最近總有朋友問我一個很實際的問題做 AI 應用到底是買 GPU、用 TPU還是試試 LPU這三個詞現(xiàn)在幾乎成了“AI 芯片”的代名詞但真到了掏錢選型的時候大部分人都是懵的。跑訓練的人說 GPU 是唯一真理谷歌生態(tài)里走出來的工程師說 TPU 才是大規(guī)模訓練的終極答案做推理優(yōu)化的朋友又猛吹 LPU 的低延遲如何顛覆體驗。聽一圈下來不但沒搞明白反而更不知道該怎么選。先給個我的結論**不存在絕對的“性價比之王”只有“適合你當前場景”的那個選項。**訓練、微調、推理、邊緣部署算的賬完全不一樣。芯片本身的跑分高不高只是一回事真正決定你花錢值不值的是生態(tài)成熟度、單位算力成本、工程遷移成本這些被忽略的“隱性賬單”。這篇文章就不繞彎子了直接把這三種芯片的底細翻一翻再結合我實際跑過的訓練、微調、推理任務告訴你什么場景下選誰最劃算以及那些文檔里不會寫的坑。1. 先搞清楚三家人到底在做什么1.1 GPU通吃型選手靠堆核心吃飯GPU 大家最熟尤其是 NVIDIA 的 A100、H100 系列。它的核心思路是“并行堆料”——把成千上萬個簡單的計算核心堆在一起同時處理海量數據。做矩陣運算時GPU 可以把一個大矩陣拆成無數小塊分給不同核心同時算再匯總結果。這套架構的強項是“通用”。不管你是做 LLM 訓練、圖神經網絡、科學計算還是視頻編解碼只要算法能寫成矩陣運算GPU 都能跑而且性能都還不錯。生態(tài)更是無敵PyTorch 默認支持 CUDAHuggingFace 上幾乎每個模型都開箱即用地跑到 GPU 上FlashAttention、DeepSpeed 這些優(yōu)化庫也全是圍繞 CUDA 生態(tài)做的。但 GPU 有個天然短板顯存帶寬和容量跟不上算力增長。A100 的內存帶寬大概是 2TB/s 級別H100 到 3.35TB/s聽著很嚇人但和芯片內部的浮點算力相比依舊是個瓶頸。模型參數、中間激活值都要在顯存和計算單元之間來回搬運很多場景下“等數據”的時間比“算數據”的時間還長。打個比方GPU 像一支什么活都能接的施工隊工具齊全、經驗豐富哪個項目都能上但物料搬運環(huán)節(jié)經常拖后腿工期一大就得靠人海戰(zhàn)術堆時間。1.2 TPU谷歌的“偏科生”為矩陣乘而生TPU 是 Google 從 2016 年開始自研的專用芯片全稱 Tensor Processing Unit聽起來就很“張量”。它的核心設計目標是把矩陣乘法做到極致。為此TPU 采用了一種叫“脈動陣列”的結構數據像波浪一樣在計算單元陣列里流動每個單元只做最簡單的乘加運算但整個陣列能在一個時鐘周期內完成大量矩陣運算。和 GPU 不一樣TPU 不是“通用計算卡”它更像一條專門為矩陣乘法定制的流水線工廠。你把一個矩陣乘法的任務交給它它能在極短的時間內交付但如果你想讓它跑一個不規(guī)則的算法、一個冷門的算子對不起效率會大幅下降甚至根本不支持。TPU 的另一個特點是片上存儲巨大TPU v5e 每顆芯片有 16GB 的 HBM但在架構上它更依賴高帶寬的片上存儲來喂飽計算陣列。配合 XLA 編譯器做聯(lián)合優(yōu)化訓練超大規(guī)模模型的效率非常驚人。Gemini、Gemma 這些模型就是靠 TPU 集群訓練出來的。但它的問題也很明顯封閉生態(tài)。用 TPU 基本意味著你要接受 JAX 或 TensorFlow 的編程模型PyTorch 雖然也能跑但支持度和性能都存在折扣。更要命的是 TPU 不對外售賣只能通過 Google Cloud 租用硬件規(guī)格、配額大小都是云廠商說了算。1.3 LPU推理賽道的新人思路反著來LPU 是 Groq 公司提出的概念全稱 Language Processing Unit明擺著就是沖著大語言模型推理來的。它的設計思路和 GPU、TPU 完全相反——不追求峰值算力而是追求數據不搬家。LPU 最激進的地方在于它沒有傳統(tǒng)意義上那種依賴外部顯存的架構而是把巨大的 SRAM靜態(tài)隨機存取存儲器直接堆在芯片上。