显卡

芯片有很多种，简单地说，就是凡是跟计算有关的电子器件，都算是芯片。

比如手机里的声音感知器，可以感知到外部的声音，然后把声音信号通过计算，改变为数字信号传给中央处理器。这种东西也叫芯片，叫做感知芯片。

又比如电量的消耗。

运行一款程序，需要给予多少电量的支持？这也需要计算来得出，计算这个单元的器件，叫做电源芯片。

又比如蓝牙、WiFi、USB接口等等，这些连接的过程都需要计算，通过计算来对接，就都有相应的通信芯片来对接。

不过，这些芯片大多技术含量不高，计算量很小，不算什么核心科技。

真正最广为人知的芯片，是处理器芯片，也就是CPU。在一款产品里，CPU就相当于人的大脑，几乎负责了所有的计算，大量的复杂计算。

人工智能也需要大量计算。

所以过去行业对人工智能的理解，也是这样的逻辑。在处理人工智能的大量计算的时候，也是通过CPU来计算各种AI算法。

这是行业常识。

可是直到这个月……其实也就是前几天，整个人工智能行业，才终于恍然醒悟，产生了一种全新的行业认识。

在处理人工智能计算的时候，不应该使用CPU芯片！

而应该使用GPU芯片！

GPU，也就是大众熟知的显卡。

之所以能做出这样的转变，就是上周才发生的震惊世界的围棋行业的Rokid-go所发起的“人机大战”！

Rokid-go背后的庞大数据处理，依靠的就是大量的GPU的运行。

同样规格的CPU和GPU，在处理AI计算的时候，GPU的算力可以超过CPU的100倍！而能耗，还不足CPU的5%！

Rokid-go大获成功之后，近期连续发表了7篇很多这方面的论文。又有过“人机大战”的实践证实，可以说紫微星已经引领了全球人工智能计算的行业大转向。

人工智能，将会在紫微星的带领下，真正地走进GPU的时代！

而这也进一步地提高了做人工智能科研的门槛。

因为过去的那种靠着暴力地堆积大量CPU来提高算力的模式，在人工智能领域算是彻底的行不通了。

就比如超级计算机。

超级计算机，就是有着超级计算能力的电脑，在这个领域，国内有着很强大的实力，不比美国差多少。

为什么？

因为CPU的叠加属性。

CPU的计算，绝大多数都是线性的，就像流水线上的工人，是一个任务一个任务的去执行。美国有最好的CPU芯片，最多就是流水线工人的干活水平高了，单体工作能力比较强。

国内的CPU芯片比较差，却可以用暴力堆积的方法来解决算力缺陷。

工人的单体能力差，但是没关系，多在流水线上安排一些工人就好了。美国的超算用1000个芯片，我们的用1万个芯片，总能跟他们达到同样的算力了吧？

无非就是多费点电而已。

在国家战略面前，电费才几个钱？

一台超级计算机，主机可以装满一层大楼，没有空间限制，就可以无限地堆积算力低下的CPU，靠着无数CPU芯片的堆积，来达到超算的效果。

所以联想、曙光、浪潮，包括一些高校和军方，都可以开发出自研知识产权的超级计算机，在这个领域打破技术壁垒。

可是，GPU就不行了。

GPU之所以能取代CPU成为人工智能计算的主要工作，就是因为GPU主要是以处理并行计算为主。

而人工智能的神经网络算法趋势，所需要的就是并行计算，刚好和GPU相匹配。

一旦是并行计算了，就没法像流水线工人那样，靠着堆积数量去提高生产力了，这就得靠着实打实的硬实力了。

比如一个博士生和一个小学生算数学题，小学生根本不行。哪怕把一万、十万个小学生组合起来，也不可能是一个博士生的对手。

这就是高通、英特尔这些主要以销售CPU为主的公司，市值最高也就是几千亿美元，而以卖GPU为主的英伟达，市值却能冲上5000亿美元、1万亿美元、2万亿美元甚至更高的原因。

CPU再是核心技术，也有可替代性。

GPU却没法靠着堆量的方法来替代。

没有顶级的GPU，就无法提供顶级的算力，就不可能成为顶级的人工智能公司。

就像十年后的2023年国内的人工智能现状。

世界上最好的GPU芯片是英伟达的H100，售价4万美元一块。其次是英伟达的A100，售价1万美元一块。

再多的A100堆积，也无法量变产生质变，去达到H100的AI算力，这是由芯片结构的字