向英伟达下战帖 -＞ 关于能耗和算力

英伟达：

腾讯AI (Deekseek) 整理的英伟达显卡数据如下:

芯片型号​​	​​FP16算力 (TFLOPS)​​	​​典型功耗 (W)​​	​​单位算力能耗 (W/TFLOPS)​​	​​显存带宽 (TB/s)​​	​​架构特性​​
​​A100​​	312	400	1.28	1.6 (HBM2e)	Ampere架构，第三代Tensor Core
​​H100​​	1,979	700	0.35	3.35 (HBM3)	Hopper架构，支持FP8优化
​​H200​​	1,979	700	0.35	4.8 (HBM3e)	H100升级版，显存增至141GB
​​RTX 4090​​	82.6	450	5.45	1.0 (GDDR6X)	Ada Lovelace架构，消费级卡

以英伟达 H100来看，单位算力是0.35 J/TFlops，= 0.35 e-12 J/Flops 

PWM双电容模拟乘加计算电路:

用双电容模拟电路替代数字乘法器实现神经网络乘加计算 —— 一种低功耗AI芯片设计新思路-CSDN博客

统一回复：网友关于双电容架构芯片的一些疑问（还是小红书给力）-CSDN博客

    能量分为两个方面，一个是开关操作的能量，另一个是电容充放电消耗的能量。今天为了打脸英伟达，我们用pcb和分立元件来做这个电路的计算:

电容充放电消耗的能量

我们设定加权电容为 50pF，预充电电压为 0.2V，放电终止检测电压设为 0.1V。所选电压值和压差都相对较大。

---

单个电容一次计算消耗的能量为：

(0.2 * 0.2 − 0.1 * 0.1) × (50 e−12) / 2 = 7.5 e−13 J

考虑到我们使用正负电容和按位分段计算（假设为4位），因此一个神经元的能耗为：

(7.5 e−13) × 2 × 16

---

整个网络的一次计算能耗（假设神经网络有250个神经元，每个神经元连接250个输入）：

(7.5 e−13) × 2 × 16 × 250 = 0.6 e−8 J

---

算力计算（按英伟达规则：乘法与加法各算一次算力）：

250 × 250 × 2 = 125,000 FLOPS

---

单位算力能耗：

0.6 e−8 / 125,000 = 4.8 e−14 J/FLOP

---

与英伟达 H100 的单位算力能耗对比：

H100 芯片单位算力能耗约为：0.35 × 10⁻¹² J/FLOP

对比结果：

0.35 e-12 / 4.8 e−14 = 7.29 倍

---

结论：

英伟达 4nm 工艺的 GPU 能耗是 PCB 分立元件搭建的模拟计算电路的 7倍以上！

---

你不是在逗我吧 :)
你是不是还忘了什么？

没错！
我们还没有考虑 250个输入 PWM 开关操作 以及 电阻网络设置开关 所消耗的能量 —— 这部分留作你们的作业啦。不然你们找不到攻击点～

回应热心网友 @memcad：

我们也可以做 8位计算 的，谁怕谁！

但有的人可能注意到了，我们的电路实现的是近似于定点数的计算，但又优于传统定点数，甚至可以说是整体浮点化比例运算。它的值是比例化的。

---

补充一句：

别小看分立元件！

如果能像 LED 灯带那样批量生产，柔性电路板像席子一样卷起来，那这个神经网络的规模也可以做得非常庞大。

如果结合成熟工艺做成细薄的芯片，并用于大面积柔性卷绕电路板上，那么所谓的“先进工艺”在成本上未必还有优势。

---

英伟达支持者们：

如果你们挑不出错处来，
很快全世界都会刊登这样一条新闻：

英伟达公司近日被中国无名氏贴脸开大！！

  

注：我方电路未计入结果合并加法计算、PWM开关、及电阻网络电阻切换开关能耗。