模型權重加載進去之后計算過程中幾乎不需要到外部內存取數據。這一下就把“內存帶寬瓶頸”這個老大難問題給繞開了。所以 LPU 做 LLM 推理時延遲能做到極低通常幾十毫秒內出 token。我實測 GroqCloud 上的 Llama-3-70B 模型首 token 延遲和每 token 速度都能到毫秒級體感比常規(guī) GPU 推理快了一個量級。代價是什么什么都得自己適配。LPU 本質上是“為編譯期調度而生”的架構運行前需要用它的 Halo 編譯器把計算圖排好模型轉換、算子適配的功夫少不了。且因為片上 SRAM 容量有限Groq 芯片大概是 230MB 級別能放的模型規(guī)模也受限跑超長上下文的大模型時大權重無法一次性放進去碎片化處理綜合吞吐未必占優(yōu)。LPU 目前并不是什么活都能干的通用芯片而是專攻“在線推理”這一件事的偏門利器。一句話總結三家定位芯片設計目標代表產品生態(tài)難度擅長場景GPU通用并行計算NVIDIA A100/H100、AMD MI300X低PyTorch/CUDA 全通吃訓練、微調、推理、多模態(tài)TPU大規(guī)模矩陣運算TPU v4/v5e、TPU Pod高JAX/TensorFlow 為佳超大規(guī)模預訓練、張量密集型任務LPULLM 在線推理Groq LPU、GroqCloud高需 Halo 編譯器適配低延遲在線推理、單 token 高速生成這三種方案本質上都是“馮諾依曼瓶頸”的解題思路。算力增長永遠比內存帶寬快GPU 選擇用高帶寬顯存硬撐TPU 用脈動陣列減少數據搬運次數LPU 干脆把所有數據堆在芯片上不搬了。2. 從訓練到推理性價比該怎么算2.1 訓練場景GPU 生態(tài)護城河太深了先來算訓練這筆賬。市面上主流的開源模型無論是 Llama、Qwen 還是 Mistral權重格式、微調腳本、推理框架幾乎全部默認 GPU 優(yōu)先。PyTorch 的DataLoader、autocast、FSDPHuggingFace 的Trainer這些訓練基礎設施全是圍繞 CUDA 構建的。你用 GPU拿到的是一整套成熟工具鏈用 TPU得上 JAX 重寫訓練循環(huán)用 LPU現(xiàn)在基本沒法做正經訓練。以訓練一個 7B 參數的模型為例一張 A100 80G 跑 FP16 混合精度理論吞吐大概在 150-200 TFLOPs實際打個五折一個 epoch 處理幾億 token 下來耗時在數小時到數天之間。這張卡在主流云平臺的租用價格大概 2-3 美元每小時。如果是想跑 70B 甚至更大的模型單卡顯存不夠就得上多卡并行。NVIDIA 的 NVLink 和 NCCL 通信庫把多卡互聯(lián)這件事做到了開箱即用的水平四卡、八卡甚至幾十卡的集群都能比較平滑地擴起來。TPU 在純算力上其實不輸 GPU甚至在大規(guī)模數據并行時表現(xiàn)更優(yōu)。Google 內部那套高效訓練流程是圍繞 TPU Pod 建的幾千顆芯片組成一個集群算力密度遠超普通 GPU 機房。但對絕大多數團隊來說這個優(yōu)勢根本夠不著你首先要能申請到 TPU 配額云上稀缺其次要把訓練代碼遷移到 JAX調試 XLA 編譯報錯和算子不支持的問題這一套下來耗費的工程師時間可能比省下的算力錢還貴。所以訓練場景的性價比可以歸納成一個公式綜合成本 單位算力價格 × 訓練時長 × 人工適配成本。GPU 贏在最后一項幾乎為零。除非你團隊的工程能力足夠強且訓練規(guī)模大到了 TPU 的算力優(yōu)勢能覆蓋遷移成本否則第一階段老老實實租 GPU 是最穩(wěn)的選擇。2.2 微調場景真正決定花銷的是顯存微調這件事如今已經被 LoRA、QLoRA 這類參數高效微調手段給“卷”下來了。理論上一張 24GB 顯存的消費級顯卡RTX 4090就能對 7B 模型做 QLoRA 微調這在兩三年前是不可想象的。哪怕你想微調 70B 級別的模型用 4-bit 量化加 LoRA單卡 48GB 以上的專業(yè)卡也能跑。我的經驗是微調場景下性價比的核心不是芯片架構而是顯存容量和帶寬。