ChatGPT大战，Meta为何迟迟没有动作？

就在今天，路透社记者挖出了一个大瓜，原因让人瞠目结舌——相比谷歌、微软等大厂，Meta跑AI时，用的竟然是CPU！

很难想象，在深度学习几乎占机器学习半壁江山的时代，一个科技巨头竟然能用CPU坚持这么久。虽然他们也曾尝试过自研AI芯片，但最终遭遇滑铁卢。

现在，ChatGPT引爆的生成式AI大战打得昏天黑地，这就更加剧了Meta的产能紧缩。

用CPU训练AI，Meta怎么想的？

Meta迟迟不肯接受用GPU的原因，令人匪夷所思。

GPU芯片非常适合AI处理，因为它们可以同时执行大量任务，从而减少处理数十亿条数据所需的时间。然而，GPU 也比其他芯片更昂贵，英伟达控制着80%的市场份额，并在配套软件上，也保持着绝对的领先地位。

直到去年，Meta在处理AI工作负载时，主要使用的还是CPU。CPU是计算机的主力芯片，几十年来数据中心用的也是CPU，但它在AI工作上表现并不佳。

据悉，Meta还曾自研芯片，在内部设计的定制芯片上进行推理。但在2021年，Meta还是失望地发现，比起GPU，这种双管齐下的方法速度更慢、效率更低。而且GPU在运行不同类型的模型上，远比Meta的芯片更灵活。

而且，小扎决定All In元宇宙这一举措，也直接榨干了Meta的算力。不管是AI的部署，还是威胁的应对上，都遭到了极大的削弱。

这些失误，引起了前Meta董事会成员Peter Thiel的注意，随后，他于2022年初辞职。

据内部人士透露，在离开前的一次董事会会议上，Thiel告诉小扎和高管们，他们对Meta的社交媒体业务太自满，并且过分关注元宇宙了，这让公司很容易被TikTok的挑战所撼动。

AI为什么使用GPU而不是CPU？

随着人工智能技术的快速发展，AI越来越多地使用GPU（图形处理器）来加速计算，而不是传统的CPU（中央处理器）。那么为什么AI使用GPU而不是CPU呢？


1、GPU的结构

GPU是专门用于并行处理的设备，具备大量的核心，可以同时处理数百个线程，而CPU则一般只有几个核心，每秒能够处理的线程数量较少。这就使得GPU比CPU更加适合于并行计算，使得训练深度学习模型更高效。

举个例子：如果你需要计算一个高清电影的每一帧画面，CPU计算需要循环处理每个像素点，因为每个像素点都是单独的。每个像素点计算需要几个步骤，但是循环重复多少次，一个像素点的计算都是独立的。但是，使用GPU可并行化处理每一个像素，这样相当于在一秒钟内同时处理数百个像素点，大大节省了时间。这就是GPU的并行处理能力的优越性。

此外，GPU还拥有高速缓存和显存，而且显存的容量比CPU要大得多，可以同时存储大量的数据。AI训练需要处理大量的矩阵和向量运算，这就需要大量的数据存储和高速访问，而GPU的显存就能很好地满足这个需求。

2、AI的特点

AI的训练需要处理大量的数据，具有计算密集型特点，因此需要使用高性能的计算设备。另外，AI的模型越来越复杂，需要更多的计算资源才能完成训练。而GPU的高性能和并行计算能力，正好解决了这个问题。

而CPU是为了兼容处理各种任务所设计的，因此具有处理多种语言和控制任务的优势，对于AI训练的计算密集型任务相对较弱。这就导致使用CPU来训练AI需要更长的时间，并且更难以满足计算资源的需求。

此外，随着GPU技术的发展，GPU价格越来越实惠，越来越多的公司和个人都选择使用GPU来训练他们的AI模型。有些GPU甚至是抢占市场，一发布网即被购买一空。

综上所述，AI使用GPU而非CPU是因为GPU具有并行处理、高性能以及更大程序的数据存储空间等优越性能，能更好地满足AI计算的要求。对于AI来说，选择GPU训练和应用，能大幅提高AI算法的效率和性能，从而更好地应用到各个领域中。

搭上人工智能的快车，GPU未来取代CPU？

AI人工智能、虚拟现实与自动驾驶等技术，近年来引起了很高的市场关注，成为当下科技领域和投资领域最为火热的话题。特别是以深度学习为首的AI应用，因为AlphaGo在人机对战中的大获全胜，更是在全世界吹起一股AI风潮。

随着科学技术的发展，GPU早已不是计算机当中最为基础的“搬运工”，因为擅长大规模并发计算，所以GPU除了图像处理，也越来越多地参与到计算当中来，在人工智能、金融学、密码学、云服务等领域开始发挥越来越重要的作用。尤其是人工智能产业中，甚至成为行业内公认的“利器”之一。

GPU为何在AI应用当中崭露头角？杨旭东解释说，除了机器学习的帮忙，深度学习的类神经演算法也在人工智能应用当中发挥着重要的作用。深度学习当中有一种技术叫“卷积神经网络CNN”，这种网络在数学上是许多卷积运算和矩阵运算的组合，恰恰和GPU本来能做的矩阵运算十分相似，因此深度学习就可以用GPU进行加速。

从2011年人工智能研究人员首次使用GPU为深度学习加速之后，GPU就开始在人工智能领域发挥巨大作用，这也让GPU本身有了跨越式的发展。十年时间内，不仅在性能上提升了20多倍，市场规模也得到了大幅提升。有机构预测，到2027年，全球GPU市场规模有望突破2000亿美元，从2020年到2027年，复合增长率有望高达33%。

因此有观点认为，按照现在的发展速率，因为CPU处理器已经出现了性能过剩等问题，若干年以后，GPU有望取代CPU。而在2017年的某场会议当中，英伟达（NVIDIA）CEO黄仁勋也曾公开表示，摩尔定律已经失效，GPU最终会取代CPU。

摩尔定律是由英特尔创始人之一戈登?摩尔所提出，其主要内容为：集成电路（芯片）上可容纳的晶体管数目，约每隔18至24个月便会增加一倍，性能也将提升一倍。

但近年来，随着以智能手机处理器性能的过剩以及性能提升的放缓，摩尔定律开始受到越来越多的质疑。

“GPU很难取代CPU，甚至在未来很长一段时间都无法实现。”杨旭东对这样的观点给予了否认。他解释说，这是因为从设计逻辑上来看，两者就有着根本的区别，CPU要统筹控制整个系统，各种复杂的指令都要它来执行，GPU如果也要这样做，自身就会变得复杂起来，连本职工作也无法完成了，所以GPU是无法取代CPU的。

“目前主流CPU晶体管数量在10亿左右，而顶级GPU晶体管数量已经达到了100亿甚至更多，所以CPU做不了GPU的事情，GPU也完成不了CPU的工作。”但杨旭东强调，未来随着制造技术进步和芯片的缩小，CPU和GPU架构之间将得到很好的融合。也就是说，CPU进一步强化处理数据模块的能力，GPU也可以承担更复杂的指令，最终促进计算机性能的大幅提升。