虽然公众不清楚ChatGPT的出现，对日常生活，到底意味着何等巨大的改变，但这不影响全球科技大小公司集体“蹭”点的热情。
在A股市场，ChatGPT概念股被持续做多，在美国也一样。最具AI色彩和技术能力的英伟达公司，股价从美股在2023年第一个交易日——1月3日的143.15美元，靠着ChatGPT的助推之下，截至2月14日收盘，涨幅高达52.20%。这是在半导体行业进入下行周期的背景下取得的。
ChatGPT需要什么样的AI芯片？为什么赢麻的是英伟达？
为什么GPU是首选？
看上去很美的AI技术，商业化落地进展总是不及预期。但是，ChatGPT掀起的热潮，却成为AI未来商业化空间的最新想象。
ChatGPT是OpenAI公司于2022年11月发布的一款AI应用产品——对话机器人，能通过学习和理解人类语言实现人机对话。
与此前早已出现的如苹果Siri最大的不同，ChatGPT的人机对话并不单调/弱智，ChatGPT能根据人类的反应做出富有逻辑性的上下文信息互动。
因此，ChatGPT不仅能做个性化搜索任务，也能做逻辑解析，甚至可根据不同的主题，自动生成不逊于人类智力水准的各种文件，如论文、新闻和各类报告等，还能完成高级辅助编程等自然语言任务。
如此“高智能”的应用工具，其爆发性无与伦比：发布两个月，ChatGPT月活用户就达到1亿，成为史上增长最快的消费者应用程序。
这种“炽热”不止C端用户独有，全球顶级科技巨头微软和谷歌等，包括国内的百度、阿里等科技公司，都先后宣布在ChatGPT领域的资金和技术布局，比如微软以100亿美元入股OpenAI，谷歌刚发布了自研的BARD模型。
从底层技术角度看，ChatGPT是一种基于Transformer架构的预训练语言模型。这套模型，能通过海量语料数据，自动训练生成语法结构和语句结构，这被称为“生成类模型”。
ChatGPT应用和AI表达路径，或语言模型主要功能，就是通过巨量数据做预训练，之后就能理解C端用户的语言指令，或更进一步根据用户指令，生成相关文字结果并做文本输出。
当前，AI生成类模型主要分两类，一类是以ChatGPT为代表的语言类，另一种是以扩散模型（Diffusion）为代表的图像类。
若要保证ChatGPT的Transformer（语义理解和形成有逻辑的语言输出）效果，就必须拥有一个超大语言模型，即LLM（Large Language Model）。这个大模型有着极多的标签参数，便于NPU调用。技术论文显示，ChatGPT参数量达到了惊人的1750亿。若使用标准浮点数，则占用的存储空间能达到700GB。
如ChatGPT的参数量级，以及需要的Transformer效果，则运算硬件单元需要什么样的类型或技术要求？
简单来说，这需要三方面要求：分布式计算、内存容量/带宽、算力。
首先，单机训练显然无法胜任ChatGPT的效果要求，因此需要使用分布式计算；其次，在大规模分布式计算过程中，除了高算力，分布式计算节点之间的数据传输也极为重要。这对节点数据互联带宽提出了极高的要求。
第三，内存容量，这个相对容易理解。做海量数据训练，分布式计算节点的存储空间，决定了节点数据量的多少。数据量级越大，AI训练效率越高，结果自然也会相应越好。
如此就很清楚，符合ChatGPT需求的AI芯片主要不是CPU，而是包含NPU的GPU。所谓NPU，即嵌入式神经网络处理器（Neural-network Processing Units）。神经网络并不是指算法，而是一种特征提取方法。
决定神经网络优劣的核心因素，在于拥有多少可供训练的数据量。事实上，现在建模拼的不是算法，而是数据量级。
简单来说，深度学习会把特征当作黑盒子，对原始数据做非常复杂的变换操作：输入数据后，神经网络会自动提取特征。这些特征会让机器认识其含义，根据不同的技术目标识别和学习到什么特征最合适。所以，深度学习解决的核心问题是提取特征。
英伟达成阶段大赢家
ChatGPT的效果，需要分布式计算、内存容量/带宽和算力做保障。这决定了ChatGPT的算力硬件需求更多的是GPU。
除了上文提到的原因，还有一个要点在于，CPU发展到本世纪初，已越来越难以继续维持每年50%的性能提升；此时，内部包含数千个核心的GPU，却能利用内在的并行性，继续提升性能。
更重要的是，GPU的众核结构更适合高并发的深度学习任务。比如基于众核结构，英伟达推出的Triton解决方案。
这套Triton支持分布式训练和分布式推理，能将一个大型模型的算力分解成多个部分，分配到多个GPU做相应处理，从而解决因参数量过大，导致的单个GPU主存无法容纳的问题。
此外，语言类生成模型的主要计算类型是矩阵计算，而矩阵计算一直是GPU的强项。
值得一提的是，GPU这个缩写，首创或定义公司即英伟达。
1993年，黄仁勋等三位电气工程师联合成立英伟达，主要面向游戏市场供应图形处理器。1999年，英伟达推出显卡GeForce 256，第一次将图形处理器定义为“GPU”。
但是，让GPU成为AI训练首选芯片的除了硬件本身，还有英伟达在2006年推出的CUDA软件开发平台，以支持开发者用熟悉的CPU高级程序语言（如C语言/Java）开发深度学习模型，灵活调用英伟达GPU算力，还配套提供数据库、排错程序和API接口等一系列工具。
可以说，英伟达在深度学习和AI训练计算领域的技术储备，全球罕有对手。因此，在ChatGPT刚迈出商业化探索第一步之时，就被业界寄予厚望。
IDC亚太区研究总监郭俊丽近日对媒体称，就现阶段ChatGPT表现的AI水平，其总算力消耗高达3640PF-days，需要至少1万颗英伟达高端GPU做支撑。所谓3640PF-days，即每秒计算一千万亿次，需要持续运行3640天。
郭俊丽由此做出预计，在12个月内，ChatGPT很可能推动英伟达相关产品实现销售额达35亿-100亿美元之巨。
看上去英伟达成了ChatGPT最大赢家，但对手也不是没有，比如AMD。这家公司近年来在通用GPU领域，一直紧追英伟达，成长速度极快。2022年，AMD数据中心事业部营业额实现64%的同比高速增长。
此外还有英特尔。目前英特尔在GPU市场，已推出面向数据中心和AI的Xe HP架构，还有面向高性能计算的Xe HPC架构。
当然，就英伟达GPU具有的标准通用属性看，这家公司大概率会是ChatGPT在商业化初期较长时间内的主要受益方。
英伟达CEO黄仁勋近期针对ChatGPT发表看法时指出，“ChatGPT 的出现对人工智能领域的意义，类似手机领域‘iPhone’的出现。这一刻在科技领域具有里程碑的意义，因为现在大家可以将所有关于移动计算的想法，汇集到了一个产品中。”