คำตอบการวิจัย
ประเด็นสำคัญ ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83] จีนพัฒนาโซลูชันของตนเองเพื่อลดการพึ่งพาเทคโนโลยีต่างประเทศ เช่น Huawei Ascend 910C, Biren BR100 และ Cambricon MLU370‑X8 ซึ่งออกแบบมาสำหรับการฝึกและรันโมเดล AI ขนาดใหญ่ การแข่งขันไม่ได้อยู่ที่ตัวชิปอย่างเดียว แต่รวมถึงระบบคลัสเตอร์ขนาดใหญ่ ซอฟต์แวร์ และห่วงโซ่อุปทานการผลิตเซมิคอนดักเตอร์ Research US vs China AI Chips and compare them as comprehensively as possible in table format The global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China. AI พรอมต์ Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com การแข่งขันด้านชิปประมวลผลสำหรับปัญญาประดิษฐ์ (AI) กำลังกลายเป็นหนึ่งในสมรภูมิเทคโนโลยีที่สำคัญที่สุดของโลก โดยเฉพาะระหว่าง สหรัฐอเมริกา และ จีน
สหรัฐฯ ครองตลาดตัวเร่ง AI ระดับดาต้าเซ็นเตอร์มานาน ผ่านบริษัทอย่าง Nvidia, AMD และ Google ขณะที่จีนกำลังเร่งพัฒนาเทคโนโลยีของตนเองผ่านบริษัทอย่าง Huawei, Biren และ Cambricon
แม้ว่าทั้งสองประเทศจะสามารถผลิตชิป AI สำหรับการ ฝึกโมเดล (training) และ การรันโมเดล (inference) ได้แล้ว แต่การแข่งขันไม่ได้วัดแค่พลังประมวลผลเพียงอย่างเดียว ยังรวมถึงหน่วยความจำ ความเร็วการเชื่อมต่อ การผลิต และระบบซอฟต์แวร์ที่รองรับด้วย
ด้านล่างคือการเปรียบเทียบชิป AI หลักจากทั้งสองฝั่ง โดยอิงจากข้อมูลสเปกที่มีการเผยแพร่
ชิป AI สำคัญในการแข่งขันระหว่างสหรัฐฯ และจีน
ฝั่งสหรัฐอเมริกา
AMD Instinct MI325X
Google TPU v6e (Trillium)
ฝั่งจีน
Huawei Ascend 910 series (รวม 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
ชิปเหล่านี้ออกแบบมาสำหรับงาน AI ขนาดใหญ่ เช่น
การฝึกโมเดลภาษาขนาดใหญ่ (LLMs)
ระบบ inference ในคลาวด์
งานวิทยาศาสตร์หรือ HPC ที่ใช้ AI
ตารางเปรียบเทียบชิป AI
ชิป ประเทศ / บริษัท สถาปัตยกรรม / กระบวนการผลิต พลังประมวลผลสูงสุด หน่วยความจำ แบนด์วิดท์หน่วยความจำ พลังงาน จุดเด่น AMD Instinct MI325X สหรัฐฯ / AMD CDNA3 accelerator ~1.3 PFLOPS FP16 (2.6 PFLOPS FP8 พร้อม sparsity) 256GB HBM3E ~6 TB/s ~750–1000W หน่วยความจำขนาดใหญ่เหมาะกับโมเดล AI ขนาดใหญ่
คนยังถาม คำตอบสั้น ๆ สำหรับ "ศึกชิป AI ระหว่างสหรัฐฯ และจีน ใครนำหน้าในสถาปัตยกรรม ประสิทธิภาพ และระบบนิเวศ" คืออะไร ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83] จีนพัฒนาโซลูชันของตนเองเพื่อลดการพึ่งพาเทคโนโลยีต่างประเทศ เช่น Huawei Ascend 910C, Biren BR100 และ Cambricon MLU370‑X8 ซึ่งออกแบบมาสำหรับการฝึกและรันโมเดล AI ขนาดใหญ่
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? การแข่งขันไม่ได้อยู่ที่ตัวชิปอย่างเดียว แต่รวมถึงระบบคลัสเตอร์ขนาดใหญ่ ซอฟต์แวร์ และห่วงโซ่อุปทานการผลิตเซมิคอนดักเตอร์
คำตอบการวิจัย
