2911
最大GPU提供商英伟达，业绩暴涨，市值屡创新高。就在全世界都瞩目英伟达如何继续打造GPU帝国时，英伟达CEO黄仁勋却在刚刚举办的GTC 2024上公开表示：“我们要做AI Foundry，就像台积电在整个半导体供应链所处的位置一样，我们要做整个AI产业的代工厂。”
对标台积电对整个半导体产业的价值逻辑，来看英伟达对整个AI产业的布局，这会开启更广阔的未来吗？
AI代工厂：英伟达的新故事
台积电以芯片代工模式进入全球半导体市场以来，每年以高额资本支出投入研发和先进制程技术。2023年，台积电一举成为全球营收最高的半导体公司，在它身上，充分展现了芯片代工优于对手的显著优势，以及精准业务模式长期做功的影响力。
再来看黄仁勋的最新定位，英伟达两万亿的市值新高度，也需要他继续引领转型和寻求更大的愿景空间。
在黄仁勋的全球媒体会上，<与非网>就“AI代工厂的长期目标和策略”进一步寻求了他的解读。黄仁勋表示：“AI代工厂的目标就是要构建软件AI，而不是把软件当做工具。很久以前，英伟达就创立了两个重要的软件，一个是Optics，也就是后来的RTX；另一个是cuDNN，这是一个AI库。”
黄仁勋提到的这两款软件——RTX奠定了英伟达在专业视觉计算领域的地位，cuDNN（NVIDIA CUDA深度神经网络库）则成为深度学习研究和框架开发实现高性能GPU加速的利器。
作为一家GPU芯片起家的硬件公司，英伟达身上的软件色彩一直很浓厚，多种多样的库（library）造就了英伟达在软件领域的根基。面向未来，黄仁勋又将如何构建软件AI的基础？
黄仁勋认为，“未来的库应该是微服务（Microservice）。因为未来的库不仅用数学描述，还可以用AI来描述。从命名上，过去的库是一系列的CU，比如CuLitho、CuDNN等，未来则会是一系列的NIM，它们是使用NVIDIA库的一种新方法。“
而之所以构建微服务，是因为黄仁勋看到了企业推理业务当前的痛点，以及未来的巨大潜力。
眼下有各种各样的模型：计算机视觉模型、机器人模型以及丰富的开源语言模型等等，这些模型极具开创性，但企业使用起来有难度：如何将模型部署到自己的应用中？模型又该如何封装和运行？
黄仁勋解释说：“推理其实是一种复杂的计算问题，企业该如何优化每一个AI模型？如何充分调度超级计算机的计算资源？如何才能快速高效地部署这些模型？面对这些问题，我们创造了用收发请求来进行软件开发的新方法。它实质上是把软件都集成到一个容器中，这个容器就是NVIDIA推理微服务（NIM）。”
NIM其实是一个经过预训练的AI模型，经过封装和优化，可以在庞大的NVIDIA部署环境中运行。因为模型都是预训练好的，因此知道什么是合理的输出。
进一步拆开NIM来看，如下图，在NVIDIA CUDA的部署环境中，上层还包括开源模型、合作伙伴专用模型以及英伟达所创建的模型，例如NVIDIA MoIMIM。这些模型封装在一起，包括对应版本的CUDA和cuDNN，支持分布式推理的NVIDIA TensorRT LLM，以及NVIDIA Triton推理服务器等。它可以根据实际情况进行优化部署，比如是单卡、多卡还是多节点，最终，都通过简单易用的API来实现调用。
“实际上，我们就是一家‘AI代工厂’，正如台积电为我们制造芯片一样，我们将为整个行业代工生产AI“，黄仁勋提出。
他解释说，作为‘AI代工厂’，英伟达的工作主要有三大块：第一，发明AI模型技术，运行AI模型并对其进行封装，也就是NIM；第二，提供模型定制开发工具，NeMo微服务可以帮助用户整理和准备数据，以便对AI进行初始训练。第三，提供基础设施，便于实现模型的微调和部署，用户可以部署在DGX cloud基础设施上，也可以部署在本地，或是他们需要的任何地方。
黄仁勋透露，英伟达已经在公司内部部署了NIM，创建了各个领域的聊天机器人作为工作助理，其中一个最重要的聊天机器人就用于芯片设计，来帮助英伟达提升芯片设计的效率。
“这些NIM是超级复杂的软件、性能很高。但它具备简单的API调用形式，这个API叫做人类。人们可以访问网站使用，也可以下载到本地电脑、PC，或是在其它云上、工作站、用户自己的数据中心……当运行这些库时，操作系统会进行授权，授权费用为4500美元/GPU/年，用户可以在上面运行任意多的模型”，黄仁勋表示。
