那个爱穿皮衣的男人带着英伟达的最新超级芯片GH200 Grace Hopper又来了。在计算机图形和交互技术会议SIGGRAPH上，英伟达CEO黄仁勋一袭黑皮衣，对台下数千名观众表示，“生成式人工智能时代即将到来，如果你相信的话，那就是人工智能的iPhone时代。”

(资料图)

这是继NVIDIA GH200爆火后，英伟达今年的二度炫技。颇有“产能供应不上，就在性能卷死大家”的意思。除了英伟达外，AMD、英特尔等国内外各大厂也在疯狂赶追这波AI热潮。

卷产能，卷性能

业界消息显示，全球多数大模型都在使用英伟达的GPU芯片，据TrendForce集邦咨询研报，预计AI芯片2023年出货量将增长46%。英伟达GPU是AI服务器市场搭载主流，市占率约60%到70%。

与当前一代产品相比，英伟达新一代GH200拥有基本相同的“基因”：其 72 核 Arm Neoverse V2 Grace CPU、Hopper GPU 及其 900GB/秒 NVLink-C2C 互连均保持不变。核心区别是它搭载了全球第一款HBM3e内存，将不再配备今年春季型号的 96GB HBM3 vRAM 和 480GB LPDDR5x DRAM，而是搭载500GB的LPDDR5X以及141GB的HBM3e存储器，实现了5TB/秒的数据吞吐量。

简单而言，这是世界上第一款配备HBM3e内存的芯片，能够将其本地GPU内存增加50%。这也是专门对人工智能市场做的“特定升级”，因为顶级生成式AI往往尺寸巨大却内存容量有限。

HBM3 VS HBM3e（图片来源：英伟达）

英伟达表示，HBM3e内存技术带来了50%的速度提升，总共提供了10TB/秒的组合带宽。能够运行比先前版本大3.5倍的模型，并以3倍的内存带宽提高性能。

根据TrendForce集邦咨询最新报告指出，以HBM不同世代需求比重而言，TrendForce集邦咨询表示，2023年主流需求自HBM2e转往HBM3，需求比重分别预估约是50%及39%。随着使用HBM3的加速芯片陆续放量，2024年市场需求将大幅转往HBM3，而2024年将直接超越HBM2e，比重预估达60%，且受惠于其更高的平均销售单价（ASP），将带动明年HBM营收显著成长。

以竞争格局来看，目前SK海力士（SK hynix）HBM3产品领先其他原厂，是NVIDIA Server GPU的主要供应商；三星（Samsung）则着重满足其他云端服务业者的订单，在客户加单下，今年与SK海力士的市占率差距会大幅缩小，2023~2024年两家业者HBM市占率预估相当，合计拥HBM市场约95%的市占率，不过因客户组成略有不同，在不同季度的位元出货表现上恐或有先后。美光（Micron）今年专注开发HBM3e产品，相较两家韩厂大幅扩产的规划，预期今明两年美光的市占率会受排挤效应而略为下滑。

结合业界消息，三星电子计划于今年底开始HBM3生产，并计划投资数千亿韩元，将忠南天安工厂的HBM产能提高一倍。从第四季度开始，三星的HBM3也将供应英伟达，当前英伟达高端GPU HBM芯片由SK海力士独家供应

据英伟达官方消息，其最新的GH200产品需要到明年二季度才投产，其售价暂未透露。这其中一个重要原因是HBM3e将在明年才会供货，市场消息显示，三星和SK海力士预计将于明年第一季度发布HBM3E样品，并于2024年下半年开始量产。美光方面，则选择跳过HBM3，直接开发HBM3e。届时，依靠新款英伟达芯片，AI大模型有望迎来新一轮的爆发。

据TrendForce集邦咨询观察HBM供需变化，2022年供给无虞，2023年受到AI需求突爆式增长导致客户的预先加单，即便原厂扩大产能但仍无法完全满足客户需求。展望2024年，TrendForce集邦咨询认为，基于各原厂积极扩产的策略，HBM供需比（Sufficiency Ratio）有望获改善，预估将从2023年的-2.4%，转为0.6%。

英伟达的竞争对手们

AI这个巨大的千亿市场，不只是英伟达一家的游戏，AMD和英特尔也在加速追赶，希望分得一杯羹。

英特尔在2019年以约20亿美元价格收购了人工智能芯片制造商HABANA实验室，进军AI芯片市场。今年8月，在英特尔最近的财报电话会议上，英特尔首席执行官Pat Gelsinger表示，英特尔正在研发下一代Falcon Shores AI超算芯片，暂定名为Falcon Shores 2，该芯片预计将于2026年发布。

除了Falcon Shores 2之外，英特尔还推出AI芯片Gaudi2，已经开始销售，而Gaudi3则正在开发中。业界认为，目前Gaudi2芯片的热度不及预期，这主要在于Gaudi2性能难以对英伟达H100和A100形成有效竞争。

英特尔研究院副总裁、英特尔中国研究院院长宋继强近日表示：“在这一波大模型浪潮当中，什么样的硬件更好并没有定论。”他认为，GPU并非大模型唯一的硬件选择，半导体厂商更重要的战场在软件生态上。芯片可能花两三年时间就做出来了，但是要打造芯片生态需要花两倍甚至三倍的时间。英特尔的开源生态oneAPI比闭源的英伟达CUDA发展可能更快。

AMD也在加速追赶。今年6月，AMD举行了新品发布会，发布了面向下一代数据中心的APU加速卡产品Instinct MI300，直接对标H100。这颗芯片将CPU、GPU和内存全部封装为一体，从而大幅缩短了DDR内存行程和CPU-GPU PCIe行程，从而大幅提高了其性能和效率。

Instinct MI300将于2023年下半年上市。AMD称Instinct MI300可带来MI250加速卡8倍的AI性能和5倍的每瓦性能提升（基于稀疏性FP8基准测试），可以将ChatGPT和DALL-E等超大型AI模型的训练时间从几个月减少到几周，从而节省数百万美元的电费。

此外，谷歌、亚马逊、特斯拉等也都在设计自己的定制人工智能推理芯片。除了国外大厂，国内的芯片企业也迅速入局，其中，昆仑芯AI加速卡RG800、天数智芯的天垓100加速卡、燧原科技第二代训练产品云燧T20/T21均表示能够具有支持大模型训练的能力。

标签：