自2022年年末英伟达发布4090芯片以来，这款产品凭借着其优异的性能迅速在科技界占据了一席之地。现如今，不论是在游戏体验、内容创作能力方面还是模型精度提升方面，4090都是一个绕不过去的名字。而A100作为早些发布的产品，其优异的能力和适配性已经为它打下了良好的口碑。RTX 4090芯片和A100芯片虽然都是高性能的GPU，但它们在设计理念、目标市场和性能特点上有着明显的区别，而本篇文章将简单概述两者的区别同时介绍一下二者的特性。
GPU 训练性能和成本对比
虽然A100被称为深度学习神器，但是不一定代表他的性能任何时候都超过其他显卡，A100对标的是RTX 3090，都是Ampere架构的，而RTX 4090作为RTX 3090的升级版，架构是Ada Lovelace，单卡性能至少提升60%以上，RTX 4090在理论上核心性能远强于A100，下面这2个参数对比图也可以很直观的看出2张卡的差距。
RTX 4090与A100的FP16性能比较
根据之前的讨论，RTX 4090的FP16性能约为82.58 Tflops，而A100的FP16性能可达约312 Tflops。不过，随后我们发现实际使用中4090的FP16性能接近于A100。这可能是因为不同的测试条件和使用场景会影响性能测量，或者由于不同的硬件版本和配置。
从理论规格上看，A100确实在FP16上显示出更高的性能，但实际应用性能可能会有所不同，取决于具体任务和软件优化。
结论
既然 4090 单卡训练的性价比这么高，为啥不能用来做大模型训练呢？抛开不允许游戏显卡用于数据中心这样的许可证约束不谈，从技术上讲，根本原因是大模型训练需要高性能的通信。在大模型训练方面，A100比4090表现的更加优秀，但是在推理（inference/serving）方面，选择用 4090 芯片不仅可行，在性价比上还能比H100 稍高。而如果4090芯片对其进行极致优化，其性价比甚至可以达到 H100芯片 的 2 倍。
事实上，H100/A100 和 4090 最大的区别就在通信和内存上，算力差距不大。
