電子發(fā)燒友網(wǎng)報(bào)道（文/李彎彎）隨著人工智能技術(shù)的大模代國(guó)快速發(fā)展，對(duì)GPU計(jì)算能力的面臨需求也越來越高。國(guó)內(nèi)企業(yè)也正在不斷提升GPU性能，挑戰(zhàn)以滿足日益增長(zhǎng)的大模代國(guó)應(yīng)用需求。然而，面臨相較于國(guó)際巨頭，挑戰(zhàn)國(guó)內(nèi)GPU仍然存在差距，大模代國(guó)國(guó)產(chǎn)GPU在不斷成長(zhǎng)的面臨過程中也存在諸多挑戰(zhàn)。

在大模型訓(xùn)練上存在差距

大語(yǔ)言模型是挑戰(zhàn)基于深度學(xué)習(xí)的技術(shù)。這些模型通過在海量文本數(shù)據(jù)上的大模代國(guó)訓(xùn)練，學(xué)習(xí)語(yǔ)言的面臨語(yǔ)法、語(yǔ)境和語(yǔ)義等多層次的挑戰(zhàn)信息，用于理解和生成自然語(yǔ)言文本。大模代國(guó)大語(yǔ)言模型是面臨自然語(yǔ)言處理（NLP）領(lǐng)域中的一個(gè)重要分支，應(yīng)用于文本生成、挑戰(zhàn)分類、情感分析等多種任務(wù)。

深度學(xué)習(xí)是現(xiàn)代機(jī)器學(xué)習(xí)領(lǐng)域的一種強(qiáng)大的算法，它可以在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理、游戲AI等各種應(yīng)用領(lǐng)域取得驚人的成果。然而，深度學(xué)習(xí)對(duì)計(jì)算幾硬件的要求非常高，通常需要使用GPU進(jìn)行大規(guī)模訓(xùn)練。在使用GPU進(jìn)行深度學(xué)習(xí)時(shí)，一個(gè)常見的問題就是選擇單精度還是雙精度。

浮點(diǎn)數(shù)是一種用于表示實(shí)數(shù)的數(shù)值格式，它包括符號(hào)位、指數(shù)位和尾數(shù)位三部分。通過這三部分，浮點(diǎn)數(shù)可以表示非常大或非常小的數(shù)，同時(shí)保持一定的精度。

單精度和雙精度是指浮點(diǎn)數(shù)在計(jì)算機(jī)中的存儲(chǔ)方式和精度。單精度通常使用32位（4字節(jié)）來存儲(chǔ)一個(gè)浮點(diǎn)數(shù)，而雙精度則使用64位（8字節(jié)）來存儲(chǔ)。由于雙精度使用了更多的位數(shù)，因此它可以表示更大范圍的數(shù)值，并具有更高的精度。

大模型訓(xùn)練需要處理高顆粒度的信息，因此對(duì)于用于大模型訓(xùn)練的GPU芯片處理信息的精細(xì)度和算力速度要求更高，現(xiàn)階段，國(guó)產(chǎn)GPU在支持大模型訓(xùn)練的能力方面相對(duì)來說還較差。

不同于多媒體和圖形處理的單精度浮點(diǎn)計(jì)算（FP32）計(jì)算需求，雙精度浮點(diǎn)計(jì)算能力FP64是進(jìn)行高算力計(jì)算的硬性指標(biāo)。英偉達(dá)的A100同時(shí)具備上述兩類能力，而國(guó)內(nèi)大多GPU只能處理單精度浮點(diǎn)計(jì)算。

從目前的信息來看，海光信息的協(xié)處理器（DCU）能夠支持FP64雙精度浮點(diǎn)運(yùn)算，海光DCU屬于GPGPU 的一種，采用“類CUDA”通用并行計(jì)算架構(gòu)。據(jù)該公司介紹，其DCU產(chǎn)品能夠完整支持大模型訓(xùn)練。不過相比于英偉達(dá)的A100性能只有其60%。

