前言： 鉴于ChatGPT的网红广泛应用，引发了AI算力需求的芯片迅猛增长，使得英伟达的让英AI芯片供不应求，出现大规模短缺。伟达如今，网红英伟达似乎在面对更多挑战。芯片
比英伟达GPU快10倍的让英LPU
近两天，一家名为Groq的伟达美国人工智能公司受到了广泛关注，其主要原因在于其自主研发的网红LPU芯片在人工智能推理技术上取得了突破。
通过优化架构和减少内存瓶颈，芯片Groq的让英LPU芯片在大模型处理方面展现出高效率和低延迟的特点，速度远超英伟达GPU，伟达每秒生成速度接近500 tokens，网红而GPT-4仅40 tokens。芯片
因此，让英Groq LPU被誉为[史上最快的大模型技术]。
Groq LPU的工作原理与英伟达的GPU不同，它采用了名为时序指令集计算机（Temporal Instruction Set Computer）架构，使用存储器为静态随机存取存储器（SRAM），其速度比GPU所用的高带宽存储器（HBM）快约20倍。
据Groq在2024年1月的第一个公开基准测试，由Groq LPU驱动的Meta Llama 2-70B模型，推理性能比其他顶级云计算供应商快18倍。
artificialanalysis.ai给出的测评结果也显示，Groq的吞吐量速度称得上是[遥遥领先]。
总结起来，Groq的架构建立在小内存，大算力上，因此有限的被处理的内容对应着极高的算力，导致其速度非常快。
有分析人士称，在A100和H100相对紧缺的时代，LPU或许会成为大模型开发商的新选择。
Grop部署起来甚至比英伟达要贵
当初Groq以其闪电般的速度令AI行业为之震撼。
然而，在震撼之余，许多业界人士核算后发现，这种速度背后的代价可能过于高昂。
Groq的LPU芯片摒弃了HBM，仅依赖SRAM进行计算。
尽管这种方式确实带来了令人瞩目的计算速度，但其成本效益问题却备受质疑。
值得关注的是，尽管Groq在速度上表现出色，但其背后的成本却相当高昂。
若以未来三年运行成本计算，Groq的硬件采购成本高达1144万美元，而运营成本至少为76.2万美元。
据此估算，在同等吞吐量下，Groq的硬件成本约为H100的40倍，能耗成本则是10倍。
若考虑运营三年，Groq硬件的购买成本为114.4万美元，运营成本为76.2万。
另一方面，对于一个8卡的H100盒子，硬件购买成本为30万美元，运营成本约为7.2万或稍低。
由于Groq内存容量相对较小（230MB），在运行Llama-270b模型时，需配备305张Groq卡才能满足需求，而使用H100仅需8张卡。
因此，从当前价格来看，在同等吞吐量下，Groq的硬件成本是H100的40倍，能耗成本是10倍。
换言之，Groq的高速性能是建立在有限的单卡吞吐能力基础之上的。
为实现与H100相同的吞吐量，Groq需采用更多张显卡。
在此背景下，[速度]成为了Groq的一把双刃剑。
Groq喊话[三年内赶超英伟达]
近期，一位自称为Groq员工的用户在与网络用户互动时表示，Groq致力于成为最快速的大规模模型硬件，并誓言在三年内超越英伟达。
然而，截至2月20日美股收盘，英伟达股价单日跌幅达4.35%，创下去年10月以来最大单日跌幅，市值一夜之间缩水780亿美元（约合5600亿元人民币）。
尽管Groq速度迅猛，但价格较高，目前尚不能与英伟达抗衡。SRAM技术面积大、功耗高，早已以IP内核形式集成至系统级芯片（SoC），而非单独应用，其未来发展潜力远不及HBM（高带宽内存）。
在单位容量价格、性能及功耗方面，英伟达GPU所采用的HBM技术均优于SRAM。
从技术和性能角度看，Groq目前尚无法撼动英伟达的地位。
原因在于，英伟达GPU产品具有通用性，而Groq产品为ASIC（专用集成电路），并非通用产品，而是定制产品。
换言之，任何人工智能算法均可使用英伟达的H200，但仅Mixtral和Llama2能采用Groq的LPU。
欲使用Groq产品，大模型公司需先明确需求、指定规格，然后进行功能验证，最终生产出的产品方可投入使用。
英伟达财报再次印证了其在人工智能浪潮中成为最大赢家的地位。
英伟达于北京时间2月22日发布截至2024年1月28日的四季度业绩报告。
报告显示，公司季度营收创纪录达到221亿美元，远超英伟达自身及华尔街预期，同比增长265%。
全年营收同样创下新高，达到609亿美元，同比增长126%。
英伟达预计本季度营收将进一步攀升至240亿美元。财报发布后，其股价盘后一度涨超10%。
结尾：
Groq架构的特点是小内存和大算力，适合频繁数据搬运的场景，速度快但单卡吞吐能力有限，需要更多卡来保证同等吞吐量，速度既是优势也是劣势。
此外，由于GPU的生态极为发达，其中英伟达的GPU不仅性能强大，在性能卓越的同时，还聚集了大量用户和丰富的生态环境。
相比之下，Groq 目前仅能为少数大型模型提供服务，想要在低延迟领域建立持续优势，需要拓宽服务范围并进一步减少总体成本。
审核编辑：刘清
还没有评论，来说两句吧...