英伟达「核弹级」GPU A100不敌AMD？比起算力，CUDA才是核心武器

---

  新智元报道  

编辑：小咸鱼 好困

【新智元导读】AMD自从进军GPU领域后，一直想要挑战一下英伟达在GPU市场的领先地位。周一，AMD发布了最新一代数据中心GPU Instinct MI200加速器，声称其最高性能是英伟达A100 GPU的4.9倍。但Reddit网友并不买账，他们认为AMD在人工智能方面所做的工作比英伟达少得多，尤其是难以和CUDA抗衡这一点。

在GPU方面，英伟达一直是公认的王者，一直被模仿，从未被超越。

 

从去年下半年到今年8月，英伟达市值一路攀升，创下5080亿美元的记录，位居半导体行业第二位，而英伟达联合创始人、CEO兼总裁黄仁勋的身价也涨至190亿美元。

 

英伟达 A100 VS AMD MI200

 

2020年11月，英伟达推出了A100 80GB新卡。

 

该芯片是基于英伟达的Ampere图形架构，旨在通过实现更好的实时数据分析，帮助企业和政府实验室更快地做出关键决策。

              

 

A100芯片为研究人员和工程师提供了更快的速度和更高的性能，用于人工智能和科学应用。

 

它提供超过每秒2 terabytes的内存带宽，这使得系统能够更快地将数据提供给GPU。

 

在人工智能领域，英伟达再次提高了门槛，几乎没有任何竞争对手能够跨越这一障碍。

                

今年4月的NVIDIA GTC 2021大会上，专攻GPU的英伟达推出了基于Arm架构的中央处理器（CPU）——Grace，用于大规模人工智能和高性能计算应用。

 

黄仁勋表示，「这是英伟达第一个数据中心CPU，专为大型应用建立」。

 

 

基于Grace的系统与NVIDIA GPU紧密结合，性能将比目前最先进的NVIDIA DGX系统（在x86 CPU上运行）高出10倍。

 

而AMD自从进军GPU领域后，一直想要挑战一下英伟达在GPU市场的领先地位。

 

同是去年11月，AMD曾经发布过专为机器学习和高性能计算优化的GPU架构：CDNA，采用7nm制程和第二代Infinity架构。

 

在当时，采用CDNA架构的AMD Instinct MI100就已经可以达到11.5TFlops的算力，也是当时第一个超过10TFlops（FP64）的数据中心GPU。

 

 

而在今年11月8号的发布会上，AMD推出全新的CDNA 2 GPU架构和MI200 Instinct图形处理器，要与英伟达的A100芯片一较高下。

 

除了采用了最新的第三代Infinity架构以外，MI200芯片也将包含多达580亿个晶体管，比Nvidia的A100中542亿个晶体管略多。

  

 

根据AMD发布的规格，MI200的时钟频率将高达1.7GHz，而MI100的时钟频率为1.5GHz。内存也升级为HBM2e，运行速度为3.2Gbps，结合双芯片GPU布局意味着MI200的整体带宽从1.2TBps增加到3.2TBps。

 

凭借更高的时钟、双GPU和加倍的FP64速率，MI200的FP64向量峰值速率为47.9TFLOPS。比Nvidia A100的FP64向量计算的速率快了4.9倍。

 

 

MI200还增加了FP64矩阵的支持，其峰值速率是向量单元速率的两倍：95.7TFLOPS。同样，较Nvidia A100的FP64向量性能19.5TFLOPS，也提升4.9倍。

 

 

看起来，两个4.9倍，AMD这是要把英伟达按在地上摩擦了？

 

Wait a minute!

 

纸面上的数据虽然好看，但是实际运行机器学习任务的时候可不一定能发挥全部功力。

 

由于AMD的MI200是通过自家的ROCm来支持TensorFlow、PyTorch和ONNX等机器学习框架，并没有CUDA，所以在可用性上，还需要留一个问号。

 

 

CUDA VS ROCm

在机器学习领域，有句话叫：「造轮子容易，建生态难」。

 

其实，换句话说就是，造出一辆能开的汽车，但是却不把马路修好，性能再好的车也没办法发挥出来。

 

AMD的GPU硬件近几年固然是进步神速，从数据上，也有了赶超英伟达的势头。

 

 

但AMD的GPU一直受人诟病的，并不是其性能，而是配套生态太过难用，连数据科学家和机器学习工程师都需要花不少时间去配置环境，新手小白更是难以上手。

 

就CUDA这一点，就是AMD的ROCm无法逾越的高峰。

 

 

最近，ROCm发布了最新的4.5版本，只是这issue的数量有点感人。

 

https://github.com/RadeonOpenCompute/ROCm

 

虽说ROCm一直在为Tensorflow和Pytorch这些主流框架进行适配。

 

Tensorflow-rocm可以直接通过pip安装，Pytorch的支持其实也一直在进行着，至少2020年就可以编译出支持ROCm的Pytorch-1.6.0和1.7.0版本。

 

 

其他框架比如mxnet其实也有过适配，可能因为资源不足，也停更好久了。

 

开源社区对于ROCm可以说是爱恨交加。

 

爱的是终于有开源的项目来挑战CUDA了，恨的是ROCm问题实在太多，不支持Windows，不支持MacOS，Linux目前官方也只是选择性地支持。

 

 

GPU型号更是支持得极其有限，正式支持的消费级GPU竟然只有好几年之前的Vega 64。

 

 

而RX500系列是可能支持，但不保证。

 

 

不过有网友表示，最新版本其实已经可以支持GFX1030架构了，也就是RX6800、6800XT、6900XT。

 

要问ROCm官方为什么不多适配一些显卡，原因可能有很多，测试经验不足，没有人力去测试太多显卡等等。

 

所以，这种情况就导致了过去十年AI的大部分进步都是使用CUDA库取得的。

 

而AMD也确实输在了没有CUDA的替代方案，甚至AMD都不支持自己的平台。

 

如果买英伟达的GPU，马上就可以编写和运行深度学习的代码，而如果用了AMD的GPU，代码能不能跑起来都是不确定的。

 

比如你有一张RX580，那么首先就需要了解哪些主板和CPU支持PCIe Atomics，如果不支持的话设备都无法正常加载。

 

然后是安装3.5.1版本的ROCm，没错，对GFX803架构的显卡来说，新版本的ROCm反而有bug没被解决。这会导致使用TenserFlow和PyTorch时卡死，或者loss变成NaN。

 

此外还要知道如何安装对应低版本的ROCm，或者自己知道怎么打补丁，然后自己编译。

 

 

AMD仍然有很长的路要走，尤其是在软件生态的适配和优化上，这注定是一个繁琐费时的工作，可能还需要几代才能稳定下来。

对此，有网友评价道：「英伟达是一家为其软件制造硬件的软件公司，而AMD是一家为其硬件制造一些软件的硬件公司。」

 

不过，既然AMD已经做出了非常出色的GPU硬件，还是应该期望ROCm能够越来越好。

 

毕竟，AMD如果能给出CUDA以外的另一个选择，对机器学习和深度学习的工作者和爱好者来说，绝对是一种福音。

参考资料：

本文引用了以下知乎网友的回答：

「三十一级火法」

https://zhuanlan.zhihu.com/p/80531243

「Huisheng Xu」

https://www.zhihu.com/question/447729368/answer/1765993650

https://www.zhihu.com/question/434685319/answer/1627612611