绘图处理器(GPU)大厂NVDIA第1季数据中心业务成长较过去几年明显放缓。NVIDIA能否维持在人工智能(AI)领域的地位，Google TensorFlow Processing Unit (TPU)等定制芯片的出现会否威胁到NVIDIA在深度学习培训中的主导地位。

而英特尔(Intel)、超微(AMD)和该领域的所有新创公司能否追上NVIDIA，值得深入探讨。

据富比士(Forbes)报导，市场研调机构Moor Insights & Strateg分析师Karl Freund日前发表研究报告指出，NVIDIA在AI方面的惊人成长引发很多关注，并带来众多潜在对手，其中许多公司声称其研发中的芯片比NVIDIA的快10倍，而且功耗更低。而除了超微的GPU之外，所有公司都认为专为处理神经网络设计的芯片是条可行路线。

英特尔 英特尔(Intel)于2016年收购Nervana来建构其加速器产品组合。原始Nervana Engine应该在2017年发布，迄今仍无消息。在NVIDIA发表效能比Pascal高6倍的Volta TensorCores震惊各界后，Nervana可能决定调整其最初设计。Freund认为，首批量产的Nervana芯片可能会在2018年后期问世。

上面的讨论是关于训练深度神经网络(DNN)，这是NVIDIA在AI中取得很大成功的地方。然而，英特尔表示，通过将良好的软件设计与Xeon数据中心处理器配对，可在推论工作中实现出色的性能。该公司声称享有逾80%的推论处理市场市占。 Google TPU和其他内部ASIC Google有两种可用于AI的ASIC：一种用于推论，另一种用于培训。Google将TPU做为加速器推向市场。但实际上，它由4个相同的ASIC构成，每个提供约45TOPS。相较之下，NVIDIA Volta每个芯片提供高达125TOPS。随着时间推移，Google可能会将其大部分内部GPU工作转移到TPU。

超微 尽管超微在准备其软件堆叠好与NVIDIA争夺机器学习工作负载方面做得很好，但其当前Vega芯片在峰值效能方面比NVIDIA的Volta落后了一代。

新创公司 全球目前有10几家新创公司计划竞争机器学习工作量，其中有些已准备好推出芯片。大陆的寒武纪看起来资金充足，并获得大陆政府支持。

寒武纪专注于处理神经网络，而不是建构神经网络。 硅谷公司Wave Computing已推出能建构培训模型的芯片。Wave采用名为DataFlow Architecture的新颖设计，据称能消除传统加速器的瓶颈。Wave的数据流处理器不必使用CPU就能直接训练和处理神经网络。

与Google TPU不同，Wave支持微软CNTK、亚马逊(Amazon) MXNet和Tensorflow软件进行深度学习。 其他知名公司如Cerebras、GraphCore和Groq仍处于隐形模式，但已筹集大量资金来打造定制AI加速器，但应该要到2019年才会推出产品。

Freund认为，NVIDIA的最大威胁可能是Google TPU。Google可能会继续购买和使用许多GPU来处理TPU不太适合的工作负载，例如用于语言处理的递归神经网络。而Wave对不想使用公共云进行AI开发和部署，并且不希望自行设置自GPU基础设施的企业来说是不错的选择。

最后，英特尔若能借Nervana进入市场，且愿投资全力支持它，那么Nervana可能在2019年构成威胁。但Nervana需要至少3年的时间和坚实的路线图来发展1个可行的生态系统。 需要考虑的1个因素是，随着NVIDIA 7纳米制造技术的发展，NVIDIA将能为AI功能添加重要的芯片面积。因此，专注于AI的芯片区域百分比可能会增加，以至于这部分实际上成为也能显示图形的ASIC。

Freund不认为NVIDIA是1家GPU公司，而是1家对成长抱有无限渴望的平台公司。目前没有其他公司拥有NVIDIA在AI硬件和软件专业知识的上拥有NVIDIA的深度和广度。NVIDIA若预见来自超微、英特尔或ASIC的威胁，大可设计出更好的AI芯片。 NVIDIA已通过深度学习加速器(DLA)做到这一点。GPU若受到威胁，NVIDIA能够也将转向下一步。

与此同时，它在AI培训芯片方面有明显的成长和市场领先地位。在推论处理方面，NVIDIA专注于数据中心工作负载及用于自驾车等应用的视觉引导系统。汽车市场在未来几年虽然规模仍然有限，但Freund毫不怀疑它最终会带来显著成长。