ประเด็นสำคัญ ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83] จีนพัฒนาโซลูชันของตนเองเพื่อลดการพึ่งพาเทคโนโลยีต่างประเทศ เช่น Huawei Ascend 910C, Biren BR100 และ Cambricon MLU370‑X8 ซึ่งออกแบบมาสำหรับการฝึกและรันโมเดล AI ขนาดใหญ่ การแข่งขันไม่ได้อยู่ที่ตัวชิปอย่างเดียว แต่รวมถึงระบบคลัสเตอร์ขนาดใหญ่ ซอฟต์แวร์ และห่วงโซ่อุปทานการผลิตเซมิคอนดักเตอร์ Research US vs China AI Chips and compare them as comprehensively as possible in table format The global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China. AI พรอมต์ Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com การแข่งขันด้านชิปประมวลผลสำหรับปัญญาประดิษฐ์ (AI) กำลังกลายเป็นหนึ่งในสมรภูมิเทคโนโลยีที่สำคัญที่สุดของโลก โดยเฉพาะระหว่าง สหรัฐอเมริกา และ จีน
สหรัฐฯ ครองตลาดตัวเร่ง AI ระดับดาต้าเซ็นเตอร์มานาน ผ่านบริษัทอย่าง Nvidia, AMD และ Google ขณะที่จีนกำลังเร่งพัฒนาเทคโนโลยีของตนเองผ่านบริษัทอย่าง Huawei, Biren และ Cambricon
แม้ว่าทั้งสองประเทศจะสามารถผลิตชิป AI สำหรับการ ฝึกโมเดล (training) และ การรันโมเดล (inference) ได้แล้ว แต่การแข่งขันไม่ได้วัดแค่พลังประมวลผลเพียงอย่างเดียว ยังรวมถึงหน่วยความจำ ความเร็วการเชื่อมต่อ การผลิต และระบบซอฟต์แวร์ที่รองรับด้วย
ด้านล่างคือการเปรียบเทียบชิป AI หลักจากทั้งสองฝั่ง โดยอิงจากข้อมูลสเปกที่มีการเผยแพร่
ชิป AI สำคัญในการแข่งขันระหว่างสหรัฐฯ และจีน
ฝั่งสหรัฐอเมริกา
AMD Instinct MI325X
Google TPU v6e (Trillium)
ฝั่งจีน
Huawei Ascend 910 series (รวม 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
ชิปเหล่านี้ออกแบบมาสำหรับงาน AI ขนาดใหญ่ เช่น
การฝึกโมเดลภาษาขนาดใหญ่ (LLMs)
ระบบ inference ในคลาวด์
งานวิทยาศาสตร์หรือ HPC ที่ใช้ AI
ตารางเปรียบเทียบชิป AI
ชิป ประเทศ / บริษัท สถาปัตยกรรม / กระบวนการผลิต พลังประมวลผลสูงสุด หน่วยความจำ แบนด์วิดท์หน่วยความจำ พลังงาน จุดเด่น AMD Instinct MI325X สหรัฐฯ / AMD CDNA3 accelerator ~1.3 PFLOPS FP16 (2.6 PFLOPS FP8 พร้อม sparsity) 256GB HBM3E ~6 TB/s ~750–1000W หน่วยความจำขนาดใหญ่เหมาะกับโมเดล AI ขนาดใหญ่
คนยังถาม คำตอบสั้น ๆ สำหรับ "ศึกชิป AI ระหว่างสหรัฐฯ และจีน ใครนำหน้าในสถาปัตยกรรม ประสิทธิภาพ และระบบนิเวศ" คืออะไร ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? ชิปจากสหรัฐฯ เช่น AMD Instinct MI325X และ Google TPU v6e มีตัวเลขประสิทธิภาพและความจุหน่วยความจำระดับสูง เช่น MI325X ที่มี HBM3E 256GB และประสิทธิภาพ FP16 ประมาณ 1.3 PFLOPS [83] จีนพัฒนาโซลูชันของตนเองเพื่อลดการพึ่งพาเทคโนโลยีต่างประเทศ เช่น Huawei Ascend 910C, Biren BR100 และ Cambricon MLU370‑X8 ซึ่งออกแบบมาสำหรับการฝึกและรันโมเดล AI ขนาดใหญ่
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? การแข่งขันไม่ได้อยู่ที่ตัวชิปอย่างเดียว แต่รวมถึงระบบคลัสเตอร์ขนาดใหญ่ ซอฟต์แวร์ และห่วงโซ่อุปทานการผลิตเซมิคอนดักเตอร์
