-
_NEWSDATE: 2024-08-18 | News by: 表外表里 | 有0人参与评论 | 专栏: 加州 | _FONTSIZE: _FONT_SMALL _FONT_MEDIUM _FONT_LARGE
除了厌恶“英伟达税”，自研芯片也比向英伟达采购更香。
以汽车行业为例，车端最需要卷算力的是智能驾驶系统，但英伟达芯片却是通用的“六边形战士”，不仅运算速度不尽人意，体积还占了不小的空间。
而自研芯片则专门为无人驾驶而造，比如特斯拉的FSD芯片，面积相比巴掌大的英伟达DRIVE PX 2大大缩小，能耗也降至三分之一。
FSD芯片还优先布置了负责深度学习和预测的NPU，相比于GPU在AI机器学习方面效率更高，算力也提高了5倍。
泛AI领域也类似，芯片从架构、上层操作系统、中间件到业务代码等环节做适配和改造，以追求极致的性能，谷歌的TPU芯片、亚马逊的Graviton芯片都是如此。
其中，谷歌TPU在推理计算领域比英伟达GPU快了15-30倍，性能功耗比高出约30-80倍。
也就是说，自研芯片不仅可以量身定制，在性能、尺寸、功耗等方面也碾压了英伟达的通用芯片。
更何况，当下芯片虽然号称“自研”，但并不需要全栈研发，以特斯拉为例，除了NPU自研，其余CPU、GPU、接口等均采购标准IP，短短18个月就完成了开发。
因此，在大客户掀起自研狂潮之后，英伟达就一直陷在“被颠覆”的质疑之中。但大客户们虽然有造芯的勇气，想要替代英伟达却不容易。
众所周知，芯片制造的研发设计、场地设备等固定成本高到惊人，光流片就是一笔不菲的开销，7纳米芯片一次性流片成本约为2亿人民币。
- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见