ศึกชิป AI ระหว่างสหรัฐฯ และจีน ใครนำหน้าในสถาปัตยกรรม ประสิทธิภาพ และระบบนิเวศ

สถาปัตยกรรมและประสิทธิภาพการประมวลผล

ในแง่ตัวเลขประสิทธิภาพที่เปิดเผย สหรัฐฯ ยังมีชิปที่ให้กำลังประมวลผลสูงกว่าในหลายกรณี

ตัวอย่างเช่น

• AMD MI325X ให้พลังประมวลผลประมาณ 1.3 PFLOPS ใน FP16
• Google TPU v6e ให้ 918 TFLOPs bf16 ต่อชิป

ฝั่งจีนพยายามลดช่องว่างนี้ โดยเฉพาะผ่าน Huawei Ascend 910C ซึ่งใช้การออกแบบแบบ chiplet และมีประสิทธิภาพประมาณ 800 TFLOPS FP16

นอกจากนี้ Biren BR100 ยังเป็นความพยายามของจีนในการแข่งขันระดับสูง โดยให้

• 256 TFLOPS FP32
• ประสิทธิภาพ AI สูงสุดราว 2048 TOPS INT8

ส่วน Cambricon MLU370‑X8 ถูกออกแบบให้รองรับทั้ง training และ inference โดยมี

• 96 TFLOPS FP16
• 256 TOPS INT8

หน่วยความจำและแบนด์วิดท์

สำหรับโมเดล AI ขนาดใหญ่ ความเร็วและความจุของหน่วยความจำเป็นปัจจัยสำคัญมาก

ตัวอย่างสำคัญ:

• AMD MI325X มี HBM3E 256GB และแบนด์วิดท์ประมาณ 6 TB/s ซึ่งถือว่าสูงมากในตลาด accelerator
• TPU v6e มี HBM 32GB และแบนด์วิดท์ราว 1.6 TB/s แต่เน้นการทำงานแบบคลัสเตอร์จำนวนมาก
• Huawei Ascend 910C รายงานว่าให้ แบนด์วิดท์ประมาณ 3.2 TB/s
• Biren BR100 มี HBM2E 64GB และแบนด์วิดท์ประมาณ 2.3 TB/s

แบนด์วิดท์หน่วยความจำสูงช่วยให้ชิปสามารถเคลื่อนย้ายเทนเซอร์ขนาดใหญ่ระหว่างหน่วยความจำและหน่วยคำนวณได้เร็วขึ้น ซึ่งสำคัญมากสำหรับการฝึกโมเดล LLM

การเชื่อมต่อและการขยายระบบ (Interconnect & Scaling)

โมเดล AI ขนาดใหญ่ในปัจจุบันแทบไม่เคยฝึกบนชิปตัวเดียว แต่ใช้ คลัสเตอร์ที่มีหลายร้อยหรือหลายพันตัวเร่ง

ตัวอย่างเทคโนโลยีการเชื่อมต่อ:

• Google TPU v6e ใช้เครือข่าย ICI (Inter‑Chip Interconnect) เพื่อเชื่อมชิปใน TPU Pod ได้ถึง 256 ชิป
• Cambricon MLU370‑X8 ใช้ MLU‑Link ซึ่งมี throughput ระหว่างการ์ดประมาณ 200GB/s
• Biren BR100 มีลิงก์ GPU‑to‑GPU สำหรับคลัสเตอร์ AI ขนาดใหญ่

ดังนั้นการแข่งขัน AI ปัจจุบันจึงไม่ได้อยู่ที่ “ชิปที่แรงที่สุด” เพียงอย่างเดียว แต่รวมถึง การสร้างระบบคลัสเตอร์ที่มีประสิทธิภาพสูง

การผลิตและห่วงโซ่อุปทาน

เทคโนโลยีการผลิตชิปเป็นอีกปัจจัยสำคัญที่กำหนดประสิทธิภาพและประสิทธิภาพพลังงาน

ตัวอย่างเช่น

• Biren BR100 ผลิตด้วยกระบวนการ 7nm ของ TSMC และใช้เทคโนโลยีแพ็กเกจ CoWoS
• Huawei Ascend 910C ใช้การผลิตระดับ 7nm class ของ SMIC ร่วมกับ wafer ที่ผลิตก่อนข้อจำกัดการส่งออกของสหรัฐฯ

ในขณะที่ชิปจากสหรัฐฯ มักใช้โรงงานผลิตชั้นนำระดับโลกและเทคโนโลยีแพ็กเกจขั้นสูงในห่วงโซ่อุปทาน

ระบบนิเวศซอฟต์แวร์

ประสิทธิภาพฮาร์ดแวร์เพียงอย่างเดียวไม่เพียงพอในการแข่งขันด้าน AI

• ฝั่งสหรัฐฯ มีระบบนิเวศที่แข็งแรง เช่น CUDA (Nvidia), ROCm (AMD), และ TPU stack ของ Google
• Huawei พัฒนา CANN (Compute Architecture for Neural Networks) เพื่อสร้าง ecosystem สำหรับชิป Ascend

ในทางปฏิบัติ เครื่องมือสำหรับนักพัฒนา เฟรมเวิร์ก AI และการรวมเข้ากับคลาวด์ มักเป็นตัวกำหนดว่าชิปใดถูกนำไปใช้จริงมากที่สุด

บทสรุปจากการเปรียบเทียบ

จากข้อมูลของชิป AI รุ่นปัจจุบัน สามารถเห็นแนวโน้มสำคัญได้หลายข้อ

• ผู้นำด้านประสิทธิภาพ: ชิปจากสหรัฐฯ ยังมีตัวเลข compute และหน่วยความจำที่สูงกว่าในหลายกรณี
• ยุทธศาสตร์ของจีน: จีนกำลังสร้างสายชิปของตนเอง เช่น Ascend, Biren และ Cambricon เพื่อลดการพึ่งพาเทคโนโลยีต่างประเทศ
• การแข่งขันระดับระบบ: ทั้งสองฝ่ายแข่งขันกันผ่าน ซูเปอร์คลัสเตอร์ AI ขนาดใหญ่ มากกว่าชิปเดี่ยว

ในท้ายที่สุด การแข่งขันชิป AI ระหว่างสหรัฐฯ และจีนจึงไม่ใช่แค่เรื่องของจำนวนทรานซิสเตอร์หรือ TFLOPS แต่เป็นการแข่งขันของ

• ระบบนิเวศซอฟต์แวร์
• เทคโนโลยีการผลิต
• ความสามารถในการเชื่อมชิปนับพันตัวให้ทำงานเป็นโครงสร้าง AI ขนาดใหญ่

เมื่อโมเดล generative AI เติบโตขึ้นเรื่อย ๆ ปัจจัยเหล่านี้จะเป็นตัวกำหนดว่าแพลตฟอร์มใดจะกลายเป็นรากฐานหลักของการประมวลผล AI ในอนาคต