登临科技联合创始人王平：创新+自研“双核”驱动，GPU+赋能AI落地生根

人工智能的蓬勃发展带来了算力需求的指数增长。 摩尔定律和Dennard Scaling效应在CPU的性能提升上失效，针对于图形加速和高性能计算设计的GPU在 AI计算领域 略显乏力。 百花齐放的ASIC AI芯片虽然在某些方面有所改进，但也存在着应用场景局限、依赖自建生态、客户迁移难度大、学习曲线较长等问题。 通用图形处理器 GPGPU 在不断迭代和发展中成为了AI计算领域的最新发展方向。 技术发展，既要 兼容 现有AI软件生态，也要坚持 自主创新 。登临科技的 “GPU+”创新架构 应运而生，基于“GPU+”的首款芯片产品Goldwasser已在多个行业商业化落地。 为什么“GPU+”更适合解决高性能与通用性等AI计算难题？众人瞩目的“GPU+”架构的核心竞争力在哪里？使用“GPU+”架构的芯片能够有多强大？ 围绕GPGPU在人工智能领域的创新技术，登临科技联合创始人王平在「量子位·视点」直播中分享了他的从业经验和观点。 以下根据分享内容进行整理： 登临科技是目前国内首个实现规模化商业落地的GPU企业，登临“GPU+”已经在安防、交通、医疗、金融、能源、电力、智能驾驶、互联网等多个行业实现了商业落地。登临GPU+的主要特点是是低碳、能效比高，在客户侧用登临产品替换原先加速卡的比率很高。 我们独特的“GPU+”的架构，可以在硬件上兼容支持CUDA/OpenCL这样主流的语言以及主流AI框架，并且针对AI计算我们做了深度优化，相对于传统的GPU架构，GPU+经实测有三倍以上的能效提升。我们采用并坚持的路线是，核心技术完全自主研发。

在这个过程中，我们首先解决的问题是什么呢？就是 算力 。 算力，其实解决的是我们现在比较新的一个概念——数字经济。数字经济，从经济学的角度来讲，是指人们通过大数据（这里主要是经过数字化的知识和信息），进行识别—选择—过滤—存储—使用，实现资源的快速优化配置与再生，实现经济发展的经济体形态。 在这个经济形态里，核心就是数据。数据是数字经济的矿石，而这个矿石具有相当高的含金量，要获得其中的“金”，就要像刚才提到的一样进行识别选择，需要对它进行打磨或者挖掘——也就是在海量的、意义模糊的数据之中，实现数据的挖掘。 这样的过程中，算力工具，成为了整个数字经济的基础设施。它在大数据和智能化应用的这个年代，提供了重要的支撑作用。 类比于传统工业时代，例如汽车工业的驱动力是马力，那么在数字经济年代，数字经济的驱动力无疑是算力。人工智能领域对算力的需求，每年以指数级增长，而算力最基础的来源则是 计算芯片 。 计算芯片的重要性是毋庸置疑的，简单来说，芯片就是计算机。比如二十多年前，我上中学的时候，那时候提到计算机是386或者486，到现在的大规模并行计算的板卡甚至机器在以T4、A100直接指代，这在一定程度上是用芯片来代称计算机了。从本质上来讲，这些就是提供核心算力最主要的载体。 今天我们通过登临科技四年多的发展经历，以及产品化的路线，给大家介绍一下“登临芯”是如何做到规模化落地的。 “登临芯”是怎么创造出来的？ 芯片行业的特点在于，它是一个充分竞争的行业，俗称“老大吃肉老二喝汤”竞争残酷。 在这样残酷的市场竞争环境里创造一个好的产品，非常重要的，它不仅仅是一个好的技术，而是一个好的产品——“好”在于这个产品能够解决客户的问题，而不是仅仅去解决一个自己想解决的问题，或者我们所拥有的技术能解决的问题。 在登临成立之初，CEO李建文先生花了半年多时间走访了几十个客户，向大家了解对公司产品和产品相关技术架构的需求。针对于这些需求我们要如何解决？我们就需要 以创新为灵魂，以计算为突破口，以及坚持核心技术自主研发 。 在我个人看来，没有创新，就没有核心竞争力。登临科技从成立开始，我们就是用技术和产品说话。我们希望在商业市场上，产品能够为客户创造价值，为了达到这个目标，我们最核心、最有价值的东西，一定是要来自创新。因为只有这样，我们才能够达到很高的上限，最起码是要打败我们的竞争对手，否则我们不可能为客户创造出价值，我们自己也很难在这样残酷的市场里获得一席之地。 在一个竞争对手是国际巨头的赛道里，我们不能只是复制别人，或是引入落后技术。我们所做的处理器，回首过去几十年的发展历程，其技术是在不断迭代、持续演进的。不断的迭代、优化和创新，才能够让产品具有更强竞争力。 计算这个核心的部分，自研才是唯一的出路。只有自己掌控，才可以在系统的关键路径、硬件和软件，避免一些不可控的瓶颈和堵点，能够让自家可以提供一套完整的方案，也更容易设计并且优化一些客户方面面临的问题。 因为我们是全方位自己的架构，我们可以更深入地理解客户的痛点，并且通过一些 软硬件协同 的设计，能够定点地解决客户的问题，这样的方法能够实现我们客户的需求，同时也对我们的落地有更好的帮助。 继续分析算力这个问题。算力很重要，而且算力也在持续的增长之中，那么到了现在，算力的增长点在哪里呢？ 在我接触到电脑的时候，算力增长还相对比较容易，可以通过工艺的改进，在单核上提高CPU的频率，就可以简单地实现算力的增长。在单核走到上限的时候，还可以通过多核的堆砌，实现算力的提升。但是即使工艺仍然在改进，摩尔定律走到现在还是基本失效了，问题的已经是以功耗和散热为主要矛盾了。 随着工艺越来越小以及功耗的限制，Dark Silicon（暗硅）也就成了客观存在，这时候解决问题的思路已经不再是一味的多核，堆砌算力。 但是客户需要算力，需要更高性能更低功耗的算力。解决这个问题，对于我们而言，就是让我们开始思考如何用更有效的组合算力在功耗带宽这样的约束条件下，选择最适合的架构。