在AIGC大爆发的背后，是海量AI训练和AI推理的算力需求。英伟达是目前最大的AI算力提供商，它第二季度的盈利水平（同比增长854%）传递了一个信号—行业对于AI算力的需求还远未被满足。
英伟达在AI算力的垄断之势（市场份额超80%），让很多使用AI算力的公司担忧，微软、亚马逊和OpenAI都在积极造芯，OpenAI还和Cerebras ，Atomic Semi等AI芯片创业公司传出了收购绯闻。
运行AI应用的AI推理算力需求在未来将会大大超过训练大模型的算力需求，而且推理算力的要求与训练并不相同，现有的GPU去做推理，在成本上没有优势，这就需要专有的AI推理芯片。
近日，一家专注做AI推理芯片的创业公司d-Matrix获得了1.1亿美元B轮融资，由淡马锡领投，包含此前融资轮次的投资者有Playground Global、M12（微软风险投资基金）、Industry Ventures、Ericsson Ventures、Samsung Ventures、SK Hynix等，产业投资占了相当重要的部分。d-Matrix的首席执行官Sid Sheth表示：“他们是懂得如何建立半导体业务的资本，是可以与我们长期合作的资本。”
d-Matrix的新融资将用来打造其数字内存计算 (DIMC) Chiplet推理计算卡Corsair。这种卡据称推理速度是英伟达H100 GPU的9倍，如果是计算卡集群，与英伟达的类似解决方案相比，功率效率提高20倍，延迟降低20倍，成本降低高达30倍。
两位芯片资深人士瞄准AIGC时代的AI推理算力需求
AI系统在训练AI模型与使用它进行预测和推理时使用不同类型的计算。AI推理需要的算力更少，但是当运行一个大型AI服务时，长期看需要比训练更多的算力。
使用现有的AI硬件很难低成本地部署一个专门用于AI推理的数据中心。有消息称，微软的GitHub Copilot服务，平均每个月在每个用户身上要倒贴20美元，据SemiAnalysis首席分析师Dylan Patel统计，OpenAI运行ChatGPT的单日投入成本可能高达70万美元。这些成本，都是运行AI服务时无法缩减的AI推理成本。
AI行业要更健康的发展，更低推理成本，更低能耗成本的AI推理芯片是刚需。
两位芯片行业的资深人士Sid Sheth和Sudeep Bhoja于2019年创立了d-Matrix，他们此前曾在Marvell和Broadcom（博通）共事。2019年，Transformer架构的AI模型刚刚兴起，他们看到了这个模型架构的巨大潜力和机会，决定专门为这些大语言模型设计其AI硬件。
d-Matrix的首席执行官兼联合创始人Sid Sheth表示：“我们在2019年做了一个赌注，决定专注做Transformer模型的加速平台，并且专注于推理，到2022年底，生成式AI爆发时，d-Matrix成为少数几家拥有生成式AI推理计算平台的公司之一。我们在三年的时间里逐渐成长并抓住了这个机会。我们所有的硬件和软件都是为了加速Transformer模型和生成式AI构建的。”
Sid Sheth继续介绍了d-Matrix在市场定位上的独特性：“生成式AI将永远改变人们和公司创造、工作和与技术互动的范式。
但是当前运行AI推理的总体拥有成本 (TCO) 正在迅速上升，d-Matrix团队正在通过为大语言模型专门打造的计算解决方案，改变部署AI推理的成本经济学，而这轮融资进一步证实了我们在该行业中的地位。”
微软M12的投资人Michael Stewart认为：“当大语言模型推理的TCO成为企业在其服务和应用中使用先进AI的关键限制因素时，我们正式进入生产阶段。d-Matrix一直在遵循一个计划，该计划将为使用基于内存为中心方法的灵活、弹性的Chiplet架构的各种潜在模型服务场景提供行业突出的 TCO。”
将AI推理的成本降低30倍
使用CPU和GPU进行AI的训练和推理，并不是效率最高的方式。对于AI推理运算，数据移动是最大的瓶颈。具体来说，将数据来回传输到随机存取存储器会导致显著的延迟，这又会导致更高的能耗和成本，并拖慢整个AI系统的速度。
解决这个问题，可以有三种方式。
第一种是通过采样和流水线减少处理的数据量来加速深度学习，但它也限制了准确性和精确性。
第二种是在传统的处理器附近设置专用AI引擎的处理器，Apple、英伟达、Intel和AMD都采用这种方式，但这些解决方案仍然使用传统的冯·诺依曼处理器架构、要集成SRAM和外部DRAM存储器，他们都需要将数据移入和移出存储器，仍然造成高能耗和低效率。
第三种是将计算移动到RAM（内存）附近，也就是d-Matrix采用的方法。这种叫数字内存计算（DIMC）的引擎架构降低了延迟，减少了能源消耗。它也非常适合AI推理，因为推理会涉及一个相对静态（但大型）的权重数据集，这个数据集被反复访问，DIMC消除了大部分能量转移费用和数据移动的延迟。