另外，景嘉微表示面向AI 訓(xùn)練、AI推理、科學(xué)計(jì)算等應(yīng)用領(lǐng)域研發(fā)成功的景宏系列，支持INT8、FP16、FP32、FP64等混合精度運(yùn)算，該產(chǎn)品在大模型的訓(xùn)練上或許也可以期待一下。

在軟件和生態(tài)方面存在差距

除上述情況以外，國(guó)產(chǎn)GPU在軟件和生態(tài)方面與全球領(lǐng)先品牌相比，也存在一定的差距。軟件工具鏈的完善度方面，全球領(lǐng)先的GPU廠商已經(jīng)構(gòu)建了完整的軟件工具鏈，包括編譯器、調(diào)試器、性能分析工具等，可以方便地支持開發(fā)人員進(jìn)行GPU程序的開發(fā)、調(diào)試和優(yōu)化。而國(guó)產(chǎn)GPU在這方面還需要進(jìn)一步完善，以滿足用戶的多樣化需求。

生態(tài)系統(tǒng)的成熟度方面，全球GPU市場(chǎng)已經(jīng)形成了較為成熟的生態(tài)系統(tǒng)，涵蓋了各種應(yīng)用領(lǐng)域和場(chǎng)景。然而，國(guó)產(chǎn)GPU在生態(tài)系統(tǒng)建設(shè)方面尚處于起步階段，缺乏足夠的應(yīng)用支持和市場(chǎng)認(rèn)可。這導(dǎo)致國(guó)產(chǎn)GPU在市場(chǎng)上的競(jìng)爭(zhēng)力相對(duì)較弱，難以與全球領(lǐng)先品牌抗衡。

近些年可以明顯的看到，國(guó)產(chǎn)PGU企業(yè)也正在這些方面不斷努力。在軟件支持方面，國(guó)產(chǎn)GPU企業(yè)正在積極與主流操作系統(tǒng)、開發(fā)環(huán)境以及圖形處理軟件等進(jìn)行適配，確保用戶能夠流暢地使用各種應(yīng)用軟件。同時(shí)，一些企業(yè)還在推動(dòng)GPU在人工智能、云計(jì)算等新興領(lǐng)域的應(yīng)用，為國(guó)產(chǎn)GPU生態(tài)注入新的活力。

在驅(qū)動(dòng)程序優(yōu)化方面，國(guó)產(chǎn)GPU企業(yè)也在加大投入力度，不斷提升驅(qū)動(dòng)程序的性能和穩(wěn)定性。通過優(yōu)化驅(qū)動(dòng)程序，可以充分發(fā)揮GPU的性能優(yōu)勢(shì)，提升整體計(jì)算效率。

此外，國(guó)產(chǎn)GPU企業(yè)還在積極探索與各種應(yīng)用場(chǎng)景的深度融合。例如，在游戲、圖形設(shè)計(jì)、視頻渲染等領(lǐng)域，國(guó)產(chǎn)GPU正在與相關(guān)企業(yè)合作，共同推動(dòng)相關(guān)應(yīng)用的發(fā)展。這種深度融合不僅有助于提升國(guó)產(chǎn)GPU的市場(chǎng)競(jìng)爭(zhēng)力，也有助于推動(dòng)整個(gè)產(chǎn)業(yè)的進(jìn)步。

寫在最后

近些年國(guó)產(chǎn)GPU正在蓬勃發(fā)展，不過相較于國(guó)際巨頭，仍然存在較大差距。近年來，大模型快速發(fā)展，國(guó)產(chǎn)GPU在大模型訓(xùn)練方面的不足也凸顯出來。不過也可以看到，目前國(guó)產(chǎn)GPU企業(yè)都在積極朝大模型方向布局，包括訓(xùn)練和推理。另外軟件和生態(tài)建設(shè)也在加速推進(jìn)。