12月14日消息，最近两年AI技术的爆发式增长，不仅重塑了人工智能产业，实际上也悄然改变了芯片技术的发展轨迹。然而，这一转向对于高性能计算（HPC）和科学计算领域来说，却未必是个好消息。
究其原因，在于NVIDIA近年来已将AI性能视作一切的核心，计算精度实际上在不断降低。以往比较GPU性能时，FP64和FP32精度还是核心指标；但步入AI时代，FP16、FP8乃至FP4精度才是重点。
我们此前曾提到，NVIDIA新一代显卡会转向FP4标准。从Blackwell架构开始，虽然也支持FP4和MXFP4两种格式，但重点推广的是NVFP4。它与E2M1+FP4结构相似，精度损失却微乎其微。
GB300在支持FP4后，性能提升了50%，精度相较FP8几乎没有损失，内存占用大幅减少了2-3倍，能效更是实现了50倍的提升。
但在FP64性能上，近几年的显卡，尤其是顶级产品，不仅没有提升，反而在倒退。HPCWire对这几代显卡进行了对比，如下图所示：
A100时代的FP64性能还有9.7 TFLOPS，H100和H200达到34 TFLOPS，B100、B200是30 TFLOPS，而B300则大幅降低到了1.2 TFLOPS。
这已经引发了学术界的抱怨。在SC25大会期间，TOP500发起人、田纳西大学教授Jack Dongarra就表示，NVIDIA从Hopper架构转向Blackwell时，并未实质性地提升FP64性能。
AI性能固然重要，但在科学计算领域，比如材料科学、气候建模、流体力学模拟等研究中，FP64性能是不可替代的。
对于这些质疑，NVIDIA负责HPC和AI超大规模基础设施解决方案的高级总监Dion Harris强调，他们并没有放弃64位计算，它依然是核心。
他提到十月份推出的cuBLAS，这是一个CUDA-X数学库，可以在矢量核心上模拟FP64计算，使用这个库可以让FP64性能提升1.8倍。
至于专业人士所期待的FP64性能硬件提升，Dion Harris提到NVIDIA未来的GPU会在核心底层提升FP64计算能力，但具体信息暂时不能透露。
明年三月份的GTC大会上，NVIDIA应该会公布下一代GPU架构了，或许在这方面会有所变化。