LoRA 只訓練少量低秩矩陣計算量不大但模型權重和激活值仍然占據顯存。假設一個 7B 模型在 FP16 下權重占約 14GBQLoRA 4-bit 后降到 4GB 左右加上激活、梯度一張 24GB 卡剛好能裝下。用租卡的方式來算一張 24GB 顯存、性能接近 A10 的云卡價格大約在 0.7-1 美元每小時。一個 7B 模型的 LoRA 微調數據量不大時 2-4 個 epoch 通常在 2-4 小時內能收斂算下來單次微調成本在 2-4 美元。這個量級的開銷單獨為微調去采購整張專業(yè)卡反而不劃算租就完了。TPU 在微調場景上最大的問題是配額和形態(tài)。Colab 上能免費蹭到的 TPU 是 v2-8單片能力大概只相當于一張中等顯卡而真正的 TPU v5e 在云上按片計費價格并不比同級別的 GPU 便宜多少。更關鍵的是JAX 生態(tài)里雖然也有 LoRA 實現(xiàn)但很多 HuggingFace 上的 PEFT 工具鏈沒法直接用遷移成本還是高。2.3 推理場景LPU 低延遲到底值多少錢推理是最容易把“性價比”算清楚也最容易算錯賬的場景。先區(qū)分兩種推理需求在線低延遲推理和離線批處理推理。這兩種需求對芯片的要求完全不同。離線批處理比如晚上批量生成一批摘要、處理一批分類任務延遲要求不高大家更關心吞吐量和單 token 成本。這種場景下 GPU 配 vLLM、TensorRT-LLM 這類推理引擎已經優(yōu)化得很成熟吞吐量可以拉到很高性價比很穩(wěn)。TPU 在這種場景下也能用TensorFlow Serving 和 JAX 推理在 TPU 上都能跑但因為生態(tài)小眾部署工具鏈要自己搭。在線低延遲推理比如聊天機器人、代碼補全、實時翻譯用戶對“第一個字出來的時間”極其敏感。這時候 LPU 的價值就體現(xiàn)出來了。我實測過的 GroqCloud API跑 Llama-3-70B 這種大模型首 token 延遲能做到幾十毫秒級別每 token 生成速度達到數百 token 每秒。同樣的模型用 GPU 加 vLLM 部署首 token 延遲通常會到幾百毫秒生成速度一兩百 token 每秒已經算優(yōu)秀了。不是說 GPU 不行而是 LPU 的片上存儲架構天然適合低延遲場景。但 LPU 的性價比有個隱蔽陷阱按 token 計費。GroqCloud 的 API 價格看起來不高但如果你有持續(xù)、大規(guī)模的推理流量按 token 累計的成本會非?？?。相比之下GPU 是按時租用只要業(yè)務運轉資源可以按需伸縮。如果要長期支撐百萬級日活用戶、每天處理數十億 tokenLPU 的按量賬單大概率比租用 GPU 集群更貴。所以買不買 LPU 的賬取決于你的業(yè)務模式業(yè)務類型推薦方案理由高并發(fā)、低延遲 C 端產品LPU或 GPU優(yōu)化引擎用戶體驗依賴延遲LPU 優(yōu)勢顯著高吞吐、延遲不敏感任務GPU 批處理單位 token 成本更低生態(tài)成熟多模型、多任務混跑GPU靈活性最高推理引擎支持模型切換超大規(guī)模、內部有 JAX 團隊TPU成本可控且算力密度大2.4 成本賬本租卡、按量計費與隱性成本選定了場景還有一層賬要算清楚算力從哪來。自有硬件、云上租卡、API 按量計費三種方式的成本結構完全不同。自有硬件的賬是這么算的一張 A100 80G 的市場價大概在 1.5-2 萬美元左右按照 GPU 卡 3-5 年的折舊周期算每月折舊成本在 400-500 美元。還要加上機房電費一張 A100 功耗 400W加上散熱一個月電費輕松上百美元、機房租金、運維人力、故障替換。算下來一張自購卡每個月真實成本可能在 800-1200 美元。而云上租用同等規(guī)格的卡包月價格通常也在 800-1500 美元區(qū)間。自購的優(yōu)勢主要體現(xiàn)在“高利用率”場景如果你能把這臺機器 24 小時跑滿自學肯定劃算否則很容易變成“花錢買閑置”。云上租卡的彈性更大按小時計費高峰擴、低谷縮。