事实上，这些微服务相当于为英伟达的全栈计算平台增添了新的一层，连接起了由模型开发人员、平台提供商和企业组成的AI生态系统。通过这些微服务，一方面，企业可以在自己的平台上创建和部署定制应用，同时保留对知识产权的完整所有权和控制权；另一方面，他们能够在CUDA环境中，通过标准化路径运行优化过的定制AI模型。
这就是 “AI代工厂”的精髓：强调专业化支持和资源共享、降低产业门槛、为AI高效率部署提供协助。
生成式AI驱动变革，英伟达重视推理
促使黄仁勋从根本上对未来业务进行梳理和思考的，根源上看应该是数据，是生成式AI的到来，使数据的产生和流转产生了本质的变化。
互联网时代，我们查询或获取数据的方式主要是检索，即：从数据集中检索数据、处理数据、然后传递数据。“未来，越来越多的数据将是基于生成的，而不是检索获得的。这一切其实已经在发生，我们现在打开手机获取到的信息，往往已经是基于推荐系统、以一种有意义的方式组合、处理后呈现出来的信息，这其中用到了大量计算，是与上下文相关的、是智能的”，黄仁勋解释说。
“未来，如果每一个像素、每一次交互都通过生成过程产生，每一次人机交互都是生成式的体验，那么，这将是一个巨大的机遇“，他说道。
这也就不难理解，为什么在今年的GTC上，“推理”被黄仁勋如此高频地提及——发布Blackwell新架构时，花了好几分钟介绍了它的推理表现；发布微服务时，着重介绍了推理微服务。当一家做云端生意的公司，大说特说推理业务时，是时代变了，还是时候到了？
对于企业来说，云端训练是一个烧钱的过程，相当于养娃，各种培训、补习班都是在砸钱。只有云端训练做得差不多了，娃能用学到的技能开始赚钱了，才能慢慢产生收益。对于AI来说，这就是通过推理业务进入市场的过程。
从公开信息来看，Blackwell 在单芯片训练方面的FP8性能是其上一代架构的2.5倍，在推理方面的FP4性能是其上一代架构的5倍。这使得最新的Blackwell 平台，具有对万亿参数大语言模型进行实时生成的能力。
此外，基于Blackwell和NVLink Switch新芯片，英伟达打造了一个多节点、液冷、机架级系统NVIDIA GB200 NVL72 。它能利用 Blackwell为万亿参数模型提供强力计算，在单个机架中可实现720 petaflops的AI训练性能和1.4 exaflops的AI推理性能。
同样以90天训练GPT-MoE-1.8T参数模型为例，Hopper系统需要8000个GPU，能耗15MW；而Blackwell GB200 NVL72系统，仅需要2000个GPU，能耗4MW，GPU数量和能耗约是上一代系统的1/4。
相同训练时间下，Blackwell平台展现了更高能效、可以挑战极限的能力。“我们必须弄清楚物理极限，达到极限，并要超越极限，而能源效率和成本效率是首要任务”，黄仁勋说。
写在最后
从加速计算先驱，到推动生成式AI变革，英伟达现在是一家全栈计算基础设施公司。
正如黄仁勋在采访中所强调，“英伟达的市场机会并不是GPU的机会，而是可以投射到整个数据中心的机会，这是每年2500亿美元的市场，并以每年20%至25%的速度在增长。我对GPU的思考也不是GPU，而是GPU之外的线缆、机架、交换机……我们不只做GPU芯片，我们做的是数据中心需要的一切。”
今年的GTC，也确实呈现出更明确的系统化方向：硬件通过完整的Blackwell平台面向数据中心、超算，软件方面提供一系列的微服务。在“推动全球AI基础设施大规模升级”的目标之下，“AI代工厂”成为英伟达触达用户需求、撬动大规模市场的关键一步。
就像台积电当年首创Foundry模式，半导体产业从IDM（集成设备制造商）逐渐转变为Fabless（无晶圆厂）模式，半导体设计进入空前繁荣期，也向更多中小型企业敞开了大门。生成式AI的未来，也将如此。
“企业IT行业正坐在一座‘金矿’上”，黄仁勋说道，“他们拥有多年来创建的工具和数据。如果他们能把这个‘金矿’变成 AI 助手，就能给用户提供更多可能。
下载ECAD模型
