快20倍 还便宜！NVIDIA GPU的“掘墓人”出现了？

芯片初创公司Etched近日宣布推出了一款针对 Transformer架构专用的AISC芯片 “Sohu”，并声称其在AI大语言模型（LLM）推理性能方面击败了NVIDIA最新的B200 GPU，AI性能达到了H100的20倍。

这也意味着Sohu芯片将可以大幅降低现有AI数据中心的采购成本和安装成本。目前，Etched公司已就其Sohu芯片的生产与台积电4nm工艺展开直接合作，并且已从顶级供应商处获得足够的 HBM 和服务器供应，以快速提高第一年的生产能力。一些早期客户已经向Etched公司预订了数千万美元的硬件。

一、AI性能超过NVIDIA H100的20倍，是如何做到的？

据Etched公司介绍，Sohu是世界上第一个基于Transformer架构的ASIC。

根据Etched公司披露的数据显示，一台配备了8颗Sohu芯片的服务器每秒可以处理超过 500,000 个 Llama 70B Token，达到了同样配备8张NVIDIA H100 GPU加速卡的服务器的20倍。

同样，也远远超过了配备8张NVIDIA最新的B200 GPU加速卡的服务器约10倍。

△基准测试针对的是 FP8 精度的 Llama-3 70B：无稀疏性、8x 模型并行、2048 输入/128 输出长度。使用 TensorRT-LLM 0.10.08（最新版本）计算的 8xH100，8xGB200 的数字是估算的。

Etched公司表示，Sohu速度比NVIDIA的最新一代Blackwell架构的B200 GPU还要快一个数量级，而且价格更便宜。可以帮助客户构建 GPU 无法实现的产品。

不过，这里还是要强调以下，虽然Sohu的AI性能要比NVIDIAGPU更好，但这是有一个前提的，因为Sohu是专为基于Transformer架构的大模型定制的，所以其也仅支持基于Transformer架构的大模型加速。

“通过将Transformer架构集成到我们的芯片中，虽然无法运行大多数传统的 AI 模型，比如为 Instagram 广告提供支持的 DLRM、像 AlphaFold 2 这样的蛋白质折叠模型、像 Stable Diffusion 2 这样的旧的图像模型，以及CNN、RNN 或 LSTM等模型，但是针对基于Transformer架构的大模型，Sohu将是有史以来最快的AI芯片，没有哪个芯片能够与之匹敌。”Etched公司说道。

1、更高的计算利用率

由于Sohu只运行Transformer这一种类型的算法，因此可以删除绝大多数控制流逻辑，从而拥有更多数学计算逻辑。因此，Sohu的 FLOPS 利用率超过 90%（而使用 TRT-LLM 的GPU上 FLOPS 利用率约为 30%）。

虽然NVIDIA H200 拥有 989 TFLOPS 的 FP16/BF16 计算能力（无稀疏性），这无疑是非常强大的，甚至比谷歌的新 Trillium 芯片还要好。

但NVIDIA已经发布的B200的计算能力仅高出25%（每个芯片 1,250 TFLOPS）。这是由于 GPU 的绝大部分区域都用于可编程性，因此专注于 Transformer 可以让芯片进行更多的计算。

比如，构建单个 FP16/BF16/FP8 乘加电路需要 10,000 个晶体管，这是所有矩阵数学的基石。NVIDIA H100 SXM 有 528 个张量核心，每个都有4 x 8 × 16FMA 电路。

因此，NVIDIA H100 有 27 亿个专用于张量核心的晶体管。但是 H100 拥有 800 亿个晶体管！这意味着 H100 GPU 上只有 3.3% 的晶体管用于矩阵乘法！

这是NVIDIA和其他灵活的 AI 芯片经过深思熟虑的设计决定的。如果想要支持所有类型的模型（比如CNN、LSTM、SSM 等），那么没有比这更好的设计了。

而Etched公司的Sohu芯片仅支持运行Transformer架构的AI大模型，这使得其可以在芯片上安装更多的 FLOPS，且无需降低精度或稀疏性。

2、提升内存带宽利用率

通常来说，AI推理会受到内存带宽的限制，计算的限制相对较小。但是事实上，对于像Llama-3这样的现代模型来说，需要更高的计算力来提升带宽的利用率。

如果使用NVIDIA和 AMD 的标准基准：2048 个输入标记和 128 个输出标记。大多数 AI 产品的提示比完成时间长得多（即使是新的 Claude 聊天应用在系统提示中也有 1,000 多个标记）。

