一、事件缘起：
近期，AI硬件初创公司Groq引发关注，其推出的基于自身LPU架构的开源大模型推理解决方案，相比现有基于GPU架构的方案，吞吐量高4倍且费用仅为现有方案的1/3。
随着AI技术的快速迭代，如何提升输出端的响应速度愈发重要，而近期SoraDemo的惊艳效果，让业内看到了应用场景爆发的可能性，但如果延迟过高，会显著影响使用体验，因此Groq官网所展示的运行速度引起业内广泛讨论。在前段时间的基准测试中，GroqLPU推理引擎上运行的Llama270B直接刷榜。
数据来源：Groq公司官网
参考ArtificialAnalysis.ai数据，Groq推出的Mixtral8x7BInstructAPI，以430token/s的速度，刷新业界历史记录。而且其每百万个token的价格仅为0.27美元，击败了Mistral、Lepton等。
数据来源：Groq公司官网
二、Groq发展历程
Groq成立于2016年，总部位于美国加州，创始人JonathanRoss是前谷歌高级工程师，也是谷歌自研AI芯片TPU团队的核心成员，产品主管JohnBarrus曾在谷歌及亚马逊团队担任产品高管。公司产品LPU（LanguageProcessingUnits）是一款新型的AI芯片，虽然公司团队脱胎于谷歌TPU，但在技术路线的选择上选择了LPU这个全新的系统路线。目前公司芯片采用格罗方德的14nm工艺，而在23年8月，Groq宣布，三星的Taylor工厂将生产其4纳米AI加速器芯片。
融资方面，2017年，公司获得了风险投资家ChamathPalihapitiya投资1030万美金；2021年4月，又从D1Capital、TigerGlobalFund等金融机构获得了3亿美金的融资，估值超过10亿美元。23年还进行了一轮5000万美元的安全可转换债务融资，目前团队正在进行新一轮的筹资活动。
三、Groq技术原理
Groq芯片采用的是14nm工艺，搭载了230MB的SRAM来保证内存带宽，片上内存带宽可达80TB/s，不同于GPU和CPU通用芯片架构，Groq开发的是针对大语言模型的定制化芯片，其LPU技术核心解决的是计算密度和内存带宽两大瓶颈。如下图所示，LPU将更多的空间留给了计算单元，从而展现了更高的计算能力，这使得单个数据处理时间显著减少，从而可以快速地输出文本序列。它使用时序指令集计算机架构（TemporalInstructionSetComputer），因此不必频繁地在HBM（高带宽内存模组）加载数据，而是直接利用SRAM来进行数据的处理，其速度比GPU中用的存储模组快20倍。
数据来源：Groq公司官网
四、前景判断
综上所述，Groq芯片的特点是大算力小内存，速度快但单卡吞吐能力有限，需要更多的卡来保证同等级别的吞吐能力，这就意味着更高的成本，目前Groq想要在低延迟领域建立竞争优势，就需要拓宽应用场景并进一步降低总成本。原阿里技术副总裁贾扬清做过估算：
由于Groq芯片单卡内存仅为230MB，在运行LLaMa270B大模型时，假设使用int8量化技术，需要使用572张卡，每张卡的价格为20000美元，因此购卡成本约为1144万美元；同时每张卡的功耗平均为185W，则总功耗为105.8Kw，目前数据中心电费为200美元/月，则运用过程中产生的年度电费为25.4万美元，因此假设运行三年，Groq的总成本约为1220万美元。
而运行同样参数体量的模型，英伟达H100卡仅需8张，购置成本约为30万美元，一个8卡的H100服务器的功耗约为10kw，则运营过程中的年度电费为2.4万美元，因此假设运营三年，总成本为37.2万美元。
从结果上看，LPU展现出来的推理能力，虽然在成本上仍不满足实际应用的需求，但仍对AI行业带来了冲击和新的思路，未来随着硬件技术和生产层面的逐步成熟，成本端有望得到改善，届时LPU或将提供新的发展路线。
AI行业日新月异，不存在规律的产品更新规划，这一点从Sora的突然问世、DeepmindGenie模型的发布等事件皆可得到验证。站在投资者角度，AI产业投资技术门槛高、技术发展快、产品迭代频率高，且价格上呈现较大波动，更适宜用AI相关指数指数进行低位定投，降低选股风险和择时难度。同时，考虑到AI主权的影响，尽管人工智能海内外发展存在差异，国内人工智能产业仍存在较大的软硬件市场，相关的投资机会包括人工智能ETF（159819），场外联接（A类：012733；C类：012734）、半导体芯片ETF（516350），场外联接（A类：018411；C类：018412）等。
