百度|BAT为何纷纷下场“造芯”？( 二 )

当海量业务承载在云基础架构设施的时候，业务的多样性，对于软硬件一体化的系统实际上提出了更高的要求。面临这样的复杂度，云厂商根据自身的情况，必然要开始自己进行研究相关芯片，或者是与其他芯片厂商联合起来进行深度定制，以此来解决各种复杂场景下的兼容性问题。
自研芯片的背后，则是对于BAT这般体量的云服务商而言，则是性价比最高的一条道路。
而在技术上，以英特尔的CPU为例，CPU的另外一个名字叫通用计算。而这也就代表着，搭载通用CPU的服务器具有很高的通用性，但是实际的应用中，势必会造成性能的浪费。
对于普通用户来说，可能十几上百台服务器就是应用的极限了，但是互联网大厂的服务器动辄就是上万甚至几十万台，因此每台性能的略微降低累积起来都是一个不得了的数字
更重要的是，由于互联网应用的特殊性，相当一部分新采购的服务器都要进行针对性的优化，或者需要进行部分配件的调整与革新，也就需要投入大量的人力、精力和财力，造成资源的浪费。
因此对于以腾讯云为代表的云厂商来说，势必要从整机的设计上面，去精简不需要的功能；优化整机的散热能力，降低能耗。配备一个非常强的供应链的管控。去降低计算力的单位成本，并进而将这种成本红利释放给数百万的云上用户。
而在安全方面，从芯片层面就进行自研、定制化，势必能更好的保证整机系统的安全可靠。
就在近日上海闭幕的世界人工智能大会上，华为轮值董事长胡厚崑表示道：“只有基础打得牢，根技术扎得深，应用创新跑得快，才有人工智能产业的参天大树和生态的持续繁荣。”
其中技术要扎到根，根深才能叶茂。值得就是应该大力发展根技术，如处理器、AI计算框架等，增强人工智能产业的发展韧性。

“硬件创新”已成云厂商必争之地
除国内云厂商之外，国外三家规模较大的云服务商亚马逊、微软和谷歌也硬件方面进行重金投入。用于提高自身云平台的性能或者调优服务来满足特定的用途，例如人工智能开发等等。
如谷歌把自己的云计算战略重点放在了处理人工智能工作负载上，为此设计了名为TPU的微处理器家族，号称相比GPU的成本更低性能更高。
对此，谷歌曾对外表示，2015年的时候在多层神经网络ResNet 50上训练一个深度学习模型的成本超过20万美元，而今天，成本比一杯咖啡还便宜。
此外，微软Project Olympus是一项针对微软基于OCP构建的云平台打造一系列服务器结构块的项目。AWS基于ARM的Graviton处理器从2015年开始开发，到现在已经在AWS EC2实例中实现普及。
“硬件专业化可以将延迟、性价比和功耗/性能比提高10倍，但多年来，大多数计算工作负载一直停留在通用处理器上，”AWS工程师James Hamilton在一篇博客文章中这样写道。亚马逊每年要安装一百多万个专用芯片，专门用于机器学习工作负载。
亚马逊的Nitro项目则是将硬件和软件结合，消除虚拟化的开销。
阿里云的神龙架构则也是通过芯片层面的，通过软硬件结合的方式，来降低虚拟化损耗，华为云的擎天、京东的京刚则也是通过同样的方式。
对此，刘裕勋对雷锋网表示到，云上的客户是非常的“挑剔”的，同时云计算市场的竞争也很激烈，客户都希望用低成本，高质量的产品，客户要求的苛刻会推动我们去做更多的变革和演进。
在此背景下，对于云服务商而言，通过自研服务器、自研数据中心技术、再到上层的IaaS、PaaS、SaaS平台的协同打造，势必是一条必须要走的道路。