英伟达GTC Blackwell芯片，到底牛在哪里，又有什么无法逾越的护城河呢？干货

美股指南

1614
文章

48
评论

2024年3月30日11:09:26美股资讯评论1,024阅读模式

文章目录

我们将和大家一起来了解一下，本次英伟达在2024GTC发布的全新Blackwell AI芯片，到底牛在哪里，又有什么无法逾越的护城河呢？

算力的五个层次

在具体分析Blackwell之前，我们可以先从黄仁勋的分析师电话会议中，对GB200的设计理念做一个大致的了解。

GB200是英伟达推出的最强大的AI超级芯片，他们也可能组成这个地球上，迄今为止算力最强的AI服务器。英伟达是如何实现这一点的呢？

答案很简单，就是靠暴力堆——开个玩笑，当然是他不惜重金研发的独门科技，和思路清晰的扩张方案。为了做到这一点，黄仁勋给出的答案是：将算力设计分成五个物理层次，并且在每一个层次都做到当前技术所允许的最好。黄仁勋说，Blackwell系列芯片的研发成本大概为100亿美金，这应该不是玩笑。

今天，我们就来对这5层算力做出层层解析。

第一层算力：单芯片算力

在同等工艺制程约束下，芯片的面积越大，晶体管的数量就越多。为了做出地球上最大的芯片，英伟达的Blackwell芯片尺是一整块wafer（晶圆）在光刻机曝光极限下所能支持的最大面积：800mm^2。按照CEO的原话说：如果我们做的再大一点，那么整块晶圆估计都会因为物理极限而断裂。

在很多人眼里，AI算力的本质就是流处理多核运算单元（Streaming Multiprocessor，SM，下同)的堆积。从某种意义上说，单一显卡的算力确实是可以这么计算，通过增加SM提升算力，这也是为什么华为的晟腾处理器910B号称在某些程度上已经接近A100的水平了。

虽然接下来我们将会看到，单显卡算力只是AI算力的第一级层次，但这并不妨碍我们探寻一下2024年全新发布的Blackwell，在单卡算力方面究竟取得了什么进展？

为了回答这个问题，我们先回顾一下历代英伟达AI加速卡的算力发展史：

英伟达的第一代AI加速卡叫Volta ，是英伟达第一次为AI运算专门设计的张量运算（Tensor Core）架构。该架构GPU V100 包含80个SM单元，每个单元内有4个双核Block共计8个计算核心（下同），每个核心一个周期可以完成128个16位浮点数乘法累加。V100的运行频率是1.53GHz，稍微计算一下可知，V100的浮点计算算力为80*8*128*1.53GHz = 125 Tera FLOPS，简写成125 TFLOPS。

Volta 架构

为方便大家理解，这里对名词缩写稍微进行一些解释：FLOPS是 FLoating point Operations Per Second的缩写，也即每秒浮点运算数。Tera是一种科学计数法的单位，1 Tera 等于 1000 Giga。这里的Tera和我们硬盘中的1TB中的T代表的是一个数量级。

英伟达的第二代张量计算架构叫图灵（Turing），代表显卡T4。一张T4显卡中只有40个SM，其他数据和V100基本接近，因此T4的算力基本只有V100的一半，也即65 TFLOPS。

至于为什么图灵架构的单卡Tensor算力不升反降，可能因为他其实是为游戏卡而生所致。

第三代张量运算架构安培（Ampere），终于来到我们比较熟悉的A100系列显卡了。在芯片工艺升级的加持下，单卡SM翻倍到了108个，SM内的核心数和V100相同，但是通过计算单元电路升级，核心每一个周期可以完成256个浮点数乘累加，是老架构的两倍。主频稍微下降，并且加入了更符合当时深度学习需要的8位浮点（FP8）运算模式，一个16位浮点核心可以当作2个8位浮点核心计算，算力再翻倍。主频稍有下降，为1.41GHz。因此最后，A100显卡的算力达到了V100的近5倍，为108*8*256*1.41GHz*2 =624 TFLOPS (FP8)。

Ampere 架构

第四代架构Hopper，也就是英伟达去年刚发布、OpenAI大语言模型训练已经采用、且因算力问题被禁运的H100系列显卡。该显卡的SM数（132个）相较前代并未大幅提升，但是因为全新的Tensor Core架构和异步内存设计，单个SM核心一个周期可以完成的FP16乘累加数再翻一倍，达到512次。主频稍微提高到1.83GHz，最终单卡算力达成惊人的1978 Tera FLOPS（FP8)，也即首次来到了PFLOPS（1.97 Peta FLOPS）领域。同样地，1 PFLOPS = 1000 TFLOPS。大家家里的硬盘如果再扩容一千倍，就有1PB了。这一般是大型数据中心的储存单位。

