Im Namen der KI: Kann Nvidia angesichts seines explodierenden Aktienkurses wirklich beruhigt sein?

Kürzlich veröffentlichte der Grafikchiphersteller Nvidia seinen Finanzbericht, der den größten Quartalsumsatzanstieg seit sechs Jahren auswies, was den Aktienkurs des Unternehmens nachbörslich um 14 % in die Höhe trieb und die Aufmerksamkeit der Branche auf sich zog. Darüber hinaus erklärte CEO Huang Renxun zuvor, dass Nvidia bereits ein KI-Chip-Unternehmen (künstliche Intelligenz) sei (das offenbar mit dem KI-Trend Schritt hält) und dass die Branche hinsichtlich der Marktleistung bei Chips, insbesondere KI-Chips, optimistisch sei. Ist das wirklich der Fall?

Werfen wir zunächst einen Blick auf die finanzielle Leistung von Nvidia in diesem Quartal. Der Gesamtumsatz belief sich auf 2 Milliarden US-Dollar, was einer Steigerung von 53,6 % gegenüber dem Vorjahr entspricht. Davon entfielen 85 % des Gesamtumsatzes auf den Umsatz der Grafikchip-Abteilung, was einer Steigerung von 52,9 % gegenüber dem Vorjahr auf 1,7 Milliarden US-Dollar entspricht. das Rechenzentrumsgeschäft verdreifachte sich im Jahresvergleich auf 240 Millionen US-Dollar; und das Automobilgeschäft stieg im Jahresvergleich um 60,8 % auf 127 Millionen US-Dollar. Anhand der Umsatzzusammensetzung lässt sich unschwer erkennen, dass das Kerngeschäft von NVIDIA nach wie vor die Grafikchips (diskrete Grafikkarten) im traditionellen PC-Markt sind, während die Umsätze aus KI-bezogenen Bereichen oder Unternehmen, die eng mit KI verbunden sind (wie etwa Rechenzentren), nur etwa ein Zehntel des Gesamtumsatzes ausmachen. Gemessen am Umsatz allein ist Nvidia also weit davon entfernt, ein KI-Chip-Unternehmen zu sein. Es ist allgemein bekannt, dass KI derzeit ein Brennpunkt ist, um den die Branche konkurriert. Nvidia, früher und immer noch ein eigenständiger Grafikkarten-(Display-)Chip in der traditionellen PC-Branche, hat sich zu einem KI-Unternehmen gewandelt, was natürlich viel Aufmerksamkeit auf sich zieht. In diesem Sinne schließen wir nicht aus, dass Nvidia den KI-Trend ausnutzt, um die Rolle seiner eigenen Chips zu hypen und zu übertreiben.

Natürlich bestreiten wir nicht, dass KI-Chips (die KI-Anwendungen und -Funktionen unterstützen) der Entwicklungstrend der Chipindustrie in der Zukunft sein werden. Insbesondere die Tatsache, dass Googles KI-Software AlphaGo mithilfe von Deep-Learning-Technologie den weltbesten Go-Spieler Lee Sedol besiegt hat, deutet darauf hin, dass künstliche Intelligenz der nächste Brennpunkt des Wettbewerbs zwischen der Technologiebranche und den Technologiegrößen sein wird. Die Entwicklung von Big Data und des Internets der Dinge hat Technologiegiganten wie IBM, Google, Facebook, Microsoft und viele große Cloud-Computing-Unternehmen, die Cloud-Dienste anbieten, dazu veranlasst, bei der Entwicklung von Technologien für künstliche Intelligenz miteinander zu konkurrieren, um die von zukünftigen Geräten des Internets der Dinge gesammelten riesigen Datenmengen (Analysen) zu nutzen, um dem Markt und den Benutzern bessere Dienste anbieten zu können. Es ist zu beachten, dass Chips, obwohl die Hersteller sie unterschiedlich benennen (z. B. nennt IBM sie Cognitive Computing, Facebook und Google sie Machine Learning oder Künstliche Intelligenz), immer noch eine wichtige Rolle als eine der grundlegenden Hardwarekomponenten von Rechenzentren spielen, die diese Technologien und Anwendungen unterstützen.

