英伟达正在垄断AI产业，国内厂商准备好了吗？

　　为了计算和人类的未来，我捐出世界上第一台DGX1。
　　2016年8月，英伟达创始人黄仁勋，带着一台装载了8块P100芯片的超级计算机DGX1，来到了OpenAI的办公大楼。
　　在现场人员到齐后，老黄拿出记号笔，在DGX1的机箱上写下这句话。
　　与其一同前往的还有特斯拉和OpenAI的创始人，埃隆马斯克。
　　这次OpenAI之行，老黄不为别的，就是为了把这台刚出炉的超算送给OpenAI，给他们的人工智能项目研究加一波速。
　　这台DGX1价值超过百万，是英伟达超过3000名员工，花费三年时间打造。
　　这台DGX1，能把OpenAI一年的训练时间，压缩到短短一个月。而这，是他对人工智能未来的豪赌，加的一波注。七年之后，在前不久的GTC大会上，老黄穿着皮衣，拿着芯片，整个宣讲不离AI。
　　似乎是在告诉各位，AI的时代，我英伟达，就要称王了，当年的豪赌，他赢了！
　　这么说吧，在去年经历一波矿难之后，不少人都以为曾靠着矿潮狂赚一笔的英伟达，会在矿难之下市值暴跌，一蹶不振。
　　但实际情况却有点微妙英伟达的股价在跌了大半年之后，从十月份开始，一路上涨，到现在，整个英伟达市值已经涨回到了6500亿美元，是AMD的4倍，英特尔的6倍。
　　瞧瞧，这还是当年那个求着各位买显卡的老黄嘛？
　　而让英伟达的股价疯涨的，那便是他们从十多年前就开始押注的AI计算。
　　给大家一个数据，从15年后，英伟达的GPU在超算中心的市场份额就一路上涨，这几年稳居90左右。
　　在独立GPU市场上，英伟达的市场占有率也一度超过80。
　　另外，包括YouTube、CatFinder、AlphaGo、GPT3、GPT4在内，AI历史上那些叫得出名的玩意，几乎都是在英伟达的硬件上整出来的。
　　英伟达的硬件，仿佛就是新时代的内燃机，载着AI时代不断前进。
　　差友们可能会有点疑问，为什么在AI爆发的时代，好像就只有老黄有好处，其它的显卡生产商们的显卡不能训练AI嘛？能训练，但只能训练一点点。
　　为啥？这就不得不提到英伟达从2006年就开始着手开发一个东西CUDA（统一计算设备架构）。
　　差评君简单解释一下它是干嘛的，当你想要计算一些比较庞大的运算问题时，通过CUDA编程，你就能充分利用GPU的并行处理能力，从而大幅提升计算性能。
　　差评君说一个听来的比喻。
　　CPU就好比是个数学教授，GPU就是100个小学生，放一道高数题下来那100个小学生可能会懵逼；但是放100道四则口算题下来，那100个小学生同时做肯定比数学教授快多了。
　　深度学习就是上面的例子中那100道口算题，那个让GPU处理器并行运算的工具就叫CUDA。
　　一般来说，使用CUDA和不使用CUDA，两者在计算速度上往往有数倍到数十倍的差距。
　　既然CUDA这么有用，为什么其它的GPU厂商不去搞个竞品呢？不是不去搞啊，而是他们真的没想到！
　　在早期，GPU的作用只是为了加速图形渲染，各大厂商们认为它就是一个图形专用计算芯片，并没有想到把GPU用在其它通用计算方面。至于拿来做深度学习？以那个年代的AI能力，一是没有太大的必要，二是也没有人觉得它有用。
　　英伟达深度学习团队的布莱恩在聊到CUDA时这么说道：
　　在CUDA推出十年以来，整个华尔街一直在问英伟达，为什么你们做了这项投入，却没有人使用它？他们对我们的市值估值为0美元。
　　不过说没人用也是过于严重了。
　　其实早在2012年，多伦多大学的AlexKrizhevsky就在ImageNet计算机视觉挑战赛中，利用GPU驱动的深度学习击败了其它对手，当时他们使用的显卡是GTX580。
　　在这之后又经过了4年，那些搞深度学习的人才突然意识到，GPU的这种设计结构方式，在训练AI的速度上，真的是CPU不能比的。而拥有了CUDA原生支持的英伟达GPU，更是首要之选。
　　到现在，资本们已经看到了AI的重要之处，为什么大家都还在卷AI模型，而不去卷老黄的市场呢？
　　原因在于，它们已经很难再拿到AI加速芯片的入场券了。在人工智能产业上，整个深度学习的框架已经是老黄的形状了。
