起底华为计算战略：十五年研发下苦功，三年连发10芯加速

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

每一次华为新动作，点赞有之，质疑亦随之。

9月18日刚在全联接大会上发布的“全球最快AI产品”就是这样。

但在现场、在华为内部来看，这只不过是“华为计算战略”艰苦奋斗的开花结果，只是这盘芯片和计算力大棋局里关键一子。

△ 华为Cloud & AI产品与服务总裁侯金龙

而且相比Atlas（古希腊神话里的“大力神”），实际不到三年时间里，华为已经发布了10款商用芯片：

鲲鹏916、920；麒麟970、980、810、990、990 5G；昇腾310、910；鸿鹄818。

按外泄的规划，接下来的两年内，至少有6款芯片发布落地。

无论是计算领域，还是半导体行业，如此阵仗，势头都异常猛烈。

所以背后原因究竟是什么？华为又究竟想做什么？

计算战略发布后，是时候对这盘大棋来次完整起底，揭秘华为在计算背后的种种规划与布局。

15年苦功夫，目前投入2万名工程师

围绕计算这个产业投资，十几年前已经开始了。

其中最具标志性的事件是2004年4月，旗下芯片公司海思半导体成立。

‍‍华为Cloud & AI产品与服务总裁侯金龙透露了这背后的投入：

从2004年开始投资研发第一颗嵌入式处理芯片，目前投入超过2万名工程师，形成了以“鲲鹏+昇腾”为核心的基础芯片族。

基础芯片族带来的意义非常直接。华为成为了业界唯一同时拥有计算架构中“CPU，NPU，存储控制，网络互连，智能管理”5大关键芯片的厂商。

但俱往矣。

从产品发布的节奏来看，华为对芯片投资的力度还在快速加强，迭代也越来越快。

华为投资芯片的策略，此前也有曝光，总结起来就是三个关键词：量产一代、研发一代、规划一代。

以鲲鹏系列处理器为例，从2007年走到现在已历时12年，现在是第三代芯片。

现在华为释放出的最新信号是：鲲鹏+昇腾会长期演进，按照每年推出一代的节奏来提升竞争力。

这也是华为在不到3年内推出10款芯片的直接推动力量之一。

当然，上述种种努力和产品，只是果，细究“因”，则是华为对于行业变迁趋势的核心判断。

华为芯的机会：趋势变迁下的2万亿市场

在华为看来，当前的计算产业正在发生深刻的变化，尤其是整个社会向智能时代的迈进，这带来了变革与挑战，也带来了机会。

全联接大会上，胡厚崑援引了Gartner的数据——全球计算产业总空间为两万亿美元。在他看来，这是一片大蓝海，华为将坚定在计算领域的投入，并推进落地。

侯金龙进一步阐释四大趋势，也可以说是华为投资芯片进入这一蓝海的主要切入点：

首先，数据中心不够用了

对于数据中心来说，以前其承担的职能更多的是存、但未来更重要的是算，数据中心正在逐步演变为计算中心。

最直接的体现就是，大规模数据中心中服务器越来越多。就以华为云的数据中心为例，有60%都是用于计算的服务器。

可以说，计算正在成为数据中心的主体，这就是华为推动鲲鹏系列芯片的重要原因之一，也是鲲鹏芯片的使用场景。

与此同时，整个行业对AI算力需求也越来越大，而且来得更加汹涌，从2012年到2018年，AI算力消耗几乎增长了30万倍。

现在每年的增长超过10倍，到2025年，AI算力将会占据数据中心算力的80%以上。

正是在如此算力需求下，华为推出了昇腾910以及Altas 900等AI计算产品。

其次，端边芯片与中心芯片还有大差距

在华为看来，Arm在生态上的优势会逐渐向数据中心延伸。对于华为来说，这是挑战，也是机会。

现场，侯金龙也分享了一组数据：

2018年，Arm处理器出货量230亿片，主要用于端和边，数据中心侧只有3000万片，这是数百倍的差距。

每年十几亿部手机都是Arm结构的，2019年华为智能手机总的算力，将是今年全球数据中心新增算力的2倍，而且手机上的几百万应用都是基于Arm生态。

以前基于Arm的技术，之所以不能在数据中心使用，核心的限制是性能。

但解决问题导向，华为现已找到对策。

其今年发布的鲲鹏920是兼容Arm，多核、高并发，把四颗核心并入了一颗核心，其性能超过业内通用CPU 20%的性能。

而且现在的计算，可以让简单的计算在终端进行，复杂的计算可以在云上进。

如果继续用X86架构在云上计算终端的任务，效率就会降低40%，反之如果运用Arm架构，则提升40%。

第三，计算该绿

高性能的计算虽然更有效率，但背后也有大量的碳排放。

美国马萨诸塞大学阿姆赫斯特分校做过研究，训练一个单一AI模型，会产生180吨的碳排放。

这相当于普通汽车整个服役期排放量的3倍，平均地球人30年日常生活的碳排放。

算力与效率背后，也需要对能源与环境更友好。从芯片层面上来看，要在更小的功耗下实现更高的性能。

在这方面，华为的底气很足。

侯金龙说，华为的Atlas 900 AI训练集群，算力达到256 PFLOPS只需要16个机柜。

要实现这样的算力，如果用CPU需要6195个机柜， 用GPU需要208个机柜，而NPU如昇腾只要128个机柜。

这背后，主要归功于昇腾架构对深度学习业务的优化。

此外，经过华为系统级优化，如板级液冷、柜级密闭绝热等，整个集群的功耗从4万kW降到736kW，降低50多倍。

最后，摩尔定律放缓已成事实

经过数十年的快速迭代发展，高速的摩尔定律已经难以实现。

过去5年，通用CPU的发展遇到了许多技术瓶颈，单核性能平均每年提升不足10%，摩尔定律放缓已经成为事实。

想要进一步实现提高技术能力，在晶体管上打主意太难了，需要寻找其他路径。

（编辑：ASP站长网）