在 GPU 和Sohu上，推理是分批运行的。每个批次加载一次所有模型权重，并在批次中的每个标记中重复使用它们。

通常，大语言模型输入是计算密集型的，而输出是内存密集型的。当我们将输入和输出标记与连续批处理相结合时，工作负载变得非常计算密集型。

以下是大语言模型连续批处理的示例。这里我们运行具有四个输入标记和四个输出标记的序列；每种颜色都是不同的序列。

我们可以扩展同样的技巧来运行具有 2048 个输入标记和 128 个输出标记的 Llama-3-70B。让每个批次包含一个序列的 2048 个输入标记和 127 个不同序列的 127 个输出标记。

如果我们这样做，每个批次将需要大约(2048 + 127) × 70B params × 2 bytes per param = 304 TFLOPs，而只需要加载70B params × 2 bytes per param = 140 GB模型权重和大约127 × 64 × 8 × 128 × (2048 + 127) × 2 × 2 = 72GBKV缓存权重。这比内存带宽要多得多。

NVIDIA H200需要6.8 PFLOPS的计算才能最大限度地利用其内存带宽。这是在100%的利用率下——如果利用率为30%，将需要3倍的计算量。

由于Sohu拥有如此之多的计算能力且利用率极高，因此可以运行巨大的吞吐量而不会出现内存带宽瓶颈。

3、软件问题不再是一场噩梦

在 GPU 和 TPU 上，通常软件开发是一场噩梦。处理任意 CUDA 和 PyTorch 代码需要极其复杂的编译器。第三方 AI 芯片（AMD、英特尔、AWS 等）在软件上总共花费了数十亿美元，但收效甚微。

但由于Etched公司的Sohu只运行Transformers，因此开发人员只需要为 Transformer 编写软件！

大多数运行开源或内部模型的公司都使用特定于 Transformer 的推理库，如 TensorRT-LLM、vLLM 或 HuggingFace 的 TGI。

这些框架非常僵化 ——虽然你可以调整模型超参数，但实际上不支持更改底层模型代码。但这没关系，因为所有 Transformer 模型都非常相似（甚至是文本/图像/视频模型），调整超参数就是你真正需要的。

虽然这支持了 95% 的 AI 公司，但最大的 AI 实验室还是采用定制化。他们有工程师团队手动调整 GPU 内核以挤出更多的利用率，逆向工程哪些寄存器对每个张量核心的延迟最低。

Etched公司表示，“有了Sohu，您不再需要进行逆向工程。因为我们的软件（从驱动程序到内核再到服务堆栈）都将是开源的。如果您想实现自定义转换器层，您的内核向导可以自由地这样做。”

4、成本优势

对于目前的AI基础市场运营商来说，NVIDIA的AI GPU是最为高昂的一项投资，其H100 80G版本的价格高达3万美元，即便是便宜的英特尔Gaudi 3 的价格也要15,650美元左右。

现在一座大型的AI数据中心的建设已经达到了数百亿美元，甚至传闻微软和OpenAI正计划推出被称为“星际之门”（Stargate）的AI超级计算机，用来为OpenAI提供更强的算力支持，该项目的总成本或将超过1150亿美元。显然，这当中NVIDIAAI GPU将会占据相当大的一部分成本。

并且这些高能耗的GPU还将会带来庞大的能源供应支出（按照现有的发展速度，很多地区的能源供应已经不足以支撑大型AI数据中心的建设）互联支出和散热支出。

如果一颗Etched的Sohu芯片就能够代替20颗NVIDIA H100芯片，那么这无疑将会带来巨大的采购及建设成本和运营成本的降低。

二、专用芯片替代GPU已不可避免

在Etched看来，近年来虽然GPU性能得到了增长，但是实际上并没有变得更好，因为主要是通过更先进的制程工艺以及更大的芯片面积来实现的。

近四年来，GPU芯片单位面积的计算能力 (TFLOPS) 几乎保持不变。比如NVIDIA的GB200、AMD的MI300、英特尔的Gaudi 3 和亚马逊的Trainium2 几乎都将两块芯片算作称一张加速卡，以实现“双倍”性能。