　　AI发展的数十年间，英伟达通过对CUDA开发和社区的持续投入，CUDA和各类AI框架深度绑定。
　　当今使用排行靠前的各类AI框架，就没有不支持CUDA的，也就是说你想要让你的深度学习跑的快？买张支持CUDA的高性能卡是最好的选择，说人话就是买N卡吧。
　　当然，在CUDA大力发展期间，也有其它公司在尝试着打破英伟达这种接近垄断的局面。
　　2008苹果就提过出OpenCL规范，这是一个统一的开放API，旨在为各种不同的GPU型号提供一个规范，用以开发类似CUDA的通用计算软件框架。
　　但是，通用就意味着不一定好用。
　　因为各大厂商GPU的型号繁而复杂，为了适应各种硬件，驱动版本也多如牛毛，质量参差不齐。而且缺少对应的厂商进行针对性的优化，所以，无论是哪一个版本的OpenCL，在同等算力下，都比不过使用CUDA的速度。
　　而且恰恰是因为OpenCL的通用性，想要开发支持OpenCL的框架，要比开发CUDA的复杂不少。原因还是同一个，缺少官方的支持，看看英伟达对CUDA开发的工具支持吧，CUDAToolkit，NVIDIAGPUComputingSDK以及NSight等等。
　　OpenCL这边，就略显寒酸了
　　这就导致如今能支持OpenCL的深度学习框架寥寥无几。
　　举个很简单的例子，当下最火的框架PyTorch，就连官方都没有专门对OpenCL进行支持，还得靠着第三方开源项目才能用。
　　那同为显卡供应商的AMD，在面对老黄如日中天的CUDA时，除了OpenCL，有没有自己的解决办法呢？
　　方法确实是有，但效果也确实不咋的。2016年AMD发布了全新的开放计算平台ROCm，对标的就是英伟达的CUDA，最关键的一点是，它还在源码级别上对CUDA程序进行支持。
　　你看，就算是老黄的死对头AMD，想的也不是另起炉灶，而是降低自己适配CUDA的门槛
　　但是，时至今日，ROCm依然还是只支持Linux平台，可能也是用的人太少了，有点摆烂的味道，毕竟，既然你支持CUDA，那我为什么要费尽心力去给你的ROCm专门编写一套支持框架呢？
　　同年，谷歌也有了行动，但毕竟不是芯片制造商，谷歌只是推出了自己的TPU平台，专门针对自家的TensorFlow框架进行优化，当然原生支持的最好的也只有TensorFlow了。
　　至于英特尔那边，也推出了一个OneAPI，对标老黄的CUDA，不过由于起步较晚，现在还处于发展生态的环节，未来会怎样还不太好说。
　　所以靠着先发优势还有原生支持，导致现在的深度学习，基本上离不开英伟达的GPU和他的CUDA。
　　最近大火的ChatGPT，就用了老黄的HGX主板和A100芯片，而老黄对此也是很有自信的说道：
　　现在唯一可以实际处理ChatGPT的GPU，那就只有我们家的HGXA100。
　　没错，没有其它可用的了，这就是老黄的有恃无恐。
　　而随着OpenAI对大模型AI的成功验证，各家巨头对大模型AI的纷纷入局，英伟达的卡已经立马成了抢手货。
　　所以如今的AI创业公司，出现了一件很有意思的现象，在他们的项目报告上，往往会搭上一句我们拥有多少块英伟达的A100。
　　当大家在AI行业纷纷投资淘金时，英伟达就这样靠着给大家卖水提供AI加速卡，大赚特赚，关键还在于，只有它卖的水能解渴。
　　因为它的硬件以及工具集，已经能影响到整个AI产业的战局和发展速度了。
　　更可怕的是，英伟达的优势已经形成了一种壁垒，这壁垒厚到就连全球第二大GPU厂商AMD都没有办法击穿。
　　所以在AI大浪滔天的现在，能整出属于自己的AI大模型固然重要，但差评君却觉得，啥时候能有自己的英伟达和CUDA也同样不可小觑。
　　当然，这条路也更难。
　　最后，差评君觉得在未来，我们需要抓紧突破的，绝对不只是对人工智能大模型相关的研究，更为重要的是整个计算芯片的设计，制造，以及AI生态的建设。
　　新的工业革命已经到来，AI技术的发展不仅加速了人类生产力的发展，也加速了那些落后产能的淘汰，现在各行各业都处在变革的前夕。
　　强者越强，弱者无用。虽然这句话很残酷，但在AI领域，如果不奋力追上，可能真的已经不需要弱者了。