登录注册   忘记密码

Nvidia GPU 销量成长,抵抗竞争对手的压力

根据市场调查机构 Jon Peddie Research 所提出的最新报告指出,在 2017 年第 3 季,英伟达(Nvidia)的 GPU 销量较前一季成长了 29.53%。而在同一时期, AMD 的 GPU 销量则是成长了 7.63%,英特尔的 GPU 销量也成长了 5.01%。从这样的数据来看,GPU 的市场需求仍有增无减,而其中英伟达的成长幅度优于其他两家竞争对手,这或许也是使得 intel 与 AMD 两家竞争对手会联手进军市场的主因。

 

根据 Jon Peddie Research 公司的报告表示,在 2017 年第 3 季,除了需要使用高端 GPU 的游戏电脑陆续推出,使得 GPU 市场热络之外,还受惠于虚拟货币的价格高涨,使挖矿需求提升,带动了高端 GPU 的市场需求,这使得 Nvidia 与 AMD 的销售量与市占率都有所提升。就数字来看,在第 3 季,个人电脑的独立 GPU 应用已经到 39.55% 的市占率,而这个数字较上一季增加了 4.18 个百分点。

GPU-2017Q3.jpg

而就在第 3 季市场独立 GPU 使用成长的同时,Nvidia 的台式机独立 GPU 销量,就较上一季成长了 34.7%,而在笔记本电脑市场上,其独立 GPU 的销量也较上一季成长了 22.4%。整体而言,Nvidia 的个人电脑 GPU 销量较上一季增加了 29.5%。

amd1.jpg

另外,AMD 的桌上型 APU(加速处理器)的销量也较上一季成长了 7.1%,而笔记本电脑 APU 销售量也较上一季成长了 2.2%。至于,AMD 台式机 GPU 销量,则较上一季成长了 16.1%,笔记本电脑 GPU 销量也较上一季成长了 5.2%。整体而言,AMD 的所有 GPU 销量较上一季成长了 7.6%。

32752704054_15cea1462d_k-e1501472652388.jpg 

至于,英特尔虽然不生产独立 GPU,但是它的整合型 GPU 销量也出现了较上一季成长的情况。在台式机市场,英特尔的整合型 GPU 销量就比上一季增加了 5%,而笔记型整合型 GPU 销量也较上一季成长了 5.9%。总而来看,Nvidia 的 GPU 销量成长幅度仍是稳居市场第一,远远超过了 AMD 和英特尔的成长总合。


当市场需求攀升,少数供应商得到丰厚的获利时,更多的厂商即会相继投入抢夺市场,这是基本的经济运作。在AI加速器市场亦然,NVIDIA早期跨入此领域,由于企业和云端服务业者AI相关投资与日具增,NVIDIA的Tesla GPU需求畅旺,公司业绩也大进补。

 

NVIDIA在AI领域耀眼的表现引起其他科技大厂的注意,过去1年来包括英特尔(Intel)、超微(AMD)、富士通(Fujitsu)和Alphabet相继推出AI服务器加速器,或宣布准备进军市场。

 

随着市场竞争逐渐白热化,NVIDIA该如何维持竞争优势?这可以从比较NVIDIA的GPU和对手产品找到答案。服务器CPU与PC和移动CPU一样,仅能容纳少量相对强而有力的CPU核心,例如最强而有力的英特尔Xeon Scalable服务器CPU有28核。反观GPU可以有上千个小核心并行运作。也因此,对于不断地进行演算和推论的AI深度学习训练而言,GPU比CPU更适合。

 

推论算法不一定要求巨大的处理能力,GPU就可以应付这些任务,有鉴于此,NVIDIA试着让GPU在此获得更多的采用。不过,许多服务器端的推论工作仍然以英特尔的Xeon CPU为主。苹果(Apple)因隐私权的关系,偏好直接在iOS装置以AI算法处理用户数据。

 

然而,训练深度学习模型来创造算法解读数据,例如自动驾驶系统翻译信息或监测交通信号灯等都需要密集的运算,训练过程中,数千甚至数百万个人工神经元化分成许多“层”(layer,如输入层、隐藏层、输出层等)来负责不同的任务,以及和其他层的神经元沟通,以便判断数据分析后的结果是否无误,例如输入的影像是否为停车标志(stop sign)等。

 

比起不到30核心的CPU,AI研究人员利用多个拥有数千个核心的Tesla GPU来分担人工神经元的工作,训练深度学习模型将加快许多。深度学习演算是一种复杂的数学,而这正是NVIDIA的Tesla GPU擅长的领域,它还可以提供一个具有众多存储器频宽的模型,以及高速连结芯片来进行沟通。

 

但这并不意味着GPU是唯一适合训练深度学习模型的处理器,理论上芯片制造厂也可以开发一个配备数千个核心,专为处理深度学习演算而设计的特殊应用集成电路(ASIC),让它们能与存储器或其他ASIC快速沟通。

 

就长期而言,NVIDIA最大的竞争优势或许起步比别人早,围绕着Tesla GPU的AI生态系统已经成形。现在开发者逐渐习惯使用NVIDIA的CUDA GPU应用程式介面(API),以及深度软件开发套件的各种工具,包括cuDNN软件图书馆等。

 

然而美国投资研究机构晨星公司分析师Abhinav Davuluri看好其他解决方案更适合深入学习的推论部分。Davuluri表示英特尔有比NVIDIA更广泛的芯片选择,认为英特尔可以在推论阶段发挥更大作用,包括FPGA、协同处理器和特殊应用集成电路(ASIC)将会占据加速器市场,特别是在推论方面。Davuluri认为推论阶段不需要NVIDIA倡导的功能,而英特尔与赛灵思的FPGA可能更适用。

 

Davuluri指出,与在数据中心执行的人工智能大规模并行训练相反,智能手机、物联网或相关产品通常执行的是推论的连续计算。而推论工作负载可能会分散在更多处理器类型中,包括CPU、GPU、FPGA和ASIC。

 

高端智能手机专用处理器将加速如图像或语音识别等个别应用,同时减少CPU的功耗,从而延长电池使用寿命,如iPhone7使用集成到A10处理器中的图像信号处理器和GPU,来执行某些人工智能任务,然而对于未来的iPhone,传闻苹果使用神经引擎,仰赖的就是分立芯片。

 

另一方面,对于所有终端设备,尤其是物联网产品来说,使用专用加速器可能并不经济。因此,当性价比不是主要考量,可能会在CPU上执行推论运算,而处理大量的推论运算时,就会如数据中心使用GPU、FPGA,或定制化芯片。


您的评论:

0

用户评价

  • 暂无评论