文｜雷科技

过去一年多，硅谷掀起的生成式AI革命席卷全球，并愈演愈烈。而在这场革命有中两条非常明显的主线：

一是基础技术的进化，以GPT、Gemini为代表的大模型继续向着AGI（通用人工智能）迭代；

二是现象级应用的涌现，生成式AI在不同领域、不同场景下的应用狂潮在逐步改变人类的生活和工作方式，比如雷科技尤其关注的AI硬件领域，就出现了AI手机、AI PC、AI电视、AI家电、AI清洁等新应用。

在两条主线下，还有一条关于算力的「暗线」。

对AI的发展来说，算力短缺已经不是一天两天的问题，时至今日各大公司都还在继续抢购GPU，更确切地说，是英伟达的高端GPU：

如果说《沙丘》是「得香料者得天下」，那AI行业就是「得英伟达GPU者得天下」。

这也让整个行业对于英伟达GPU又爱又恨，一方面是基于CUDA平台的英伟达高端GPU可以简单、高效地进行人工智能训练，另一方面是所有人都过于依赖英伟达这一家公司。

CUDA是英伟达AI的基石

关于英伟达GPU成功原因的分析已经很多了，其核心主要还是英伟达GPU本身的高性能（包括互连性能），加上CUDA平台带来的软硬件协同效应。英伟达在硬件本身上的优势并不难逾越，问题关键在于软件，在于CUDA平台。

在前段时间的GTC 2024开幕演讲上，老黄也回顾了英伟达的发展史。

2014年，黄仁勋首次强调机器学习的重要性，当时AlphaGo尚未战胜李世石，深度学习并未引发世界级关注。不过当时英伟达已提出CUDA（通用计算平台）的概念，在许多人还在把英伟达当作「游戏显卡」的制造商时，其走在了AI变革前沿。

不过最初，CUDA的应用场景主要是科学计算，就是类似于气候模拟、物理模拟、生物信息学等专业研究，应用场景很有价值，但却狭窄。正因为此，英伟达的CUDA一直没有打开市场，带给英伟达的回报无法与对应的巨量研发投入匹配。黄仁勋每年都需要向董事会解释，为什么英伟达要坚持做CUDA？

其实当时老黄也不知道，英伟达的CUDA会在未来几年，先后迎来区块链“挖矿”、AI大模型计算等计算场景，真实泼天富贵。

短短两年时间，英伟达通过H100、H200芯片，缔造了万亿AI帝国，市值已超越亚马逊等传统豪强，按照这样的势头，在可见的未来，超越苹果、微软成为世界头号巨头也不是没有可能。

在被称为AI应用元年的2024，英伟达的CUDA（通用计算平台）正如其名，变得通用起来，从大语言模型、对话式AI、边缘计算等底层技术，到智能座舱、自动驾驶、人形机器人等应用场景，再到AI手机、AI PC、AI家电、AI搜索、AI绘画等应用，以及未来的气候预测、计算光刻与6G网络，AI正无处不在，英伟达的计算也无处不在，成为“通用计算”。

当英伟达的卡以及CUDA平台越来越重要时，其他科技巨头看到了“制霸”危机：

一方面，英伟达的卡价格不菲，且拥有绝对定价权，厂商们囤积GPU卡要给英伟达巨额资金，结果就是：做AI的不一定赚钱（当前几乎都不赚钱），英伟达却赚爆了。

另一方面，英伟达可以决定最顶尖的卡先给谁，给多少，给不给。此外，英伟达也依托GPU的计算资源向上层业务拓展，涉足云等业务，与科技巨头形成一定的竞争。

事实上从2023年开始，很多芯片厂商和大模型厂商都意识到了这些问题，纷纷希望通过另建一套软件平台对抗英伟达的CUDA。不能说所有尝试都失败了，只能说目前还没有出现真正的挑战者。

如今，一个新联盟和开源平台，可能会彻底改变英伟达CUDA一家独大的局面——如同当初谷歌振臂高呼组建的OHA联盟以及开源的安卓对抗苹果一般。因缘际会的是，在这一轮打破CUDA霸权的战争中，谷歌依然扮演了至关重要的角色，安卓阵营的高通、ARM们也在发挥各自的关键作用。

日光之下，无新事。

巨头组建联盟反抗CUDA

「整个行业都希望能干掉CUDA，包括谷歌、OpenAI等公司都在想方设法让人工智能训练更加开放。我们认为CUDA的护城河既浅又窄。」在去年年底的一场活动上，英特尔CEO帕特·基辛格（Pat Gelsinger）语出惊人地指出了对于英伟达CUDA平台的看法。

