[비즈한국] 在过去几年中实际上统治了AI硬件市场的英伟达（NVIDIA），近期与推理特化芯片初创公司Groq签订了规模达200亿美元（约合29万亿韩元）的协议。这不仅仅是一项大规模交易，更被视为AI半导体产业风向正在发生变化的信号。尽管市场将其看作是等同于并购（M&A）的重大交易，但英伟达强调这并非传统的并购，而是以技术授权及核心人才获取为中心的合作。Groq也将继续作为独立法人存在。即便如此，该协议受到高度关注的原因显而易见，因为它象征着AI硬件市场的核心准则正在摆脱“GPU=AI”的局限。
关注英伟达-Groq“合作”的理由
AI竞争的起点是“学习”。当时需要运算资源来训练更大的模型，而GPU是符合这一需求的最优工具。英伟达借助这一趋势，一跃成为AI时代最大的受益者。然而，随着AI跨越研究阶段进入正式的服务应用阶段，行业的关注点转移到了学习后的阶段。已经训练好的模型能够多快、多稳定、多低成本地被使用，成为了新的竞争要素。在此过程中，功耗、延迟时间和运营成本问题开始凸显。
正是在这一点上，推理特化芯片开始受到瞩目。Groq开发的“语言处理单元（LPU）”是专为语言模型推理而设计的专用集成电路（ASIC）。与强调通用性的GPU不同，它选择了预先定义运算路径以减少不必要分支的结构。这对于降低延迟和提高能效具有优势。在实时响应至关重要的聊天机器人或企业级AI服务环境中，这些特性直接转化为成本竞争力。这也是英伟达为何不执着于自有GPU设计，转而寻求外部技术的原因。分析认为，这反映了英伟达认为推理领域并非GPU的独角戏。
不过，这一选择并不意味着GPU的作用被削弱。GPU依然是大规模学习和通用AI加速的核心支柱。英伟达的策略更倾向于利用推理特化技术来弥补GPU相对低效的领域，而非取代它。因此，与Groq的合作被解读为在以GPU为中心的结构上，叠加推理特化技术的战略布局。
LPU、TPU、NPU有什么区别？
这种趋势并非英伟达一家的苦恼。谷歌很早就开始开发自家的加速器——“张量处理单元（TPU）”。TPU是根据谷歌内部工作负载设计的ASIC，在搜索、翻译、推荐等核心服务中发挥出极高的效率。这是谷歌旨在减少对外部GPU的依赖，并将AI服务的成本结构纳入自身掌控的战略选择。TPU的发展目的明确，即优化谷歌内部生态，而非瞄准通用市场。
“神经网络处理单元（NPU）”则在另一个舞台上展示其存在感。那不是在数据中心，而是在个人的指尖。苹果公司选择在iPhone中搭载神经网络引擎，将AI运算处理放在设备内部。这是同时考虑了电池效率、个人隐私和用户体验的决定。包括三星电子005930在内的智能手机制造商们也正在通过强化NPU性能，在端侧（On-device）实现实时翻译、照片修图、语音识别等功能。虽然NPU无法替代数据中心级的推理，但它在推动AI普及到日常生活的功能中将发挥重要作用。
如上所述，LPU、TPU、NPU都是从不同的问题意识出发的。数据中心的成本负担、科技巨头的供应链战略以及移动设备的功耗制约等现实需求，使芯片的形态发生了分化。结果，AI硬件正在迅速从“一颗芯片承担所有任务”的结构，转变为“根据用途优化的芯片共存”的结构。
英伟达似乎也不否认这种变化。相反，通过NVLink Fusion等技术，英伟达正采取将外部ASIC连接到自家系统的策略，试图在各种芯片混合的环境中维持其中心平台的地位。其算盘是不仅不通过硬件垄断，而是通过生态系统的连接与协调来延续自身影响力。
因此，英伟达与Groq的合作与其说是“GPU帝国的终结宣言”，不如说是AI硬件产业已进入成熟阶段的象征性场景。在从中心竞争向兼顾推理和经济性的局面转换过程中，单一的答案正在消失。GPU在AI产业中依然占据核心地位，但已不再是独舞舞台。AI硬件战争预计将在各司其职的多层结构中变得更加激烈。