los problemas de diseño y fabricación de chips. debido a restricciones en el extranjero, se han controlado las herramientas de diseño relacionadas. sin embargo, el problema de fabricación es un problema más realista: el último chip ai de nvidia utiliza el proceso 4nm. actualmente, solo tsmc tiene la capacidad de fabricación, mientras que las capacidades de fabricación de chips de china continental son ligeramente insuficientes.

el segundo son los problemas del mercado. nvidia sigue siendo la solución de chips de ia más rentable en la actualidad. por otro lado, las empresas nacionales de ia compran chips de ia nacionales por razones subjetivas u objetivas para la sustitución nacional. se adaptan a sus propias necesidades (por ejemplo, fabricantes como bytedance diseñan sus propios chips de ia según la demanda). por un lado, los modelos grandes aceleran el desarrollo de chips de ia y, por otro lado, también amplían cada vez más la brecha entre los fabricantes de chips. los fabricantes nacionales de chips de ia deben considerar qué necesidades específicas pueden satisfacer sus productos antes de que los clientes estén dispuestos a pagar primas elevadas.

el tercero es la rentabilidad. por razones bien conocidas, los ciclos de investigación y desarrollo de chips de ia son largos, intensivos y costosos, y estas inversiones suelen ser difíciles de recuperar en el corto plazo. por tanto, es extremadamente importante obtener la capacidad hematopoyética. bajo la dinámica actual del mercado primario, es extremadamente improbable depender únicamente del mercado de capital de riesgo para las transfusiones de sangre. también vale la pena probar el flujo de caja positivo de las empresas de chips de ia.

a medida que la gran revolución de los modelos recorre el mundo, la demanda de potencia informática alcanza nuevas alturas, impulsando la iteración y evolución de los chips de ia en la nube, en el borde y laterales. bajo las tres nubes de crecimiento explosivo de los datos, la aproximación a los límites físicos de la tecnología y una situación internacional compleja y volátil, muchas empresas de chips de ia están avanzando bajo presión de manera discreta y pragmática, preparándose activamente para las oportunidades que trae la era. por la ola de ia generativa.

como dijo elon musk: sólo las materias primas son la única limitación, y todos los aspectos de la fabricación pueden reinventarse por completo. el enorme potencial de la ia definitivamente creará un tamaño de mercado de billones. el "estancamiento" es sólo temporal. con el avance de los procesos avanzados y la inversión de capital, la distancia entre nosotros y la ia en el extranjero se está reduciendo en lugar de aumentar. el espacio para la sustitución nacional es enorme y las empresas relacionadas también generarán oportunidades de rápido crecimiento.

pensar en finales requiere asegurar al ganador. el mundo futuro requerirá una potencia informática infinita, pero teniendo en cuenta el panorama competitivo del mercado estadounidense, es posible que solo haya unos pocos ganadores. debido a la naturaleza de los chips de ia en el que el ganador se lo lleva todo, creemos que las empresas nacionales de chips de ia deben tener solidez técnica, capacidades de canal y capacidades financieras para ganar. estas capacidades plantean enormes desafíos para las nuevas empresas, pero también crean barreras en la industria.