博通微软谷歌针对英特尔采取了哪些措施

凭借GPU的绝对领先优势，英伟达这几年可以说是风头无两。从今年年初到现在，市值飙升了93.6%，过去五年的涨幅更是达到了惊人的385%——这个势头，用“炙手可热”来形容一点都不为过。但请注意，GPU虽然是英伟达的最大依仗，却绝不是它唯一的武器。

通过过去几年的收购和自研，英伟达已经构建起了一个涵盖DPU、CPU、Switch甚至硅光的多产品线版图，目标很明确：在每一台服务器甚至每一个机架里，尽可能多地分走蛋糕。然而，就像很多做GPGPU或AI芯片的竞争对手想“取替”英伟达的GPU一样，英伟达自己也在琢磨如何“取替”供应链中的其他环节——这条路显然不会一帆风顺。

最近，三大巨头更是接连出手，摆出了一副要把英伟达拒之门外的架势。

1. 博通芯片，瞄准Infiniband

熟悉博通的读者都知道，面向交换机市场，这家美国芯片巨头拥有三条高端产品线：面向高带宽的Tomahawk、面向更多功能的Trident，以及带宽不算最高但拥有更深的Buffer和更高可编程性的Jericho。昨天，博通发布了Jericho系列的最新成员——Jericho3-AI。在他们看来，这比英伟达的Infiniband更适合AI场景。

博通指出，大型公司（甚至包括英伟达自己）都认为AI工作负载会受到网络延迟和带宽的限制，而Jericho3-AI就是为了减少AI训练期间花在网络上的时间而生。其核心特性包括：负载均衡以保持链路不拥塞、结构调度、零影响故障转移，以及高以太网基数（radix）。

博通强调，AI工作负载有个与众不同的特点：大量长期流会在AI计算周期完成后同时启动。Jericho3-AI为此专门优化：

• 完美负载均衡：将流量均匀分布在整个结构的链路上，确保最高网络负载下的最大利用率。
• 端到端无拥塞调度：消除流量冲突和抖动。
• 超高基数：单个集群可扩展到32000个GPU，每个端口800Gbps。
• 零影响故障转移：10纳秒内自动收敛路径，不影响作业完成时间。

凭借这些特性，在All-to-All等关键AI基准测试中，Jericho3-AI比替代网络方案的工作完成时间至少缩短了10%。这意味着昂贵的AI翻跟斗使用效率提升了10%，从而大幅降低运行成本。此外，Jericho3-AI提供每秒26 PB的以太网带宽，几乎是上一代的四倍，同时每千兆比特功耗降低了40%。

更关键的是，它支持800Gbps端口速度（适配PCIe Gen6服务器），这让它成为一个更好的选择。有意思的是，博通并没有对产品名称中的“AI”做过多解读，甚至没提网络AI计算功能——而这恰恰是英伟达Infiniband架构的主要卖点。不过博通表示，他们的Jericho3-AI以太网在NCCL性能上比英伟达的Infiniband要好大约10%。

“Jericho3-AI结构的一个独特之处在于，它在提供最高性能的同时实现了最低总拥有成本。这得益于长距离SerDes、分布式缓冲和高级遥测等属性，所有这些都基于行业标准以太网。这些因素为最大的硬件和软件生态系统提供了高度灵活的网络架构和部署选项。”博通如此强调。

2. 微软，自研芯片再曝进展

要说因ChatGPT大火的企业，除了英伟达，微软也绝对榜上有名——作为ChatGPT的主要投资人，微软为了支撑这个明星应用，已经抢购了大量GPU。但随着算力需求持续膨胀，微软必须为后续的芯片供应做更多打算。如果一味地购买英伟达GPU，这笔开销可不是小数目，他们显然不会开心。

于是，自研芯片的消息恰到好处地浮出水面。据路透社引述The Information的报道，微软正在开发代号为“Athena”的人工智能芯片，该芯片将为ChatGPT等AI聊天机器人背后的技术提供支持。

根据报道，这些芯片将用于训练大型语言模型以及支持推理——这两者都是生成式AI的核心需求。它们的任务包括处理海量数据、识别模式、生成模仿人类对话的新输出。微软希望Athena的性能优于目前从其他供应商处购买的芯片，从而为昂贵的AI工作节省时间和金钱。

目前尚不清楚微软是否会将其Azure云客户开放使用这些芯片，但据称计划最早在明年让微软和OpenAI内部更广泛地使用。初始版本预计采用台积电5纳米工艺，并且作为项目的一部分，可能会有多代芯片——微软已经有了包含多个后代的路线图。