它的隱性成本在于數據存儲和網絡傳輸模型權重在云端多個實例間復制、訓練數據上傳下載這些流量費用在賬單里可能比算力本身還醒目。建議拿到賬單后單獨看“Egress”“Storage”兩項很多人第一次看到都會被嚇一跳。API 按量計費模式最省心尤其適合中小團隊和驗證期項目但要注意它不適合高頻大規(guī)模調用。量大的話要么和廠商談折扣要么干脆切回 GPU 租用模式自己部署。3. 實操三類芯片我都怎么上手用3.1 GPU 環(huán)境三步配好驅動、CUDA、PyTorch別嫌基礎GPU 環(huán)境配錯的人太多了。我之前見過一個朋友用pip install torch裝完之后跑torch.cuda.is_available()永遠返回False查了半天才發(fā)現(xiàn)那個 PyPI 默認包是 CPU 版需要去 PyTorch 官網按 CUDA 版本重新裝。正確的流程分三步。第一步裝驅動。NVIDIA 官網下載對應型號的驅動Windows 直接安裝即可Linux 上建議用apt裝nvidia-driver-545這類帶版本號的包不要用系統(tǒng)默認的nouveau開源驅動。裝完執(zhí)行nvidia-smi能看到顯卡型號和驅動版本就說明 OK 了。第二步裝 CUDA Toolkit。注意兩點一是版本要和驅動匹配工具包官網有個兼容性矩陣表驅動版本決定了你能裝多新的 CUDA二是如果你只是跑 PyTorch其實不需要單獨裝整個 CUDA ToolkitPyTorch 的 wheel 包自帶了 CUDA 運行庫你只需要確認驅動支持即可。只有在編譯自定義 CUDA 算子或裝特定庫時才需要完整 Toolkit。第三步裝 PyTorch GPU 版。正確方式是# 去官網選對應 CUDA 版本的命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121裝完立刻驗證import torch print(torch.__version__) print(torch.cuda.is_available()) # True 才正常 print(torch.cuda.get_device_name(0))能打印出 “NVIDIA A100” 之類的設備名環(huán)境就算成了。一個小提醒多環(huán)境隔離用 conda但 conda 默認源里的 torch 也可能裝成 CPU 版裝之前一定要看安裝日志里帶沒帶cu121這樣的后綴。還有 Windows 用戶容易出現(xiàn)驅動老、CUDA 新導致不匹配的問題建議統(tǒng)一記住一個經驗驅動盡量更新CUDA 版本和 PyTorch 版本對齊別在同一臺機器上混裝多套 CUDA Toolkit。3.2 TPU 上手Colab 與 JAX 的配合TPU 的上手路徑我就推薦一個最接地氣的Google Colab 的免費 TPU。雖然性能比不上云端 Pod但體驗整個流程完全夠用。Colab 里把“運行時類型”切到 TPU然后安裝 JAX 的 TPU 版本pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/lts/lts_jax_releases.html -q裝完驗證一下是否識別到 TPUimport jax import jax.numpy as jnp # 強制使用 TPU jax.config.update(jax_platform_name, tpu) print(jax.devices())能看到TpuDevice就說明連接成功。跑一個簡單的矩陣乘法試試key jax.random.PRNGKey(0) a jax.random.normal(key, (4096, 4096)) b jax.random.normal(key, (4096, 4096)) # JIT 編譯第一次比較慢 matmul_fn jax.jit(lambda x, y: x y) c matmul_fn(a, b) print(c.shape)這里有個關鍵點TPU 上跑任何運算第一遍都要經過 XLA 編譯會明顯慢一截之后跑就快了。