d-Matrix使用多个Chiplet来构建更大、模块化且可扩展的集成电路。这使它能够构建可扩展的平台，用于企业级AI推理任务，帮助AI企业提高性能和效率。
Jayhawk II Chiplet
2021年，d-Matrix推出了Nighthawk Chiplet，之后，他们推出了Jayhawk Chiplet平台，这是行业首款基于Open Domain-Specific Architecture（ODSA）Bunch of Wires（BoW）的Chiplet平台，旨在提供高能效的基于有机基板的芯片间连接。
而首批采用d-Matrix的DIMC架构的产品将基于最近宣布的Jayhawk II处理器，这是一个包含约165亿晶体管的Chiplet。
每个Jayhawk II Chiplet都包含一个RISC-V核心来管理它，32个Apollo核心（每个核心有八个并行操作的DIMC单元）、带有150TB/s带宽的256 MB SRAM。核心使用带有84TB/s带宽的特殊网络芯片进行连接。
Corsair计算卡
d-Matrix还推出了Corsair计算卡，类似英伟达的H100，每块Corsair计算卡拥有8个Jayhawk II Chiplet，每个Jayhawk II提供2Tb/s（250GB/s）的芯片到芯片带宽，单块Corsair计算卡就拥有8Tb/s（1TB/s）的聚合芯片到芯片带宽。
d-Matrix的架构和软件的可扩展性使其能够将集成的SRAM内存聚合成一个提供非常高带宽的统一内存池。例如，带有16张Corsair卡的服务器有32 GB的SRAM和2TB的LPDDR5，这足以运行200亿到300亿参数的Transformer模型。
d-Matrix声称，与基于GPU的解决方案相比，搭载Corsair计算卡的服务器使生成式AI的推理总体拥有成本降低了10倍到30倍，但是这一套硬件将在2024年才能正式投入使用。
d-Matrix Aviator软件堆栈
英伟达在AI算力的强大不仅在于GPU，也在于它的CUDA软件堆栈以及为特定工作负载和用例优化的众多库，从而形成了完整生态。
d-Matrix也用Aviator软件堆栈与硬件一起为客户提供完整体验，它包含了一系列用于生产中部署模型的软件，例如ML工具链、用于工作负载分配的系统软件、用于生产部署的推理服务器软件等。而且其大部分软件堆栈都利用了广泛采用的开源软件。
瞄准相对较小的模型
d-Matrix的首席执行官Sid Sheth指出，除了定位在AI推理外，它们还进一步专注在数十亿到数百亿的中小大模型，而不是通用的千亿以上大模型。
半导体和AI研究机构Cambrian AI的创始人兼首席分析师Karl Freund也同意这种观点，他表示：“大多数企业不会部署千亿或万亿参数大模型。但他们会使用公司的自有数据来微调模型，他们实际部署的模型规模会小得多。对于这种大小的模型，英伟达H100在AI推理方面不一定是最经济的选择，目前H100的售价高达40000美元。”
他也指出，d-Matrix面临一个机会窗口，在英伟达等巨头转向这个市场前，他有一段相对空白的时间来展现其价值。
目前，d-Matrix预计今年的收入将不超过1000万美元，主要来自购买芯片进行评估的客户。创始人Sheth表示，d-Matrix预计在两年内的年收入将超过7000万至7500万美元，并实现盈亏平衡。而d-Matrix面临的市场空间是巨大的，Cambrian AI预计到2030年，AI推理芯片的算力功耗比达到每瓦超过1000 TOPS都是可能的。
自主性和成本是AI芯片的生存土壤
d-Matrix等AI芯片创业公司的生存土壤，一方面来自于AI厂商的自主可控需求，无论是微软，Meta，亚马逊这样的巨头，OpenAI，Anthropic这样的超级独角兽，还是Cohere等突出的创业公司，他们都不希望自己的AI算力与单一公司绑定。
另一方面就是AI服务的运行成本问题，对于大模型公司，从长期看，运行AI服务的算力成本会高于训练模型的算力成本，而且在现阶段，AI企业的单个用户的运行成本是亏损状态，总体拥有成本 (TCO) 也高企。对于资金充裕的巨头，这种亏损状态尚可承担，但是对于创业公司来说，则是巨大负担，会拖慢他们的业务进一步扩大的速度。
第三方、低成本的AI推理算力，无论对于巨头，还是对于创业公司，都极为需要。
目前的阶段，AI芯片领域的创业公司面临什么风险？其一当然是英伟达巨头的“垄断”，以及微软、Meta、谷歌、OpenAI这些最大的AI公司自研芯片，再就是与芯片配套的软件生态问题。
而这些问题，d-Matrix都在解决当中。它瞄准了商用中小规模AI模型的市场，也与开源社区合作，打造软件生态，这都能让它在巨头竞争时拥有差异化竞争优势。
本文由阿尔法公社原创。