Hopper 架构

老黄上周发布的第五代架构Blackwell，在这个算力天梯上又取得了什么样的进展呢？根据公开的数据，如果采用全新的FP4数据单元，GB200在将能在推理任务中达到20 Peta FLOPS算力。将其还原回FP8，应该也有惊人的10 PFLOPS，这相对H100提升将达到5倍左右。

公开数据显示，Blackwell的处理器主频为2.1GHz。假设架构没有大幅更新，这意味着Blackwell将有600个SM，是H100的接近4倍。Blackwell有两个Die，那么单Die显卡的SM数也达到了H100的2倍。

由此可见，晶圆面积和芯片大小，对Blackwell的算力至少做出了一半的贡献。这种提升是光刻工艺、芯片蚀刻、晶圆物理限制方面的提升，也就是我们所说的，第一个层次的提升。

当然，这些年英伟达在Tensor Core架构设计上的不断精进，包括为Transformer优化过的流水线和专属CUDA驱动，也为算力的提升做出了重要贡献：

这里，我们将从Volta架构至今的算力天梯进展图列表如下，方便大家查阅：

由上表可知，Blackwell算力提升，主要来自于SM数的增加。总算力相较2023年推出的Hopper，提升约为5倍。相比2017年推出的Volta架构，提升约为40倍。

第二层算力：Die-to-Die相通，一片双芯

Blackwell能够做到600个SM的根本原因，在于他做出了世界上最大的Chiplet：把两个GPU核心直接“粘”起来，变成一个大小突破单一晶圆物理限制，通信速度达到10TB/s以至于两个核心会认为自己是一块芯片的巨无霸。

注意：对于今天的特别内容，只需输入您的邮箱，免费订阅即可阅读全文。全文约5800字

一块芯片，受到掩膜、曝光、晶圆和工艺尺寸等限制，最大也就只能塞进一定数目的晶体管：这就是当今半导体工业的极限。而英伟达的Blackwell GPU已经进入了这个极限：它的芯片面积为800平方毫米，被称作Reticle-Sized，也就是光刻机受掩膜大小限制，能够生产单个芯片的的极限尺寸。

注意到，一块Blackwell芯片是由左右两个Die拼接而成

然而老黄却显然不满足于这样的限制。他不可避免地进入了算力层次的下一阶段：双die互联，把他们组成一个更大的chiplet。只要互联的速度足够快，那么这两块芯片就会认为自己是一块芯片：世界上最大的GPU就由此诞生了。

为什么是两块互联，而不是三块、四块？“一生二，二生万物”；“两块”是芯片通信互联的起点，同时也是当前技术下，在限制电路复杂度等外部条件后，单个基底上能够实现的最好的解决方案。

苹果也有自己的双Die互联技术，叫做UltraFusion，不过他的通信能力大打折扣，仅仅为2.5TB/s。当然，这对于一款消费级电子产品来说已经够用了。老黄的显卡是工业产品，不能相提并论。

这其实也是英伟达在当今爆炸性增长的算力需求下，一种不计成本的炫技。据透露，Blackwell里高达10TB/s全球最快Die-to-Die通信，采用的是一种叫做NV-HBI（High Bandwitdth Interface）的技术。这项技术尚未公开，我们认为它实际上可能是NVLINK 5.0或者224G XSR serdes的变种：大概用了48组通道，总计带宽为10TB/s。

但不论NVidia最终采用的是哪种技术，这对先进封装（Advanded Packaging）来说都提出了全新的要求。只能说利好封装厂们未来营收再创新高。

封装厂们通过在板内增加贯穿的铜线，再在PCB版背面添加金属焊球导通不同位置的连线，再实现了复杂结构的2.5D互联——这真的是一项技术活。封装，恐怕也是国产芯片产业需要突破的，仅次于光刻机的第二大障碍。

台积电的CoWoS或者InFO可能为英伟达Die-to-Die提供了封装技术，他们也是HBM内存的封装方案。灰色小球就是金属焊球。

最终结果：Blackwell拥有2060亿个晶体管；因为由两个die组成，所以支持高达8条（而不是4条）HBM3e 显存：每条HBM3e容量为24GB，1TB/s带宽。因此，B200显卡将拥有总计高达192GB的显存和8TB/s的显存带宽。

Blackwell显卡的研发成本高达100亿美元。在单显卡算力上做到极致，这是NVDA AI超算处理器的第一道护城河。

至于3、4甚至更多块GPU的互联，老黄的方案是交给算力的下一层次：NVLink来解决。

第三层算力：NVLink，72卡互联

两个die合成一个GPU看似强劲，但在实际运用中却依然不够用。因为对于动辄几百亿参数的大语言模型来说，要想在合理时间内完成对上万亿token海量文本的训练，我们必须要用到大规模并行计算。

数据并行是一方面，模型本身的权重、甚至模型的每一层都需要分配到不同的显卡中实现并行计算，从而做到3个维度的分治加速。关于大语言模型的并行训练，我们可以参考关于HuggingFace中关于的简介。

