Meta每每落后對手竟是因為一枚芯片！GPU才是AI模型的“神”

ChatGPT大戰，Meta為何遲遲沒有動作？

就在今天，路透社記者挖出了一個大瓜，原因讓人瞠目結舌——相比谷歌、微軟等大廠，Meta跑AI時，用的竟然是CPU！

很難想象，在深度學習幾乎占機器學習半壁江山的時代，一個科技巨頭竟然能用CPU堅持這么久。雖然他們也曾嘗試過自研AI芯片，但最終遭遇滑鐵盧。

現在，ChatGPT引爆的生成式AI大戰打得昏天黑地，這就更加劇了Meta的產能緊縮。

用CPU訓練AI，Meta怎么想的？

Meta遲遲不肯接受用GPU的原因，令人匪夷所思。

GPU芯片非常適合AI處理，因為它們可以同時執行大量任務，從而減少處理數十億條數據所需的時間。然而，GPU 也比其他芯片更昂貴，英偉達控制著80%的市場份額，并在配套軟件上，也保持著絕對的領先地位。

直到去年，Meta在處理AI工作負載時，主要使用的還是CPU。CPU是計算機的主力芯片，幾十年來數據中心用的也是CPU，但它在AI工作上表現并不佳。

據悉，Meta還曾自研芯片，在內部設計的定制芯片上進行推理。但在2021年，Meta還是失望地發現，比起GPU，這種雙管齊下的方法速度更慢、效率更低。而且GPU在運行不同類型的模型上，遠比Meta的芯片更靈活。

而且，小扎決定All In元宇宙這一舉措，也直接榨干了Meta的算力。不管是AI的部署，還是威脅的應對上，都遭到了極大的削弱。

這些失誤，引起了前Meta董事會成員Peter Thiel的注意，隨后，他于2022年初辭職。

據內部人士透露，在離開前的一次董事會會議上，Thiel告訴小扎和高管們，他們對Meta的社交媒體業務太自滿，并且過分關注元宇宙了，這讓公司很容易被TikTok的挑戰所撼動。

AI為什么使用GPU而不是CPU？

隨著人工智能技術的快速發展，AI越來越多地使用GPU（圖形處理器）來加速計算，而不是傳統的CPU（中央處理器）。那么為什么AI使用GPU而不是CPU呢？


1、GPU的結構

GPU是專門用于并行處理的設備，具備大量的核心，可以同時處理數百個線程，而CPU則一般只有幾個核心，每秒能夠處理的線程數量較少。這就使得GPU比CPU更加適合于并行計算，使得訓練深度學習模型更高效。

舉個例子：如果你需要計算一個高清電影的每一幀畫面，CPU計算需要循環處理每個像素點，因為每個像素點都是單獨的。每個像素點計算需要幾個步驟，但是循環重復多少次，一個像素點的計算都是獨立的。但是，使用GPU可并行化處理每一個像素，這樣相當于在一秒鐘內同時處理數百個像素點，大大節省了時間。這就是GPU的并行處理能力的優越性。

此外，GPU還擁有高速緩存和顯存，而且顯存的容量比CPU要大得多，可以同時存儲大量的數據。AI訓練需要處理大量的矩陣和向量運算，這就需要大量的數據存儲和高速訪問，而GPU的顯存就能很好地滿足這個需求。

2、AI的特點

AI的訓練需要處理大量的數據，具有計算密集型特點，因此需要使用高性能的計算設備。另外，AI的模型越來越復雜，需要更多的計算資源才能完成訓練。而GPU的高性能和并行計算能力，正好解決了這個問題。

而CPU是為了兼容處理各種任務所設計的，因此具有處理多種語言和控制任務的優勢，對于AI訓練的計算密集型任務相對較弱。這就導致使用CPU來訓練AI需要更長的時間，并且更難以滿足計算資源的需求。

此外，隨著GPU技術的發展，GPU價格越來越實惠，越來越多的公司和個人都選擇使用GPU來訓練他們的AI模型。有些GPU甚至是搶占市場，一發布網即被購買一空。

綜上所述，AI使用GPU而非CPU是因為GPU具有并行處理、高性能以及更大程序的數據存儲空間等優越性能，能更好地滿足AI計算的要求。對于AI來說，選擇GPU訓練和應用，能大幅提高AI算法的效率和性能，從而更好地應用到各個領域中。

搭上人工智能的快車，GPU未來取代CPU？

AI人工智能、虛擬現實與自動駕駛等技術，近年來引起了很高的市場關注，成為當下科技領域和投資領域最為火熱的話題。特別是以深度學習為首的AI應用，因為AlphaGo在人機對戰中的大獲全勝，更是在全世界吹起一股AI風潮。

隨著科學技術的發展，GPU早已不是計算機當中最為基礎的“搬運工”，因為擅長大規模并發計算，所以GPU除了圖像處理，也越來越多地參與到計算當中來，在人工智能、金融學、密碼學、云服務等領域開始發揮越來越重要的作用。尤其是人工智能產業中，甚至成為行業內公認的“利器”之一。

GPU為何在AI應用當中嶄露頭角？楊旭東解釋說，除了機器學習的幫忙，深度學習的類神經演算法也在人工智能應用當中發揮著重要的作用。深度學習當中有一種技術叫“卷積神經網絡CNN”，這種網絡在數學上是許多卷積運算和矩陣運算的組合，恰恰和GPU本來能做的矩陣運算十分相似，因此深度學習就可以用GPU進行加速。

從2011年人工智能研究人員首次使用GPU為深度學習加速之后，GPU就開始在人工智能領域發揮巨大作用，這也讓GPU本身有了跨越式的發展。十年時間內，不僅在性能上提升了20多倍，市場規模也得到了大幅提升。有機構預測，到2027年，全球GPU市場規模有望突破2000億美元，從2020年到2027年，復合增長率有望高達33%。

因此有觀點認為，按照現在的發展速率，因為CPU處理器已經出現了性能過剩等問題，若干年以后，GPU有望取代CPU。而在2017年的某場會議當中，英偉達（NVIDIA）CEO黃仁勛也曾公開表示，摩爾定律已經失效，GPU最終會取代CPU。

摩爾定律是由英特爾創始人之一戈登?摩爾所提出，其主要內容為：集成電路（芯片）上可容納的晶體管數目，約每隔18至24個月便會增加一倍，性能也將提升一倍。

但近年來，隨著以智能手機處理器性能的過剩以及性能提升的放緩，摩爾定律開始受到越來越多的質疑。

“GPU很難取代CPU，甚至在未來很長一段時間都無法實現。”楊旭東對這樣的觀點給予了否認。他解釋說，這是因為從設計邏輯上來看，兩者就有著根本的區別，CPU要統籌控制整個系統，各種復雜的指令都要它來執行，GPU如果也要這樣做，自身就會變得復雜起來，連本職工作也無法完成了，所以GPU是無法取代CPU的。

“目前主流CPU晶體管數量在10億左右，而頂級GPU晶體管數量已經達到了100億甚至更多，所以CPU做不了GPU的事情，GPU也完成不了CPU的工作?！钡珬钚駯|強調，未來隨著制造技術進步和芯片的縮小，CPU和GPU架構之間將得到很好的融合。也就是說，CPU進一步強化處理數據模塊的能力，GPU也可以承擔更復雜的指令，最終促進計算機性能的大幅提升。