面对越来越庞大的大语言模型对于AI算力需求的快速增长，GPU芯片在摩尔定律放缓以及单位面积AI算力提升放缓的背景之下，已经难以满足需求，因此提高性能的唯一方法就是采用专用芯片。

Etched公司指出，在Transformer架构的模型统治世界之前，许多公司都构建了灵活的 AI 芯片和 GPU 来处理数百种不同的算法模型。

比如：NVIDIA的GPU、谷歌的TPU、亚马逊的 Trainium、AMD的MI系列加速器、英特尔的Gaudi加速器、Graphcore 的 IPU、SambaNova SN 系列芯片、Cerebras的CS系列晶圆级AI芯片、Groq的GroqNode、Tenstorrent 的 Grayskull、D-Matrix 的 Corsair、寒武纪的思源等。

但是几乎没有厂商制造过专门针对Transformer架构算法的专用 AI 芯片 (ASIC)。因为一个芯片项目至少将花费 5000 万到 1 亿美元，需要数年时间才能投入生产。

如果真的一个特定算法模型推出专用的AI芯片，很可能在这期间由于新的更优秀算法架构出现，而使得原来的专用的AI芯片不再有效，这将会没有市场。

但是现在情况变了，Transformer 架构的算法模型市场规模正在迅速增长。在 ChatGPT 出现之前，Transformer 推理的市场规模约为 5000 万美元，而现在已达到数十亿美元。

所有大型科技公司都使用 Transformer 架构的模型，比如OpenAI、谷歌、亚马逊、微软、Meta 等。

另外，AI算法经过多年的发展，已经开始出现架构上的融合趋势。AI模型过去发展很快，因此可能每个几个月就会有新的AI模型出来。

但是自GPT-2以来，最先进的模型架构几乎保持不变，不论是OpenAI 的 GPT 系列、Google 的 PaLM、Facebook 的 LLaMa，甚至 Tesla FSD 都是基于Transformer架构。

△基于Transformer架构的模型惊人地相似。诸如 SwiGLU 激活和 RoPE 编码之类的调整被广泛应用于LLM、嵌入模型、图像修复和视频生成。

△虽然 GPT-2 和 Llama-3 是相隔五年的最先进的 (SoTA) 模型，但它们的架构几乎相同，唯一的主要区别是规模。

在此背景之下，如果算法模型架构开始趋于稳定，那么想要进一步提升算力，专拥的ASIC芯片将会是很好的选择。

特别是在目前基于GPU的AI训练和推理基础设施成本超过100亿美元时，这样高昂的成本的压力之下，专用的AISC是不可避免的，因为1%的改进就足以覆盖专用AISC的成本。

事实上，在特定算法模型上，ASIC 的速度可能会比 GPU 快几个数量级。比如，当针对比特币矿机的AISC芯片于 2014 年进入市场时，传统的利用GPU 来“挖矿”的做法很快被抛弃，因为使用AISC比使用GPU来挖掘比特币更便宜。

显然，在AI算法模型基础架构开始趋于稳定，GPU算力提升遭遇瓶颈以及成本越来越高的情况下，人工智能领域可能也将会发生同样的事情。这也正是Etched公司下重注推出基于Transformer架构专用的AISC芯片 “Sohu”的原因。

三、对于未来的一场豪赌

与NVIDIA等头部的AI公司一样，Etched公司也预测，在五年内，AI模型在大多数标准化测试中将变得比人类更聪明。

Etched公司进一步指出， Meta训练的 Llama 400B（2024 SoTA，比大多数人类都聪明）所用的计算量，比 OpenAI 在 GPT-2（2019 SoTA）上所用的计算量要高出 50,000 倍。通过为人工智能模型提供更多计算力和更好的数据，它们会变得更聪明。

规模化将是未来几十年来唯一持续有效的秘诀，每家大型人工智能公司（谷歌、OpenAI / 微软、Anthropic / 亚马逊等）都将在未来几年投入超过 1000亿美元来保持规模的增长。我们正处于有史以来最大规模的基础设施建设中。