我们所需要知道的是：哪怕显存再大，对于大语言模型训练来说，一个GPU也远远不够。

对此，英伟达给出的解决方案是：首先将2个Blackwell GPU和一个Arm处理器（也即Grace CPU）装在一个主板上。这款产品，叫做GB200（Grace Blackwell 200）。可想而知，该产品拥有2个Blackwell GPU，4个die，最终FP8算力为 20 PFLOPS，是单个GPU的2倍。两个GPU之间通过NVLink技术在Grace CPU的辅助下实现互联，每个GPU和Grace的通信带宽为1.8TB/s，总带宽为3.6TB/s。具体连接如下图所示：

这还不够。

随后，英伟达将36块这样的PCB板（又叫一个Rack）组装在一个标准服务器机架上。36个主板之间依然利用NVLINK，通过铜缆电信号实现互联。

在NVLink5 标准下，每个显卡最多能和18个GPU同时通信，总带宽为1.8TB/s：这是PCIe 5标准的的14倍。一共72个GPU，他们将拥有1.8TB/s * 72 = 130TB/s的总通信带宽。

这甚至能装下整个互联网。

这样一个搭载72个Blackwell GPU核心的机柜，叫做GB200 NVL72。

72个显卡互联，他比传统的8卡并联方案（比如华为晟腾和AMD）提高了9倍。NVL72可配置的高速HBM3e内存总也从单卡的192GB提高到了13.5TB，内存总带宽最大为576TB/s。

这些数字看起来已经让人头晕了。但我们只需知道，它们对于大模型训练速度的提升是不言而喻的。

和仅仅搭载两个显卡的GB200相比，NVL 72性能提升就是72/2=36倍；我们已经进入了超算世界，一切都是极致的简单，又如此粗暴。

具体地说，GB200 NVL72 FP8算力达到720PFLOPS，FP4更是首次进入Exa（中文音译为艾）领域，达到了1.44Exa FLOPS。这也是为什么在推理任务上，NVL72相比H100，提升可以高达30倍。

Exa级别的算力，基本上已经接近当今世界顶级超算的计算水平。当然，超算的算力是用FP64计算的，但超算们一般都用百万CPU核心才能实现这样的算力，GB200 NVL72仅仅使用了72个。

第四层算力：NVSwitch，SuperPOD

一个机柜不够，那就拿更多机柜来凑。这是朴素的、暴力的、算术的第一性原理。这也是黄仁勋Scale Up超算的基本原理。

从理论上说，借助NVSwitch，NVLink连接GPU的数目上限为576个。这也就恰好等于8台GB200-NVL72机柜。这样的配置，英伟达称之为GB200 SuperPOD。

一台NVSwitch提供的NVLink接口高达144个。这样在一个机柜内，将需要用到9个NVSwitch。9 * 144 恰好等于72个GPU，每个GPU满载18个NVLink 连接所需要的全连接数（72 * 18 = 9 * 144）。NVLink提供的GPU连接是All-to-All的，也即每一个GPU都分别有上行和下行通道，连接到系统内任意另外一个GPU上。

这也是NVLink 5 相比上一代GH100产品最大的优势：在上一代产品中，每个NVSwitch 最多能只能连64个NVLink通道，而NVLINK系统最多能只支持256个GPU全连接。因此GH100的单机柜最大只有32个H100，而不是GB200的6=72个。同样是8个机柜满载256个GPU，总共需要 9*8 = 72台NVSwitch。

机柜与机柜之间，应该是使用英伟达的ConnectX系列网卡，采用InfiniBand标准通过以太网以400GB/s速率连接。这也是为什么我们能在上图背面能看到蓝色网线。800G OSFP一般支持2通道400GB/s或者8通道100GB/s互联。

一个典型的机柜组网方法，以GH100为例

当然也有一种可能，就是最外层的机柜互联依然使用NVSWitch完成，如下图。不过这种组网方法比较异形，是先将8个H100组成一个节点，一共32个节点。每个节点内4使用个NVSwitch完成互联；仿照上图光纤Swtich的排列，最外层再用18个NVSWitch将每一个节点内空余的接口连满。一共需要146个NVSWitch。

一个两层NVSwtich的机柜组网方法，还是以GH100为例

NVSwitch的最大综合带宽为1PB/s，是单个NVLink的近500倍。但最大峰值非阻塞带宽为14.4TB/s，远低于单个NVL72机柜内部的 130TB/s。因此性能的扩展并不是无损的。在训练时，大量的通信任务应该集中在机柜内部，只有在不得已的时候，才需要在机柜之间进行通信：比如训练完一个Batch后，模型梯度的更新。

毫无疑问，如果你能买得起这样8台机柜的话，你所拥有的算力（FP4计算），将达到惊掉下巴的1.44*8 = 11.52 Exa FLOPS。即便是训练常用的FP8，也有5.76 Exa FLOPS。