來源較早收集於 9m

OpenAI 與 Broadcom 合作開發客製化 AI 晶片

閱讀原文: New York Times Technology
#silicon#hardware#data-center#compute

OpenAI 轉向客製化晶片,標誌著 AI 硬體領域與基礎設施擴展策略的重大轉變。

30 秒速覽

有什麼變化

OpenAI 與 Broadcom 合作開發用於 AI 工作負載的客製化晶片。

為什麼重要

此合作標誌著 OpenAI 在硬體垂直整合方面的策略轉變,旨在減少對 Nvidia 等第三方供應商的依賴。這也凸顯了下一代前沿模型所面臨的極端能源與硬體限制。

下一步行動

密切關注 Broadcom 的投資者關係與技術揭露,了解客製化 AI 晶片架構的規格,以掌握未來硬體趨勢。

誰應關注:Founders & Product Leaders

關鍵要點

  • •OpenAI 與 Broadcom 合作開發用於 AI 工作負載的客製化晶片。
  • •此計畫旨在解決訓練與運行下一代模型所需的龐大基礎設施需求。
  • •預計這些運算作業的能源消耗將高達 10 吉瓦,相當於數百萬家庭的用電量。

深度解析

本篇為 AI 生成分析,非原文內容。

增強重點摘要

  • •OpenAI 的晶片策略不僅限於 Broadcom,同時也與台積電(TSMC)合作,利用其先進製程技術進行晶片製造。
  • •此項合作旨在減少 OpenAI 對 NVIDIA GPU 的依賴,以緩解供應鏈瓶頸並優化特定 AI 模型架構的執行效率。
  • •除了 Broadcom,OpenAI 亦與 Marvell Technology 進行接觸,探索多元化的客製化晶片供應鏈方案。
  • •該計畫涉及開發專用的推理晶片(Inference Chips),以降低大規模部署 GPT 系列模型時的高昂營運成本。
  • •OpenAI 內部已組建一支由前 Google TPU 團隊成員領軍的硬體工程部門,負責主導晶片架構設計與系統整合。

競品分析

Google
晶片策略
自研 TPU (Tensor Processing Unit)
優勢
軟硬體整合度極高,已迭代多代
劣勢
生態系封閉,外部開發者遷移成本高
Microsoft
晶片策略
自研 Maia 晶片
優勢
深度整合 Azure 雲端基礎設施
劣勢
晶片效能仍需追趕 NVIDIA 高階產品
Amazon
晶片策略
自研 Trainium 與 Inferentia
優勢
針對 AWS 雲端工作負載高度優化
劣勢
僅限於 AWS 生態系使用
Meta
晶片策略
自研 MTIA (Meta Training and Inference Accelerator)
優勢
針對推薦系統與社群媒體模型優化
劣勢
尚未大規模應用於通用大語言模型訓練

技術深入

  • 採用先進的 2 奈米或 3 奈米製程節點,以提升每瓦效能(Performance-per-watt)。
  • 整合高頻寬記憶體(HBM3e 或後續規格),解決 AI 模型訓練中的記憶體頻寬瓶頸。
  • 針對 Transformer 架構進行硬體層級的算子加速(Operator Acceleration),特別是針對注意力機制(Attention Mechanism)的優化。
  • 採用小晶片(Chiplet)封裝技術,將運算單元與記憶體模組進行異質整合,以降低設計複雜度並提高良率。

前景展望基於引用來源的 AI 分析

OpenAI 將顯著降低對 NVIDIA 的採購依賴
透過自研晶片與多元供應鏈策略,OpenAI 能夠在未來 3-5 年內將核心推理工作負載轉移至自有架構。
能源基礎設施將成為 AI 企業的核心競爭力
10 吉瓦的能源需求迫使 OpenAI 必須直接投資能源基礎設施或與電力供應商簽署長期購電協議(PPA)。

時間線

2023-10
OpenAI 傳出開始評估自研 AI 晶片的可行性,並考慮收購潛在目標。
2024-04
OpenAI 高層與台積電及其他晶片設計廠商展開密集會談,討論晶片製造產能。
2024-09
媒體報導 OpenAI 正式與 Broadcom 合作,啟動首款客製化 AI 晶片的設計流程。
2025-05
OpenAI 擴大硬體團隊規模,並確認將採用台積電的先進製程進行晶片試產。

事件追蹤

AI 週報

閱讀本週精選 AI 大事摘要 →

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源: New York Times Technology ↗

這是摘要,不是原文。去看原站,或訂閱每週簡報。

每週電子報

每週一封,可隨時退訂。