微软认为自己的AI芯片并不能直接替代英伟达的芯片，但随着微软继续推动Bing、Office、GitHub等产品的AI功能落地，内部芯片的努力可以大幅削减成本。研究公司SemiAnalysis的Dylan Patel告诉The Information：“如果Athena具有竞争力，与英伟达的产品相比，它可以将每芯片的成本降低三分之一。”

微软造芯的历史最早可以追溯到2020年。据彭博社当时的报道，微软正在研究用于运行云服务的服务器处理器设计，以减少对英特尔芯片的依赖。知情人士透露，微软正在使用Arm的设计来生产数据中心处理器，同时也在探索用其他芯片为部分Surface系列PC提供动力。

近年来，微软加大了处理器工程师的招聘力度，甚至从英特尔、超微、英伟达等芯片制造商的后院挖人。2022年，他们还从苹果公司挖来了一位经验丰富的芯片设计师——Mike Filippo，这位曾在Arm和英特尔工作过的资深专家将加入由Rani Borkar运营的微软Azure集团，从事处理器方面的工作。微软发言人证实了这次聘用。

今年年初，微软更是宣布收购了一家名为Fungible的DPU芯片公司。微软Azure核心部门的CVP Girish Bablani在博文中写道：“Fungible的技术有助于实现高性能、可扩展、分解、横向扩展的数据中心基础设施，同时兼具可靠性和安全性。”他进一步指出：“今天的公告进一步表明微软致力于数据中心基础设施的长期差异化投资，这增强了公司的技术和产品范围，包括卸载、改善延迟、增加数据中心服务器密度、优化能源效率和降低成本。”Fungible也在声明中表示：“我们很自豪能成为一家拥有Fungible愿景的公司的一员，并将利用Fungible DPU和软件来增强其存储和网络产品。”

由此可见，微软在芯片上做更多发布，并不令人意外。

3. 谷歌TPU，已经第四代

在取代英伟达这条路上，谷歌无疑是最坚定、走得最远的那个。按照谷歌的说法，早在2006年他们就考虑为神经网络构建专用集成电路（ASIC），但到了2013年情况变得紧迫——他们意识到神经网络快速增长的计算需求可能需要将数据中心的数量翻倍。从2015年开始，谷歌将TPU部署到服务器中，并在后续测试中获得了不少反馈，不断迭代产品。

最近，谷歌对TPU v4及其基于该芯片构建的超级计算系统做了深度披露。据他们介绍，得益于互连技术和领域特定翻跟斗（DSA）的关键创新，谷歌云TPU v4在扩展ML系统性能方面比上一代提升了近10倍；与当代ML DSA相比，能源效率提高了约2-3倍。在与Nvidia A100对比时，谷歌表示TPU v4比前者快1.2-1.7倍，功耗低1.3-1.9倍。与Graphcore的IPU BOW相比，同样具有领先优势。

基于这个芯片，谷歌打造了一个拥有4096个张量处理单元（TPU）的TPU v4超级计算机。这些芯片由内部开发的行业领先的光电路开关（OCS）互连，OCS硬件允许4000个TPU节点与1000个CPU主机一起运行，这些主机偶尔（0.1-1.0%的时间）不可用也不会引起问题。

据谷歌介绍，OCS可以动态重新配置互连拓扑，以提高规模、可用性、利用率、模块化、部署、安全性、功率和性能。与Infiniband相比，OCS和底层光学组件更便宜、功耗更低且速度更快，其成本不到TPU v4系统总成本的5%，功耗也低于系统总功耗的5%。下图展示了OCS如何利用两个MEMS阵列工作：不需要光到电到光的转换或耗电的网络分组交换机，从而节省了电力。

值得一提的是，TPU v4超级计算机还包括SparseCores——这是一种更接近高带宽内存的中间芯片，许多AI运算都发生在这里。SparseCores的概念与AMD、英特尔和高通等公司正在研究的新兴计算架构不谋而合，这种架构依赖计算更接近数据，以及数据进出内存之间的协调。

此外，谷歌还在算法-芯片协同方面做了更多投入。正如之前的一篇文章所指出：“随着摩尔定律接近物理极限，未来人工智能芯片性能的提升将越来越依赖算法-芯片协同设计。而有了这种协同，我们预计未来AI芯片的性能仍将保持接近指数级提升。因此，AI芯片依然是半导体行业未来几年最热门的方向之一，也将成为行业继续发展的重要引擎。”

写在最后

综合来看，英伟达面临的挑战是全方位的，绝不仅仅局限于GPU。对手也不仅仅是芯片公司。如何利用规模化优势保持高性价比，将是安然度过未来潜在挑战的有效方法之一。不过可以肯定的是，围绕数据中心的创新远未停止——甚至可以说，因为大模型的流行，这场战斗才刚刚开始。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：博通微软谷歌针对英特尔采取了哪些措施要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题