所以如果你在 TPU 上做訓練務必把整個訓練循環(huán)包在jax.jit里否則性能和“裸跑”沒區(qū)別。還有一點要提醒Colab 的免費 TPU 資源有限長時間占用會被限制。而且 TPU 的顯存其實是 HBM當你通過 JAX 分配內存時經常遇到 OOM因為 JAX 是惰性分配很多錯誤直到真正執(zhí)行時才暴露。建議小規(guī)模驗證好邏輯、確認內存布局沒問題之后再放大數據量別一上來就加載十幾 GB 的數據。3.3 LPU 接入一個請求就體驗低延遲LPU 最友好的上手方式就是 GroqCloud 的 API不用自己部署硬件注冊拿個 key 就能體驗。最省事的接法是用 OpenAI SDK把 base_url 換成 Groq 的端點代碼改動量很小。from openai import OpenAI client OpenAI( api_key你的GROQ_API_KEY, base_urlhttps://api.groq.com/openai/v1, ) response client.chat.completions.create( modelllama-3.1-8b-instant, messages[ {role: user, content: 用一句話解釋什么是大語言模型} ], max_tokens512, temperature0.7, ) print(response.choices[0].message.content)如果你想親自感受 LPU 和 GPU 的延遲差異自己做個簡單的計時器就行。核心測兩個指標首 token 延遲從發(fā)送請求到收到第一個 token 的耗時和生成速度每秒能輸出多少 token。Groq 的流式響應配合time模塊能比較直觀地看出差異。我是真的被 Groq 的速度驚到過一次跑了 Llama-3-70B流式輸出幾乎是無停頓地往外蹦字比本地的 4090 推理還快。但也要提醒LPU 目前對上下文長度支持有限Groq 的模型規(guī)格頁面上會標注每個模型的 max context length調用前務必確認你的輸入長度在那個范圍內不然會被直接截斷或報錯。4. 常見問題與避坑實操從報錯到選型都別踩雷4.1 顯存不夠報警怎么辦跑大模型顯存 OOM 是最常見的報錯尤其用 GPU 時。很多人一報錯就以為要換更大的卡其實多數情況下調一調就能跑起來。先看顯存被什么吃了。按占用從大到小排列激活值中間計算結果 優(yōu)化器狀態(tài)Adam 的動量和方差 梯度 模型權重。優(yōu)化器狀態(tài)在混合精度訓練時每個參數要占 12 字節(jié)FP32 的動量和方差各 4 字節(jié)FP32 主權重 4 字節(jié)比模型本身還吃顯存。手動算一遍心里就有底了。解決手段分優(yōu)先級。第一招開梯度累積把 batch size 拆小顯存不夠時最干凈的方案。第二招開梯度檢查點gradient_checkpointing用時間換空間把中間激活不保存、反向時重算顯存占用能降一半以上。第三招上 LoRA 或 QLoRA把可訓練參數量降到千分之一級別顯存占用直接少一個量級。第四招如果還不行削減序列長度LLM 顯存和序列長度近似線性相關這是很多人忽略的“隱藏開關”。在云上租卡時也要注意別被“顯存”這個單一指標忽悠。同樣是 80G 顯存A100 和 H100 的算力差一倍價格也差一倍。租之前先想清楚你的瓶頸到底是顯存容量還是算力。微調類任務顯存敏感H100 的算力優(yōu)勢反而不明顯從頭預訓練或大批量推理H100 的性價比才體現(xiàn)得出來。