但即便基辛格认为CUDA的护城河「既窄又浅」，他也明白挑战在人工智能训练上挑战英伟达，绝非易事。

根据路透社报道，Linux基金会联合英特尔、谷歌、高通、ARM以及三星等公司成立了统一加速基金会（UXL），以英特尔的oneAPI为起点，正在开发一套开源软件套件，允许人工智能开发者在任何AI芯片上运行他们的代码。

这里需要简单介绍下，oneAPI是英特尔的统一编程模型和软件开发框架，可以让开发者无需对代码进行重大修改，就能借助oneAPI实现跨硬件架构（包括英特尔的CPU、GPU和FPGA）的程序开发。

简单来说，UXL就是在oneAPI的基础上更进一步，要实现更广泛的跨架构跨平台支持，解除芯片硬件与软件的强绑定关系。

而集合了芯片厂商、大模型厂商以及晶圆代工厂的UXL，无疑是想取代英伟达CUDA平台，成为全球人工智能开发者的首选开发平台。高通人工智能和机器学习主管Vinesh Sukumar就明确表示：

「我们实际上是在向开发者展示如何从英伟达平台迁移出来。」

甚至，UXL最终也将支持英伟达的硬件和代码。

而除了最初参与的创始成员，UXL还吸引了包括亚马逊AWS、微软Azure以及多家芯片厂商。同时根据规划，UXL预计在今年上半年确定技术规范，在年底前将技术细节完善成熟。

至于UXL能不能成功替代掉CUDA，成为全球人工智能开发者的首选平台，显然还需要一系列的证明，毕竟超越CUDA：

真的很难。

对抗CUDA，到底难在哪里？

首先我们需要明白，CUDA既是一种编程语言，也是一种编译器。

作为编程语言，CUDA是开发者通过CUDA与底层硬件（GPU）沟通、调用算力的一种方式，新建一套新的编程语言并不难。作为编译器，CUDA无疑有很高的性能，这意味着开发者可以通过CUDA在GPU上更高效地执行程序，用更容易理解的话说：

CUDA可以高效地利用GPU的峰值算力。

考虑到今天人工智能训练对于大算力、高性能的追求，也无怪乎开发者对于CUDA的偏爱。

但实际上英伟达在这两个层面上绝非天下无敌，尤其是OpenAI开源的Triton，不仅能在英伟达的GPU上实现接近CUDA的执行效率，还在合并AMD ROCm（对标CUDA）等平台的代码，兼容更多的GPU。

CUDA难以被撼动的关键在于，它还是一种生态。

去年台北电脑展上，老黄透露有400万开发者正在使用CUDA计算平台。而且在过去十几年间（CUDA推出于2007年），CUDA已经积累了大量的高性能程序库以及框架代码。这也是为什么尽管连OpenAI都吐槽用CUDA为GPU编程的难度，但更多开发者还是基于CUDA，而不是Triton进行开发。

另一方面，英伟达的软硬件协同设计也让这种优势更加牢不可破。

要知道，Triton可以兼容英伟达的GPU，其他GPU也可以兼容CUDA，甚至在效率上后来居上也并非不可能。但软件适配硬件需要时间，尤其是在GPU上需要更长的时间。

这意味着英伟达一旦发布新的GPU和CUDA版本，不管是兼容CUDA还是兼容英伟达的GPU，就需要重新追赶英伟达的脚步。

所以某种程度上，能打败英伟达的只有采用软硬件协同设计的策略，同时拥有强大的芯片能力和软件能力。

用“安卓模式”，打破英伟达算力霸权

谷歌拥有自己的TPU、XLA计算平台，还有自己的大模型和一系列算力「出口」。但谷歌这套并不外卖，所以包括Authropic（Claude母公司）、Midjourney都是通过谷歌云使用这一套算力解决方案，而没有选择购买英伟达的GPU。

从这角度来看，UXL虽然聚集了从晶圆代工厂到芯片厂商，再到云计算和大模型厂商，涵盖了AI芯片的主要上下游，但真正的挑战还在于不同成员之间的协同，这也是UXL能不能成功的关键。

如果没有足够的利益捆绑，每一个“联盟”都难成气候，聚集得多高调，涣散就有多迅猛。安卓生态能成功的关键在于，系统平台、半导体、硬件、开发者等等参与者能各取所需，一起将蛋糕做大。UXL是否能形成同样的正循环效应？当下，我们不知道答案。

年初，OpenAI Sam Altman语不惊人死不休，曝出计划筹集7万亿美元解决AI面对的算力问题。虽然这个数字惊掉了所有人的下巴，但也再一次地说明了，以OpenAI为代表的人工智能行业对于算力的极度渴求——在微软支持下，OpenAI也在布局自有芯片体系。

总而言之，英伟达不能满足所有人，所有人也不满足于只有一家英伟达。换句话说，不管UXL能不能成功，谷歌会不会改变策略，所有人都会继续挑战英伟达：

直到打破算力霸权。