電子發燒友網報道（文/周凱揚）自研芯片在當下似乎已經成了一種潮流，無論是消費電子廠商、互聯網公司還是汽車廠商，都在拿自研芯片做文章。作為時刻都在與計算打交道的云端，自然也參與其中，甚至是先進工藝自研芯片的主力軍。

自研芯片能省下多少錢？

早在芯片產業有布局，或者以收購來掌握芯片設計實力的云服務廠商，幾乎都選擇了自研服務器芯片這條路線，比如亞馬遜、谷歌、阿里巴巴等等。自研芯片的范圍也從網絡芯片到通用計算的CPU，再到用于AI計算的ASIC芯片。

亞馬遜就靠著自研芯片省下了一大筆成本，這也是其他云服務廠商目前都沒能復制的成功。首先自研芯片通過架構上的創新，為其定制化實例提供了更高的性能，比如Nitro芯片靠卸載任務可以多省出兩個CPU內核；其次，對于某些特定的工作負載來說，自研芯片帶來了更容易把握的戰略控制以及硬件鎖定；最后，自然也省去了找第三方fabless設計公司的成本。

考慮到云服務廠商在硬件投入上的規模，以及亞馬遜作為全球第一大云服務廠商的體量，其中省下的成本還是相當龐大的。這也是亞馬遜走自研芯片可行的原因，其他云服務廠商或許能通過自研把設計成本壓下去，但制造成本絕對沒法像亞馬遜一樣壓這么低，這也是為何AWS過去能做到頻繁降價。

AI時代下自研芯片優勢有，但不多

亞馬遜在收購后，接連推出了Trainium和Inferentia這兩大訓練和推理加速器，并將其集成到自己的云端實例中去，以優異的性能為客戶提供高性價比的AI硬件方案。但這似乎并沒有為其在最近的AI熱潮中帶來優勢，反倒是微軟憑借英偉達的GPU率先以ChatGPT開啟了這場惡戰，谷歌的Bard也緊隨其后。

亞馬遜則選擇了與Hugging Face合作，作為其首選云供應商，用戶可以借助AWS上的先進工具，比如SageMaker托管服務，以及Trainium和Inferentia硬件，去訓練、微調和部署模型，從而為社區創造更加開放易用的AI。

但事實上是，這一合作激起的水花很快就被淹沒在了如傾盆大雨般落地的AI應用中。而且對于Hugging Face來說，他們想要打造的是開放式的生成式AI模型，也就是說其他廠商也都能從中獲益，也就是兩家共同提到的機器學習民主化。

況且在部署上，早在與亞馬遜合作之前，Hugging Face就已經在2022年與微軟Azure達成合作，在Azure的ML終結點上部署Hugging Face的機器學習推理服務。所以這次合作即便充分利用了亞馬遜的自研AI芯片，但給其帶來的優勢并不算大。無論是在性能還是在軟件生態上，現有的自研芯片都存在如鯁在喉的地方，而這不僅局限于亞馬遜這樣的大廠，不少初創AI芯片公司也都或多或少面臨這樣的困境。

結語

其實自研芯片也并非真的毫無靈活性可言，比如亞馬遜的Graviton和阿里的倚天710，雖說是自研芯片，但用到的畢竟還是Arm的Neoverse公版方案，還有不少第三方方案也是如此，比如英偉達的Grace、Ampere Computing的Altra等等。

這樣一來其實開發靈活性依然很高，比如英偉達為了給Grace做鋪墊，也對同類產品的軟件棧提供了支持。比如英偉達的HPC SDK全面支持AWS的Graviton 3，也支持對SVE和NEON的自動矢量化。而英偉達推出的Arm HPC開發套件，也是由Ampere的Altra Q80-30 CPU與A100 GPU組合打造的，與Grace芯片共用同一套軟件環境。

只不過在AI領域，這樣的自研路線優勢會更小一點，畢竟現在AI模型與算法發展迅速，自研GPU有著各種難以突破的專利壁壘，自研ASIC又存在迭代適應和軟件生態移植的問題。而這對于云服務廠商這種為客戶賦能更快產品上市速度的企業來說，或許在AI仍在快速演進的當下，GPU會是更優解，這也是云服務廠商即便選擇了自研AI芯片，主打的卻依然是GPU實例的原因。