4.2 驅動、CUDA 版本混亂怎么排查GPU 報錯里最常見的幾類都和驅動、CUDA 版本不匹配有關我把典型的報錯和排查路徑整理成一張表報錯信息大概率原因解決思路CUDA driver version is insufficient驅動版本低于 PyTorch 所需 CUDA 版本升級驅動或降低 PyTorch 的 CUDA 版本ImportError: libcudnn.so.8: cannot open shared object filecuDNN 未安裝或版本不對安裝匹配的 cuDNN或改用自帶 cuDNN 的 PyTorch wheeltorch.cuda.is_available()返回 False裝成了 CPU 版 torch按官網命令重裝 GPU 版NVRM: GPU is fallen off the bus云主機 GPU 被物理移除或驅動崩潰重啟云實例檢查實例規(guī)格是否變更CUDA error: out of memory顯存耗盡按 4.1 的步驟調 batch 或精度這里有幾個實操心得。第一看到CUDA driver version is insufficient不要急著重裝 CUDA先運行nvidia-smi看右上角的 “CUDA Version”那才是驅動支持的最高版本。如果驅動支持 12.2你裝 PyTorch 的 cu121 版本就完全沒問題。第二不要在系統(tǒng)級環(huán)境里同時裝多套 CUDA、cuDNN用 conda 或 venv 把每個項目的依賴隔離干凈項目之間互不干擾。第三云上租卡出現(xiàn) GPU 被移除、驅動崩潰這類問題優(yōu)先重啟實例很多臨時性問題重啟就自愈了。4.3 TPU 與 LPU 的限制是明牌別硬碰TPU 和 LPU 的優(yōu)點很突出但限制更突出最怕的就是大家抱著“嘗鮮”心態(tài)沖進去最后發(fā)現(xiàn)和現(xiàn)有技術棧不兼容。TPU 的核心限制有三個。第一編程模型必須是 JAX 或 TensorFlowPyTorch 雖然能通過 PJRT 橋接跑但算子支持不全容易回退到 CPU 導致性能雪崩。第二分布式訓練時 TPU Pod 的互聯(lián)拓撲是固定的你的模型并行策略必須針對它的拓撲做設計不像 GPU 集群那樣隨便改。第三云上 TPU 配額是稀缺資源申請大規(guī)格 Pod 可能要排期對時效性要求高的項目根本等不起。LPU 的限制更直接。第一模型要經過 Halo 編譯器適配不是隨便拿個 PyTorch 模型就能跑目前支持的模型譜系有限。第二片上 SRAM 容量有限超長上下文場景比如 32K 以上輸入會很吃力甚至直接不支持。第三API 按 token 計費業(yè)務量上來后成本不可控。我見過一個小團隊把 Groq 當主力推理結果一個月 API 賬單比之前租 GPU 貴了一倍多因為他們的場景是大量長文本批處理根本不適合 LPU。選型前請對照一下自己團隊的技術棧和業(yè)務場景團隊情況建議不建議PyTorch 重度用戶、訓練推理都要做GPU 租用或自購直接上 TPU 或 LPU已有 JAX 工程經驗、部署大規(guī)模訓練TPU 可以認真評估為了 TPU 臨時學 JAX新項目只做在線聊天/代碼補全類推理LPU 值得一試用 LPU 跑長文本批處理預算有限、團隊人少先 GPU API 或租卡自購硬件或大規(guī)格 TPU最后分享一個我最近踩的坑。給朋友調一個 Groq API 接入項目沒仔細看模型規(guī)格就直接用了默認的llama-3.1-70b-versatile結果輸入一段 30K 字符的長文檔響應直接報context_length_exceeded錯誤。查文檔才發(fā)現(xiàn)這個模型的 max context 只有 32K tokens按照中文字符換算我的輸入早就超額了。后來換成支持 128K 上下文的模型問題才解決。這件事給我的教訓是用任何算力平臺之前先讀它的規(guī)格文檔尤其是上下文長度和計費方式這兩項最容易在項目上線后暴雷。我個人在實際項目里的選擇邏輯是如果沒有特殊理由第一選擇永遠是 GPU——不是因為它性能最強而是因為它最“不折騰”。等業(yè)務穩(wěn)定、用量起來之后再根據推理負載、成本結構去橫向評估是否引入 TPU 或 LPU。算力本質上就是把錢變成計算時間的工具誰能在你當前的場景里把每分錢花得最值誰就是那個“性價比之王”。