在人工智能高速发展的时代，算力成本与计算效率成为行业关注的焦点。英伟达CEO黄仁勋在GTC大会上的发言揭示了一个核心观点：更快的芯片是降低AI成本的最佳途径。这一判断不仅关乎硬件性能的提升，更深刻反映了芯片技术演进对AI产业经济性的影响。
更快的芯片如何降低AI成本？
更快的芯片能够降低AI成本，主要体现在三个方面：
1. 数字切片技术，提高并发能力
高性能芯片支持数字切片（Digital Slicing），可同时为数百万用户提供AI服务。传统芯片架构下，计算资源的分配较为粗放，利用率较低。而数字切片技术则能够精细划分芯片资源，实现高效并发处理。例如，在图像识别或语言翻译等大规模任务中，更快的芯片能并行处理更多请求，减少任务排队时间，提高计算吞吐量，从而摊薄单次AI调用的成本。
2. 减少硬件需求，降低基础设施成本
计算性能的提升意味着处理相同任务所需的芯片数量减少。AI模型的推理和训练通常需要庞大的计算集群，而更快的芯片可以在更短时间内完成相同运算量，进而减少服务器采购成本。同时，芯片数量减少也意味着机房的冷却、电力供应等基础设施投入下降，进一步优化数据中心的运营开支。
3. 优化系统架构，提高计算效率
更快的芯片通常伴随着更先进的架构设计、数据传输速度和并行计算能力，进一步提升系统效率。例如，采用高带宽内存（HBM）、片上网络优化（NoC）等技术，可减少数据在芯片内部和外部的传输延迟，使计算资源得到最大化利用。
图：黄仁勋在GTC AI大会上发表主题演讲时介绍新产品（图源：CNBC）
Blackwell Ultra系统：算力提升的典型代表
英伟达最新推出的Blackwell Ultra系统正是更快芯片降低AI成本的典型案例。据悉，该系统可为数据中心带来比Hopper架构高50倍的收入，其核心优势在于架构创新与极致性能优化。尽管目前官方并未披露具体技术细节，但可以推测，Blackwell Ultra在以下方面进行了重大升级：
更先进的多核架构：可能采用更强的并行计算单元，使不同核心间高效协作，提升深度学习任务的计算效率。例如，在处理Transformer模型时，可加速矩阵运算和梯度更新，优化训练速度。
更快的数据传输：高带宽互连和优化的内存管理有助于减少数据传输瓶颈，确保计算单元始终处于高效工作状态，避免资源闲置。
更强的任务并行能力：可同时处理多个AI任务，或将单一复杂任务拆分为多个子任务并行执行，大幅缩短推理时间，提高数据中心整体吞吐量。
市场反响：Blackwell GPU需求激增
市场对Blackwell Ultra系统的认可可从GPU采购量中得到印证。四大云服务提供商已订购360万个Blackwell GPU（按照英伟达新计数方式，每颗Blackwell GPU计算为两个），远超上一代Hopper GPU的130万颗。这一增长不仅反映了市场对新架构的期待，也进一步佐证了更快芯片在降低AI计算成本、提升数据中心经济效益方面的价值。
结语
更快的芯片不仅是提升AI效率的关键，也是降低算力成本的根本途径。Blackwell Ultra系统的问世，正推动数据中心的经济模式发生变革。随着芯片技术的持续突破，未来AI计算将迈向更高效、低成本的新时代。
