除了英伟达之外，中国是否具备AI芯片自主替代的能力？
众所周知，随着非市场因素的不断变化，中国相关产业和企业在发展AI的过程中，获得和使用英伟达AI芯片的限制越来越多。那么问题来了，除了英伟达之外，中国是否具备自主替代的能力？近日，媒体频频报道称，海光信息的DCU有望成为英伟达芯片最佳替代者。
事实真的如此吗？如果是，在替代的过程中，海光信息又面临怎样的机遇和挑战？
海光DCU系列产品以GPGPU架构为基础，兼容通用的“类CUDA”环境以及国际主流商业计算软件、人工智能软件，可广泛应用于大数据处理、人工智能、商业计算等领域。
值得一提的是，与目前全球主流人工智能企业都在使用的英伟达A100产品相比，海光信息DCU的第一代产品海光“深算一号”生产工艺同为7nm制程，内存频率和显存位宽与A100基本相当，显存容量、显存带宽和显存频率相当于A100的50%左右，差距比较大的是多卡协同的交互速率，只有A100的30%。总体来讲，海光“深算一号”的性能应该能达到英伟达A100的40%以上水平。
海光信息于2023年第三季度发布的“深算二号”性能相对于“深算一号”提升100%以上，据此估计，此款产品性能至少已达到A100的80%，等到正在研发中的“深算三号”上市，其赶上甚至超越A100应该没有太大问题。
虽然单纯从性能来看，最新的“深算三号”可以达到甚至超越A100的水平；但事实上，发展AI芯片不仅关乎硬件，还关乎软件生态。一类芯片可能无法支持所有现有的深度学习框架和算法，这将限制芯片的应用范围。
具体到GPU，由于当前全球主流深度学习框架均使用CUDA平台进行开发，国产GPU可以通过兼容CUDA的部分功能，快速打开市场，降低开发难度和用户移植成本。然而，CUDA本身涵盖功能非常广泛，且许多功能与英伟达GPU硬件深度耦合，包含了许多英伟达GPU的专有特性，这些特性并不能在国产AI芯片上全部体现。
有观点认为，海光DCU并不适合做训练，尤其不适合做大模型的训练（因为浮点性能低和无法集群组网）。一方面是推理场景性价比低，大约为2022年主流专用推理芯片10%~15%的性能；另一方面由于海光DCU在最初得到Mi100授权时，把与训练有关的性能和关键特性做了裁剪，导致“高不成（训练）、低不就（推理）”。
而更大的挑战还在于，由于海光DCU始于兼容通用的“类CUDA”，英伟达可能禁止使用第三方硬件，也就是非英伟达的GPU通过使用模拟层运行CUDA软件，而之前英伟达只是在在线EULA用户协议中提出警告而已。虽然业内对此持有不同的看法，因为英伟达此前仅是警告，始终没有付诸行动；但在笔者看来，鉴于目前日益严峻的非市场环境因素，我们不应再抱有侥幸心理，而应未雨绸缪，即通过提升自身的软硬件实力，构筑属于自己的软硬件生态。
可喜的是，有报道称，百度、阿里等互联网企业已认证通过海光的DCU产品并推出联合方案，打造全国产软硬件一体全栈AI基础设施；此外，科大讯飞、商汤和云从等国内头部AI企业，已有大量模型移植并运行在海光DCU平台上。
而为了完善通用计算平台的国产生态，海光还发起成立了海光产业生态合作组织，联合了体制内外的高校、科研院所和产业链上下游企业，开展“产学研”相结合的协同攻关，为突破行业内关键共性技术提供助力。
所谓“万事开头难”，随着海光信息DCU产品的不断迭代以及其对生态建设的重视和推进，赶上甚至超越，直至替代英伟达的AI芯片，也许只是时间早晚的问题。
*本文刊载于《通信世界》总第940期 2024年3月25日 第6期原文标题：《AI芯片受限 海光信息DCU能否担起替代重任？》
作者：孙永杰
责编/版式：王禹蓉
审校：王 涛 梅雅鑫
监制：刘启诚