去年以来，在硅谷，一家公司在人工智能行业的地位取决于其拥有的 Nvidia 制造的图形处理单元或 GPU 的数量。例如，微软、亚马逊、Meta 和特斯拉就拥有丰富的GPU储备。
Nvidia 是一家在 2010 年从制造游戏和图形硬件转向制造人工智能芯片的公司，它的先见之明的战略正在收获回报。目前，该公司在GPU方面拥有约70%的市场份额。（他们 11 月底公布的第三季度业绩显示，收入同比增长 206%。）
但大型科技公司不仅仅依赖英伟达。事实上，亚马逊、微软、Alphabet 和Meta 都已经推出了自己的定制人工智能芯片组，或者计划很快推出一款。谷歌于 12 月推出的、强大的人工智能模型 Gemini 是使用该公司自己的张量处理单元（TPU）芯片进行训练的。（谷歌声称 TPU 是下一代 GPU。）
在这种背景下，新贵芯片制造商在科技巨头主导的市场中能发挥什么作用？
“新贵公司的任务被削减了一些，”管理顾问兼《平台规模》一书的作者桑吉特·保罗·乔杜里 (Sangeet Paul Choudhary) 说。“当公司希望瞄准企业受众并构建高度微调的模型时，他们将寻求构建适合特定用途的人工智能芯片，以在该环境下提供性能。这将推动整体上更大的垂直整合。”
英伟达的需求不仅仅受到芯片的推动，它还为开发人员提供一站式服务。“正确的垂直游戏需要让整个生态系统参与进来。就英伟达而言，它在研究方面的采用率要高得多（根据引用），开发人员的参与度也更高，现在与 Hugging Face 合作伙伴关系更是如此。Cuda [一种帮助计算 GPU 的编程模型] 是开发人员喜欢的工具包。[因此，]仅仅制造更好的芯片并不能解决问题，”他补充道。
报道，原本就持谨慎态度的投资者正在远离这个艰难的行业，而英伟达让这个行业变得更加困难。Pitchbook 数据显示，截至 2023 年 8 月底，美国芯片制造初创公司筹集了 8.814 亿美元，较 2022 年前三季度的 17.9 亿美元大幅下降。同期交易数量也从 23 笔减少至仅 4 笔。
但经济低迷不仅仅局限于芯片制造的资金投入。根据 PitchBook 的 First Look 数据包，第四季度全球风险投资资金从 2022 年的 5310 亿美元降至约 3450 亿美元。
“由于研发投入较大，AI芯片企业的资金需求普遍较高，初创阶段的资金需求可达初创企业的8-10倍。而且，开发一款中等复杂度的芯片至少需要两年的时间。这些因素导致投资者获得回报的等待时间更长，风险也更高。”Physis Capital 主要投资者 Madhukar Bhardwaj 表示。
尽管英伟达的主导地位显而易见，并且导致其他公司难以吸引资金，但值得注意的是，“市场总是乐于接受具有革命性产品的创新者，”他说。
9 月，总部位于圣克拉拉的 AI 芯片初创公司 d-Matrix 在由新加坡淡马锡、微软和 Playground Global 领投的 B 轮融资中筹集了 1.1 亿美元。这家初创公司并不专注于训练大规模人工智能模型，而是选择做一些专门的事情——推理，即根据数据进行预测。
8 月，另一家 AI 硬件初创公司 Tenstorrent 由先驱芯片架构师 Jim Keller 创立，在现代汽车集团和三星 Catalyst Fund 共同牵头的一轮可转换票据融资中筹集了 1 亿美元。这家初创公司近推出了一项服务，允许客户在不购买人工智能模型的情况下使用它们。该公司发言人表示：“虽然英伟达目前是人工智能芯片行业的主导力量，但我们确实相信，仍有可行的竞争对手崛起的空间。我们认为与 Nvidia 竞争的方法是提供完整的解决方案（硬件和软件），而不需要用户改变他们的工作流程。我们认为我们可以通过开源平台挑战 Nvidia。”
OpenAI 执行官 Sam Altman 与芯片初创公司 Rain Neuromorphics 签署了价值 5100 万美元的协议。该公司正在开发神经形态处理单元（NPU），这是一种可以复制人脑形式的芯片。与 GPU 相比，NPU 的计算能力提高了 100 倍，能源效率提高了 10,000 倍。
还有其他一些年轻公司也迎接了挑战——Tiny Corp. 为边缘计算设计基于 ARM 的训练和推理芯片；Modular 开发用于训练和推理的并行加速器芯片（两者都以低成本提供速度，并被视为 Nvidia Cuda 的替代品）。另一家名为 MatX 的初创公司设计专注于边缘应用的神经网络推理芯片。
“这只是我们在这个行业所看到的一切的开始。我确信还有更多的事情要做。尽管人们认为英伟达具有垄断地位，但我相信未来五年将是一个加速发展的时期。AI 芯片制造蛋糕是一个巨大的蛋糕，而 Nvidia 的份额即使很大，也是市场预测未来 10 年价值 200-3000 亿美元产业的一部分。”IESA（印度电子与半导体协会）主席 Ashok Chandak说。