Google TPU v6e (Trillium) สหรัฐฯ / Google TPU architecture แบบกำหนดเอง 918 TFLOPs bf16 ต่อชิป 32GB HBM ~1.6 TB/s ไม่ระบุ ออกแบบให้ทำงานเป็นคลัสเตอร์ TPU Pod ได้ถึง 256 ชิป
Huawei Ascend 910 จีน / Huawei Da Vinci architecture ~7nm ~256 TFLOPS FP16 HBM ~1.2 TB/s ~350W ชิป AI ระดับเรือธงของ Huawei เปิดตัวปี 2019
Huawei Ascend 910C จีน / Huawei chiplet (รวม 910B สองตัว) ~7nm class ~800 TFLOPS FP16 ~96–128GB HBM ~3.2 TB/s ~310W ออกแบบมาแข่งขันกับชิประดับ A100/H100
Biren BR100 จีน / Biren GPU แบบ dual‑die, TSMC 7nm CoWoS 256 TFLOPS FP32 / ~2048 TOPS INT8 64GB HBM2E ~2.3 TB/s ~550W GPU สำหรับดาต้าเซ็นเตอร์ มีทรานซิสเตอร์ ~77 พันล้านตัว
Biren BR104 จีน / Biren GPU แบบ single‑die ~128 TFLOPS FP32 32GB HBM2E ~819 GB/s ~300W รุ่นรองสำหรับการ์ด PCIe accelerator
Cambricon MLU370‑X8 จีน / Cambricon MLUarch03, 7nm 24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8 48GB LPDDR5 ~614 GB/s ~250W รองรับคลัสเตอร์หลายการ์ดผ่าน MLU‑Link
สถาปัตยกรรมและประสิทธิภาพการประมวลผล ในแง่ตัวเลขประสิทธิภาพที่เปิดเผย สหรัฐฯ ยังมีชิปที่ให้กำลังประมวลผลสูงกว่าในหลายกรณี
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
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
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
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Google TPU v6e (Trillium) สหรัฐฯ / Google TPU architecture แบบกำหนดเอง 918 TFLOPs bf16 ต่อชิป 32GB HBM ~1.6 TB/s ไม่ระบุ ออกแบบให้ทำงานเป็นคลัสเตอร์ TPU Pod ได้ถึง 256 ชิป
Huawei Ascend 910 จีน / Huawei Da Vinci architecture ~7nm ~256 TFLOPS FP16 HBM ~1.2 TB/s ~350W ชิป AI ระดับเรือธงของ Huawei เปิดตัวปี 2019
Huawei Ascend 910C จีน / Huawei chiplet (รวม 910B สองตัว) ~7nm class ~800 TFLOPS FP16 ~96–128GB HBM ~3.2 TB/s ~310W ออกแบบมาแข่งขันกับชิประดับ A100/H100
Biren BR100 จีน / Biren GPU แบบ dual‑die, TSMC 7nm CoWoS 256 TFLOPS FP32 / ~2048 TOPS INT8 64GB HBM2E ~2.3 TB/s ~550W GPU สำหรับดาต้าเซ็นเตอร์ มีทรานซิสเตอร์ ~77 พันล้านตัว
Biren BR104 จีน / Biren GPU แบบ single‑die ~128 TFLOPS FP32 32GB HBM2E ~819 GB/s ~300W รุ่นรองสำหรับการ์ด PCIe accelerator
Cambricon MLU370‑X8 จีน / Cambricon MLUarch03, 7nm 24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8 48GB LPDDR5 ~614 GB/s ~250W รองรับคลัสเตอร์หลายการ์ดผ่าน MLU‑Link
สถาปัตยกรรมและประสิทธิภาพการประมวลผล ในแง่ตัวเลขประสิทธิภาพที่เปิดเผย สหรัฐฯ ยังมีชิปที่ให้กำลังประมวลผลสูงกว่าในหลายกรณี
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
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
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
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
