11月13日晚，英伟达在国际超算大会上推出新一代GPU，NVIDIA HGX H200。


对这块GPU，黄仁勋给的学术名称是“新一代AI计算平台”，专为大模型与生成式AI而设计，翻译一下：只看算力H200和H100基本相同，但为了加速AI推理速度，我们优化了显存和带宽。



又一块史上最强芯片


先看具体的参数升级，官方新闻稿是说相比H100而言性能提升了60%-90%，具体来看则是四个方面：


1. 跑70B Llama2，推理速度比H100快90%；


2. 跑175B GPT-3，推理速度比H100快60%；


3. 显存容量达到141GB，是H100的近1.8倍；


4. 带宽达到4.8TB，是H100的1.4倍。


换句话说，虽然算力没有提升，但更高速的推理就意味着大量时间和金钱成本的节约，虽然还没有公布定价，新卡的“单美元效率”有了显著的提升。


虽然当下H200的具体架构还没有曝光，根据已有信息我们推测，最重要的三个部分中，逻辑芯片应该还是台积电的4N工艺，CoWoS封装也没有变化，但HBM存储芯片却由原先的HBM3升级到了HBM3e。


H100拆机图


原先的6颗HBM3芯片由SK海力士独供，内存带宽为3.35TB/s，内存为80GB，而全球首款搭载HBM3e内存的H200，内存带宽达到4.8TB/s，内存达到141GB。


141GB内存这个数字还挺奇怪，但这也是惯例。之前的HBM3芯片单颗内存为16GB，堆叠6颗理论上应该是96GB，但实际只有80GB，就是英伟达为了保证良率，保留了一部分冗余空间。