Chandak认为，这背后有几个因素：“首先，能力会增强。我们将看到人工智能在医疗保健、汽车和机器人领域的应用；这不仅限于大型语言模型。其次，GPU 并不是的计算来源。根据使用情况，有Intel 或 AMD的 CPU ，因此有很多机会。第三，边缘计算将在范围内增长，并渗透到智能相机、医疗仪器或安全工具等较小的应用中，”他解释道。
他指出，英伟达已经唤醒了整个行业，从长远来看将成为推动者。
GPU的更多挑战者
人工智能取得进一步进展的成本正变得像 ChatGPT 的幻觉一样令人震惊。大规模人工智能训练所需的图形芯片（即 GPU）的需求推动了关键组件的价格飙升。OpenAI 表示，训练目前为 ChatGPT 提供支持的算法花费了该公司 1 亿多美元。人工智能领域的竞争还意味着数据中心现在消耗的能源数量令人担忧。
人工智能淘金热让一些初创公司制定了大胆的计划，创造新的计算铲子进行销售。Nvidia 的 GPU 是迄今为止的人工智能开发硬件，但这些新贵认为，现在是时候彻底重新思考计算机芯片的设计方式了。
Normal Computer 是一家由 Google Brain 和 Alphabet 登月实验室 X 的资深人士创立的初创公司，它开发了一个简单的原型，这是从原理重新启动计算的步。
传统的硅芯片通过处理代表信息的二进制位（即 0 和 1）来运行计算。NormalComputing 的随机处理单元（SPU）利用电振荡器的热力学特性，利用电路内部发生的随机波动来执行计算。它可以生成可用于计算或解决线性代数计算的随机样本，这在科学、工程和机器学习中无处不在。
NormalComputing 的执行官 Faris Sbahi 解释说，该硬件不仅效率高，而且非常适合处理统计计算。有一天，这可能有助于构建能够处理不确定性的人工智能算法，或许可以解决大型语言模型在不确定时“幻觉”输出的倾向。
Sbahi 表示，生成式人工智能近取得的成功令人印象深刻，但距离该技术的终形式还很遥远。“很明显，在软件架构和硬件方面都有更好的东西，”Sbahi 说。他和他的联合创始人此前曾在 Alphabet 从事量子计算和人工智能工作。利用量子计算机进行机器学习方面缺乏进展，促使他们考虑利用物理学来为人工智能所需的计算提供动力的其他方法。
Alphabet 的另一支前量子研究人员团队离开后成立了 Extropic，这家公司仍处于隐秘状态，似乎有一个更加雄心勃勃的计划，将热力学计算用于人工智能。“我们正在尝试将所有神经计算紧密集成在模拟热力学芯片中，”Extropic 创始人兼执行官 Guillaume Verdon 说道。“我们正在从量子计算软件和硬件中汲取经验，并将其引入全栈热力学范式。” （Verdon 近被揭露为 X Beff Jezos 上流行模因账户的幕后人物，该账户与所谓的有效加速主义运动有关，该运动提倡向“技术资本奇点”迈进。）
随着业界陷入维持摩尔定律的困难，即芯片上组件的密度持续缩小的长期预测，需要对计算进行更广泛的重新思考的想法可能正在获得动力。康奈尔大学教授彼得·麦克马洪 (Peter McMahon) 表示：“即使摩尔定律没有放缓，仍然存在一个大问题，因为 OpenAI 和其他公司发布的模型大小的增长速度远远快于芯片容量的增长速度。” 新颖的计算方式。换句话说，我们很可能需要利用新的计算方式来让人工智能炒作列车步入正轨。
Normal、Extropic 和其他试图重新思考计算机芯片基本原理的公司正在寻找投资者，这表明 GPU 可能很快就会面临一些竞争。VaireComputing是一家总部位于英国的初创公司，正在开发硅芯片，其工作方式与传统芯片完全不同，可以在不破坏信息的情况下执行计算。这种被称为“可逆计算”的方法是几十年前设计的，有望大大提高计算效率，但从未成功。Vaire 的联合创始人兼执行官 Rodolfo Rosini 认为，将更小的元件蚀刻到硅中的物理限制意味着 GPU 和其他传统芯片的时间已经不多了。Rosini表示，芯片制造领域“我们还剩下一个数量级”。“我们可以使组件变得更小，但头号敌人是足够快地从系统中散热。”
说服一个庞大的行业放弃一项已经发展了 50 多年的技术并不容易。但对于提供下一代硬件平台的公司来说，回报将是巨大的。支持 Vaire 的 7percent Ventures 的安德鲁·斯科特 (Andrew Scott) 表示：“时常会出现一些会给整个人类带来变革的东西，比如喷气发动机、晶体管微芯片或量子计算机。” 押注 Extropic 和 Normal 自己的计算重塑的投资者对自己的竞争者也抱有类似的希望。
