近期，特斯拉又对外放出自动驾驶新成果。
8月29号，马斯克驾驶一辆Model S，直播45分钟以展示特斯拉FSD 12测试版，吸引了至少1200万人观看，甚至知名科技博主Robert Scoble表示：世界从今晚开始改变。
在直播中，FSD 12测试版实现了全AI端到端的驾驶控制，仅有一次人为干预接管。马斯克表示，FSD 12的行为是大量视频训练的结果，AI可以自己学习驾驶，像人一样判断驾驶路况。另外，马斯克透露正在筹备一个新算力集群，其中包含1万颗英伟达H100。
由此可见，自动驾驶背后所需AI算力之海量。其中作为算力底座的AI芯片至关重要。
视角转回国内，当前国内AI芯片发展如何?
大模型训练芯片缺口较大
在介绍国产AI芯片技术发展情况之前，我们先需要弄明白大模型算力应用在哪。
以自动驾驶为例，算力应用分为训练和推理两个阶段。
打个比方，人类为了掌握开车技术，需要上百个小时不断学习，巩固成为长期记忆，才能学会操作汽车、学会看道标。这个过程就对应着自动驾驶云端训练，用算法模拟人类神经网络，让机器近乎学会人类的思考方式。为了让自动驾驶在任何场景都稳定可靠，训练过程需要输入海量数据，在这个过程中存在大量并发计算，需要TFLOPS(每秒万亿次)级别的算力提供支持。
例如，在国内，小鹏汽车为了训练自动驾驶模型，2022年8月与阿里云联合成立了当时国内最大的自动驾驶智算中心，算力规模高达600PFLOPS，相当于每秒可以完成60亿亿次的运算。小鹏汽车董事长何小鹏认为，“如果现在不以智算中心的方式提前储备算力，今后5年内，企业算力成本会从亿级，加到数十亿级。”
在云端训练完自动驾驶模型后，才到车端感知、决策推理环节。
再打个比方，人类学会开车后，还需要进行科一到科四的考试，通过考试才能拿到驾照。而考试考的是什么?是驾驶员感知、决策、执行的能力。这就对应着自动驾驶推理过程，即自动驾驶经过模型训练后，车载计算平台再结合实时路况做出判断。
因此，当下AI芯片视应用场景不同，也分为训练芯片、推理芯片、训推一体芯片。其中需求最旺盛的即是训练芯片。
GPGPU和ASIC技术路线齐头并进
对于训练芯片，目前主要分为GPGPU和ASIC两类技术路线。
GPGPU是从GPU衍生而来，是弱化图形处理，增强计算能力的产物。模型在训练过程中，存在大量的矩阵计算，GPU架构特点即在于擅长处理并行计算，因此GPGPU芯片可适合绝大多数AI计算场景，通用性更强。当前AI芯片霸主-英伟达的主要产品A100、H100等，就属于GPGPU架构。
目前，国内投入GPGPU芯片领域的厂商较少，原因在于GPGPU研发需要有充足的技术和资金储备。知名的有海光信息、壁仞科技、沐曦等，其中较为领先的为海光。
海光深算一号早在2022年6月就实现了商用。据了解，海光深算一号性能不弱于主流的英伟达芯片，也能兼容英伟达的CUDA环境，适配性好。并且最大优势在于，深算一号是国内唯一支持全精度计算的AI芯片，这让海光可支持科学计算、AI计算、大数据计算等多种计算场景。
另一类技术路线为ASIC，一种为特定场景专门设计的集成电路，比如NPU。在AI算法领域，卷积神经网络是仿造生物的视知觉机制构建而成，是深度学习的代表算法之一。为满足深度学习效率需求，随着AI算法发展，模仿生物脑神经的NPU应运而生。
由此可看出，ASIC芯片需要结合大模型算法做定向开发和调配，通用性没有GPGPU那么强。国内主要在做ASIC芯片的包括寒武纪、华为昇腾等，以及一些互联网大厂，比如阿里含光、百度昆仑芯、腾讯紫霄等等，其性能也能满足大多数计算场景的需要。在大模型计算日益复杂的今天，由CPU+GPGPU+ASIC组成异构计算系统成为算力供给最佳方案，绝大多数AI算力还是需要依靠GPGPU供给。
国产AI芯片商业化应用还需努力
其实综上来看，国内AI芯片设计水平与国外差距不大，在性能方面也足以替代国外AI芯片。不过评判国产AI芯片产品发展好坏，不止是从设计到量产维度考量，能否大规模商业化应用也是较为重要。
比如提到的国内ASIC芯片，基本只用于自家云业务，对外提供芯片产品也需要庞大团队的深度优化。主要原因一方面在于之前提到过的，ASIC芯片从研发之初就需要考虑算法适配情况;另一方面，ASIC芯片生态较为碎片分散，开发者上手难度较高。
相较于ASIC厂商，得益于GPGPU泛用性优势，GPGPU厂商商业化应用做的更好一些。以海光为例，据其官方透露，海光深算一号目前已完成与百度、阿里等厂商互证，主要客户是智算中心等“新基建”项目、行业用户、AI厂商及互联网企业，已商业化部署数十万片。
在国内自动驾驶、AIGC、垂直大模型等AI应用愈发火热的今天，国产AI芯片有希望撑起海量AI算力的需求。在解决性能问题之后，国产AI芯片面对国外巨头是有弯道超车可能性的，虽然未来仍需在生态建设与商业化发展方面大步追赶。