AI将数据中心架构再次拖向分裂？

断领域，NVIDIA却还没有获得相应的统治地位。

利用AI模型(程序)进行实际问题的推理和判断仍旧需要对应的硬件系统拥有强大的运算能力。但与模型训练的复杂场景不同，由于需要运行的程序和处理的数据类型的相对固定，硬件系统并不需要很高的灵活性。相反，在实际的AI应用场景中，用户往往对硬件的采购成本、能效和部署效率有着更高的要求。

于是，专门对应某种算法的AI芯片被越来越多的制造了出来。最近在资本圈和市场上引起广泛关注的华为海思、寒武纪、地平线、比特大陆等公司都是这一领域的新贵。在产品形态上，他们大多采用ASIC方式将AI应用固化在芯片中，从而获得更低的成本和更高的性能及能效。当然，传统科技企业也没有在这一领域缺席，包括Google的TPU、Intel的Arria 10系列(FPGA芯片)和Xilinx的Versal芯片(FPGA)等也纷纷进入AI推理判断领域。

与AI模型训练领域中NVIDIA的一家独大不同，推理判断领域却呈现出了百家争鸣、群雄逐鹿的景象。

云数据中心的AI隐忧

随着云理念和云优势被越来越多的企业认可，云计算市场也经历着一轮又一轮的高速增长。而将AI能力通过云计算的形式交付给企业和用户也成为了AI技术迅速发展并取得广泛应用的前提条件。于是，对于云数据中心来说各类计算卡和AI芯片就成为了扩容建设的重中之重。

但随着云计算市场和应用集中趋势的愈发明显，很快，大型云数据中心就会发现，越来越多的GPU、ASIC、FPGA会开始堆满数据中心，他们分别运行着不同的程序、发挥着不同的作用、并且有着不同的管理方式。而这对于数据中心来说则是一种巨大的挑战。

二十年前，当时的CPU性能远没有现在的强大，而面对庞大的数据存储和管理压力，大多数企业都开始研发运行效率更高的ASIC芯片，并使之成为存储系统的核心功能实现单元。期初，这一思路取得了很好的效果，满足的用户的需求。但随着时间得推移，越来越多不同厂牌、不同管理框架、不同功能的ASIC也让存储网络的管理和运营成本直线飙升;最终受苦的仍旧是企业。直到现在，软件定义存储技术才开始慢

（编辑：桂林站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!