而这次的HBM3e单颗容量为24GB，6颗算下来是144GB，等于说这次英伟达只保留了3GB冗余，更大程度压榨了内存的空间，以实现性能上的突破。


这或许带来产能爬坡速度较慢的问题。


至于供应商方面，英伟达暂时没有公布，SK海力士和美光今年都公布了这一技术，但美光在今年9月份表示，它正在努力成为英伟达的供应商，不知道H200有没有选上它。


这块最强GPU要到2024年二季度才正式发售，现在大家依然得抢H100。


今年8月英伟达发布的GH200超级芯片，实际上是由Grace CPU与H100 GPU组合而成的。


这套组合在NVLink的加持下与H200完全兼容，也就是说原先用H100的数据中心既可以直接升级H200，也可以再堆几块H200进去增加算力。


另一方面，根据此前英伟达公布的更新路径图，在2024年的四季度就将发布下一代Blackwell架构的B100，性能将再次突破。



再结合我们上文提到的，相比于H100，H200只是在推理能力上有所提升，更接近老黄一贯以来的挤牙膏产品，真正的大招还得看明年的B100。


问题是，英伟达为什么要出一款这样的产品？


H200称不上传奇


显卡玩家都知道，老黄的刀法是出了名的精湛。


所谓刀工，就是你去买肉的时候说要一斤肉，老板一刀下去刚好一斤。放到显卡这里，则是厂商通过分割性能设计出不同价位的产品，以满足各类不同需求的消费者。


比如下图所示的五款同一年发售的显卡，采用相同制程和架构，但通过屏蔽不同量的流处理器以诞生性能有所差异的五款显卡。



发售价基本呈等差数列，如果把他们变成性能差异的话，则会出现下面这张层层递进的得分图。


很明显，消费者多花一分钱，就能多得到一点性能，号称“每500元一档，每5%性能一级”。


毕竟打游戏这事，有人只玩热血传奇，也有人就喜欢4K光追120FPS玩《赛博朋克2077》，不同人群的需求千差万别，不同价位都有市场。


图片来源：极客湾


至于这么操作有什么好处——抢占市场，节约成本。


抢占市场比较好理解，在所有价格带和各种性能档次上铺满自家产品以挤压对手生存空间，这套做法各行各业都有，看看白酒和车企就知道了。


成本这边，一片晶圆能够切割出若干块“die”（也就是芯片封装前的晶粒），而这切割出来的die质量参差不齐，也就有了良品率的概念。


因此简单来说，以16xx系显卡为例，英伟达就会把质量最高的芯片做成性能最强的1660Ti，差一点的做成1660Super和1660，再差一点的继续降级。


这样就能够保证在芯片制造过程中的损耗尽可能降低。


同时这种刀法还能用来清库存，比如22年矿机市场崩盘，英伟达30xx系列芯片堆在仓库里卖不动，老黄就把用在高端显卡上的芯片放进低端显卡系列里，降价出售。


比如说原先放在3090上的ga102核心，22年3月首发价11999元，到了11月就搭载到新版的3070Ti V2上，价格直接打到了3500左右。


回到H200这里，H100已经是最强的AI芯片了，但英伟达就是要在B100和H100之间再切出一个H200，同样也是上述的两个原因。


这里需要科普一下内存带宽的意义，一套服务器的真实计算速度（FLOPs/s），是在“计算密度x带宽”与“峰值计算速度”这两个指标间取最小值。


而计算密度和带宽的上限都是受到内存技术影响的。（这里划个线，后面讨论中国特供H20还会提到。）


通俗来说，就是如果芯片内部计算已经结束，但新的数据没传过来，下一次计算也就不能开始，这部分算力实际上是被浪费的。


这也是为什么我们看到一些服务器的算力（FLOPs）相对较低，但计算速度却更高的原因。


因此对于一款高性能芯片来说，算力和带宽应当同步提升才能使计算速度最大化。


对于H系列GPU来说，在不改架构和所用制程的情况下，可能算力上的突破已经比较困难，但在HBM3e的加持下，内存和内存带宽得以继续提升。


另一方面，相较于此前训练大模型所强调的庞大算力，在当下AI应用大量落地的时代厂商开始重视推理速度。


推理速度和计算速度可以划上约等号，即是将用户输入的数据，通过训练好的大模型，再输出给用户有价值的信息的过程，也就是你等ChatGPT回复你的那段时间。


推理速度越快，回复速度越快，用户体验自然越好，但对于AI应用而言，不同难度等级的推理所需要的运算量天差地别。


打个比方，假设现在有一款和GPT-4同样强大的模型，但问他附近有什么好吃的足足花一分钟才能给出答案，但GPT-4只要一秒，这就是推理速度带来的差异。


这种推理速度上的差异延伸到应用生态上，则会影响应用的广度与深度，比如即时性要求更强的AI就必须拥有更高的带宽，最典型的案例就是自动驾驶技术。


在这一逻辑下，头部大厂自然会愿意为更高的内存买单。


而成本这一块，英伟达就更鸡贼了，咱们来看看中国特供版GPU：H20。


深厚刀工下的产物：H20


日前有消息称，英伟达现已开发出针对中国区的最新改良版系列芯片：HGX H20、L20 PCle和L2 PCle，知情人士称，最新三款芯片是由H100改良而来，预计会在16号正式公布。


这有三款芯片，但L20和L2是基于Intel的第三代平台，这里暂且不表，重点是采用H100/H800架构的H20。


H20的诞生背景这里就不再赘述，单看这名字，足足落后H200十倍，拜登看了直点头。


先看参数，H20在内存上用的还是H100相同的HBM3，6个16G堆叠完完整整96GB，完全没有任何留存部分，意味着该技术良率早已不是问题，明显的成熟制程。


但为了规避禁令限制，计算密度（下图中的TPP/Die size）被大幅阉割，根据上文所述，计算速度也就是推理速度差了不止一星半点。



然后再看这张表，计算能力的核心参数FP32为44TFLOPS，相较于H100/200并没有下降多少。


但在张量核心（Tensor Core）的部分则是大砍特砍，BF16、TF32都被砍到只剩一个零头。



简单来说就是生成比GPT-3更高级的大模型所必备的，专为深度学习而设计的计算核心，张量核心被砍，基本意味着这块GPU当下训练不出比GPT-3更高级的模型。


张量核心被砍，同样意味着生产这卡可以用成熟制程，品相差一点的晶粒，也就意味着更低的成本。


想想这是不是和显卡玩法差不多？


看到这里感觉就是个全面阉割版，用国产替代不行吗？


老黄刀法厉害就厉害在这：4.0TB的内存带宽比H100还高，卡间、服务器间带宽NVlink速度900GB/s和H100持平。


也就是说，即便禁令影响不能出售高端GPU，但中国客户可以多买几张堆一起，用来弥补单卡算力不足的问题，粗略算算2.5张H20可以等效于一张A100。


NVlink再加上CUDA生态，再算上成熟制程带来的低成本优势，即便国内厂商不得不给英伟达缴更多的“税”，H20依旧是国内厂商最好的选择。


还是那句话，老黄这么多年积淀下的刀功确实能给蚊子腿做手术，这一刀下来，既规避了禁令限制，又让国内厂商继续买他们家的产品。


英伟达又赢麻了。


参考材料：

[1] 英伟达计划碾压竞争对手 – B100、“X100”、H200、224G SerDes、OCS、CPO、PCIe 7.0、HBM3E，semianalysis

[2] Nvidia upgrades flagship chip to handle bigger AI systems，reuters

[3] 深度学习模型大小与模型推理速度的探讨，知乎


本文来自微信公众号：新硅NewGeek（ID：gh_b2beba60958f），作者：张泽一，编辑：戴老板，视觉设计：疏睿