Basierend auf diesem Trend beziehen sich einschlägigen Statistiken zufolge mindestens 10 % der Workloads, die derzeit in Rechenzentren (Servern) von Giganten wie IBM, Google, Facebook, Amazon, Microsoft und Cloud-Computing-Unternehmen ausgeführt werden, auf KI-Anwendungen (entweder entwickeln sie selbst entsprechende KI-Anwendungen oder unterstützen und betreiben die KI-Entwicklung und -Anwendungen von Kunden usw.), und mit der Markt- und Benutzernachfrage nach KI wird sich dieser Trend in Zukunft verstärken. Dieser Trend stellt neue Herausforderungen an die Rechenleistung und den Stromverbrauch von Basischips in Rechenzentren und Nvidia hat sich bisher auf GPUs (Grafikchips) spezialisiert, die einen natürlichen Vorteil haben. Zum Beispiel die für KI erforderliche massiv parallele Rechenleistung; bei gleicher Fläche verfügt die GPU über mehr Recheneinheiten (Ganzzahl-, Gleitkomma-Multiplikations- und Additionseinheiten, spezielle Recheneinheiten usw.); die GPU verfügt über einen Speicher mit größerer Bandbreite, sodass sie auch bei Anwendungen mit hohem Durchsatz eine gute Leistung bietet; der Energiebedarf der GPU ist viel geringer als der der CPU usw.

Dies bedeutet jedoch nicht, dass in den Rechenzentren (Servern) der oben genannten Giganten kein Bedarf an CPU besteht. Im Gegenteil, die CPU ist immer noch ein unverzichtbarer Bestandteil von Computeraufgaben. Bei der Verarbeitung von Deep-Learning-Algorithmen ist außerdem eine leistungsstarke CPU erforderlich, um Anweisungen auszuführen und Daten mit der GPU zu übertragen. Gleichzeitig können die Vielseitigkeit der CPU und die Fähigkeit der GPU zur Verarbeitung komplexer Aufgaben genutzt werden, um die besten Ergebnisse zu erzielen. Aus diesem Grund verwenden die meisten Unternehmen immer noch die Kombination „CPU+GPU“ oder heterogenes Computing. In diesem heterogenen Modus läuft der serielle Teil der Anwendung auf der CPU und die GPU ist als Coprozessor hauptsächlich für den rechenintensiven Teil zuständig. Aus dieser Perspektive dürfte der Mangel an CPU das Manko von Nvidia sein, da das Unternehmen jetzt und in Zukunft behauptet, ein KI-Unternehmen zu sein.

Wenn wir CPU erwähnen, denken wir natürlich an Intel, den Marktführer auf diesem Gebiet. Intel stellt nicht nur eine Barriere dar, die Nvidia daran hindert, sich in allen CPU-Domänen zu einem KI-Chip-Unternehmen zu entwickeln, sondern ist auch der größte Herausforderer im GPU-Bereich, in dem das Unternehmen herausragend ist und die KI-Anforderungen der oben genannten Großen erfüllen kann.

Diese Herausforderung spiegelt sich erstmals in Intels innovativer Erforschung des Potenzials der CPU-Rechenleistung wider. Beispielsweise der kürzlich erschienene Xeon Phi-Chip für Rechenzentrumsserver. Dem entsprechenden Bericht von Intel zufolge ist die Trainingsgeschwindigkeit des Xeon Phi-Prozessors 2,3-mal schneller als die der GPU von Nvidia, und die Skalierbarkeit des Xeon Phi-Chips in mehreren Knoten beträgt 38 % und kann bis zu 128 Knoten erreichen, was für die derzeit auf dem Markt erhältlichen GPUs unmöglich ist. Gleichzeitig ist ein aus 128 Xeon Phi-Prozessoren bestehendes System 50-mal schneller als ein einzelner Xeon Phi-Prozessor. Dies bedeutet, dass der Xeon Phi-Prozessor offensichtliche Skalierbarkeitsvorteile bietet, was für die Erfüllung der Anforderungen von KI-Anwendungen von entscheidender Bedeutung ist.

Nvidia hat die Behauptungen von Intel jedoch entschieden zurückgewiesen und darauf hingewiesen, dass Intel Daten von vor 18 Monaten verwendet und dabei vier Maxwell-GPUs und vier Xeon Phi-Prozessoren vergleicht. Wenn wir die aktuelleren Caffe AlexNet-Daten verwenden, sehen wir, dass vier Maxwell-GPUs 30 % schneller sind als vier Xeon Phi-Prozessoren. Lassen wir die Frage, wessen Aussage objektiver ist, beiseite, doch der Wortgefecht zwischen den beiden Seiten über den Bericht zeigt zumindest, dass die CPU, die von Natur aus nicht vorteilhaft ist, immer noch großes Potenzial hat, ausgeschöpft zu werden. Zumindest bei der CPU selbst kann Intel den Abstand zu Nvidia verringern oder Druck auf Nvidia ausüben.