OpenAI 首席执行官Sam Altman此前就曾表示：“规模化确实是一件好事。当我们在太阳周围建造出戴森球时，我们就可以讨论是否应该停止规模化，但在此之前不能停止。”

Anthropic 首席执行官 Dario Amodei也表示：“我认为 （我们）的规模可以扩大到 1000 亿美元，我们将在几年内实现这一目标。”

不过，如果按照现在的AI数据中心算力，再扩大 1,000 倍，将会面临非常昂贵的成本。下一代数据中心的成本将超过一个小国一年的GDP。按照目前的速度，现有的硬件、电网和资金投入都跟不上需求。

Etched公司表示：“我们并不担心数据耗尽。无论是通过合成数据、注释管道还是新的 AI 标记数据源，我们都认为数据问题实际上是推理计算问题。Meta CEO Mark Zuckerberg、Anthropic CEO Dario Amodei、 Google DeepMind CEO Demis Hassabis 似乎都同意这一观点。”

基于这样的发展趋势，Etched公司认为，未来能够获胜的大模型一定会是那些能够在硬件上运行速度最快、成本最低的模型。

Transformer 功能强大、实用且利润丰厚，足以在替代方案出现之前主宰每个主要的 AI 计算市场。

目前，Transformer 正在为每款大型 AI 产品提供动力：从代理到搜索再到聊天。很多AI 实验室已投入数亿美元进行研发，以优化 GPU 以支持 Transformer。

并且当前的和下一代最先进的大模型也都是 Transformer架构的。

随着这些大模型的规模在未来几年内所需要的硬件资源从 10 亿美元扩大到 100 亿美元，再到 1000 亿美元，测试新架构的风险也随之飙升。

与其重新测试缩放定律和性能，不如花时间在 Transformer 之上构建功能，例如多标记预测等。

当今的很多软件堆栈也针对 Transformer 进行了优化。每个流行的库（TensorRT-LLM、vLLM、Huggingface TGI 等）都有用于在 GPU 上运行 Transformer 架构模型的特殊内核。

许多基于Transformer 构建的功能在替代方案中不易获得支持（例如推测解码、树搜索）。

所以，未来的硬件堆栈也将持续针对 Transformer 进行优化。比如，NVIDIA的 GB200 特别支持 Transformer（TransformerEngine）。

在Etched公司看来，Transformer架构就是未来，“如果我们猜对了，Soho将改变世界。这就是我们下注的原因。”Etched公司在网站上写道。

在2022年的时候，Etched公司就已经开始下注，开始研发基于Transformer架构的Sohu芯片，当时ChatGPT还没有推出，图像和视频生成模型是 U-Nets，自动驾驶汽车由 CNN 驱动，而 Transformer 架构并未无处不在。显然这是一场豪赌。

虽然现在看来，Sohu可以支持所有的Transformer架构的AI大模型，比如OpenAI的GPT、Sora，谷歌的Gemini、Stability AI公司的Stable Diffusion 3 等，但是在两年前，这些模型都还没有出现。

如果，Transformer架构的AI大模型没有成为主流，再加上无法支持CNN、RNN 、LSTM等传统模型以及SSM、RWKV 或其他的全新架构的AI大模型，那么Sohu将会毫无用处。

幸运的是，从目前来看，形势已经对Etched公司有利。从语言到视觉，每个领域的顶级模型现在都是基于Transformer架构的。

这种融合不仅验证了Etched公司下对了赌注，也有望使Sohu成为十年来最重要的硬件项目。

“像 Sohu 这样的 ASIC 芯片进入市场，标志着进入一条不归路。其他Transformer “杀手”要想成功，需要在 GPU 上的运行速度需要比 Transformer 在 Sohu 芯片上的运行速度更快。

如果发生这种情况，我们也会为此构重新建一个 ASIC！”Etched公司非常坚定的说道。

最后说一句，Etched公司的看法与芯智讯在多年前所写的《NVIDIA的AI盛世危机！》所表达的核心观点类似，即GPU并是不专为处理特定AI算法所设计的，其优势在于比其他AI芯片更通用，可以适应各种AI算法，但是当未来AI算法的演进开始趋于稳定时，那么届时专用的面向特定算法的更高效的ASIC芯片无疑将会更具优势。

现在越来越多的云服务厂商都有推出自研的云端AI芯片也正是顺应这一趋势。