Darüber hinaus besteht in der Branche immer noch Kontroverse darüber, ob die GPU im Hinblick auf die Rechenleistung und die Implementierungsmethoden, die den Anforderungen von KI-Anwendungen gerecht werden, die beste oder die einzige Lösung ist. Einige Forscher haben getestet, dass FPGAs im Vergleich zu GPUs eine flexiblere Architektur und eine bessere Leistung pro Einheit Energieverbrauch aufweisen. Deep-Learning-Algorithmen können auf FPGAs schneller, effizienter und mit geringerem Stromverbrauch ausgeführt werden. Dies scheint zu erklären, warum Intel zuvor den FPGA-Hersteller Altera für 16,7 Milliarden Dollar übernommen hat. Apropos Fusionen und Übernahmen: Es gibt noch eine weitere, die Intel nach Ansicht der Branche nutzen kann, um seine Wettbewerbsfähigkeit bei KI-Chips zu verbessern und möglicherweise sogar Nvidia zu überholen. Es handelt sich um die Übernahme von Nervana Systems, einem auf KI-Chips spezialisierten Unternehmen. Es wird gesagt, dass die von Nervana Systems erforschten Deep-Learning-Chips eine höhere Kosteneffizienz als GPUs und eine zehnmal höhere Verarbeitungsgeschwindigkeit als GPUs aufweisen.

Um die Stärke von Nervana Systems bzw. die Bedrohung, die es für Nvidia darstellt, zu veranschaulichen, wollen wir eine Episode vorstellen, in der Nervana Systems übernommen wurde. Als Intel Nervana kontaktierte, um einen Verkauf zu besprechen, soll Nervana geglaubt haben, dass Nvidia eine vernünftige Wahl sei, da Nervanas Deep-Learning-Software Neon auch auf Nvidia-Chips laufen könne, was Nvidia helfen könne, seine Defizite auszugleichen. Nvidia war jedoch nicht an Nervana interessiert, da das Unternehmen davon überzeugt war, dass seine eigene GPU-basierte Deep-Learning-Technologie besser sei als Nervana. Doch nachdem Nervana eine Einigung mit Intel erzielt hatte, schien Nvidia seine Meinung zu ändern und versuchte, die Übernahmeverhandlungen wieder aufzunehmen. Leider wurde diese Gelegenheit jedoch verpasst.

In dieser Hinsicht sind einige Analysten der Ansicht, dass die Übernahme von Nervana durch Intel Nvidias größter Fehler war, da Intel durch diese Übernahme ein spezifisches Produkt und geistiges Eigentum für Deep Learning erhält, das allein oder integriert mit Intels zukünftiger Technologie verwendet werden kann, um wettbewerbsfähigere und kreativere Chipprodukte herzustellen. Wenn es um Integration geht, ist Intel der Beste. Beispielsweise kann das Unternehmen für das übernommene Unternehmen Nervana Systems verwandte Produkte in Chips oder Multi-Chip-Pakete integrieren. So kann beispielsweise das Hinzufügen der Nervana Engine IP zu einer Xeon-CPU eine kostengünstige Methode darstellen, um die von der KI benötigte Leistungsbeschleunigung zu erreichen, die Nervana IP zu kommerzialisieren und dadurch die Rechenleistung der eigenen CPU zu steigern, um den höheren Anforderungen der KI-Entwicklung und -Anwendungen für Rechenzentrumschips gerecht zu werden.

Zusammenfassend sind wir der Meinung, dass der im Namen der KI erzielte Kursanstieg von Nvidia kein Zeichen für Seelenfrieden und eine reibungslose Zukunft ist, da die Anwendung von KI-Chips noch in den Kinderschuhen steckt (aktuell machen sie nur etwa ein Zehntel der Last in Rechenzentren aus) und der Rivale Intel in diesem Bereich gezielte Fusionen und Übernahmen durchführt sowie über sein eigenes Potenzial zur Nutzung und Integration von CPUs verfügt.

Als Gewinner des Qingyun-Plans von Toutiao und des Bai+-Plans von Baijiahao, des Baidu-Digitalautors des Jahres 2019, des beliebtesten Autors von Baijiahao im Technologiebereich, des Sogou-Autors für Technologie und Kultur 2019 und des einflussreichsten Schöpfers des Baijiahao-Vierteljahrs 2021 hat er viele Auszeichnungen gewonnen, darunter den Sohu Best Industry Media Person 2013, den dritten Platz beim China New Media Entrepreneurship Competition Beijing 2015, den Guangmang Experience Award 2015, den dritten Platz im Finale des China New Media Entrepreneurship Competition 2015 und den Baidu Dynamic Annual Powerful Celebrity 2018.