“吞金獸”ChatGPT背後：AI算力告急

近兩個月來，全世界的網友們都在興致勃勃的“調教”ChatGPT，但第一個受不了的卻是ChatGPT的所有者。

為了更長遠的發展，OpenAI宣佈了付費訂閱版ChatGPT Plus，每月收費20美元。

雖然OpenAI表示，將持續提供免費版，並且收費項目也將更好的“幫助儘可能多的人使用免費服務”。但是《紐約時報》也指出“在高峰時段，免費版訪問人數將受到限制。”

顯然，收費會是ChatGPT這類AI服務長久發展的必然選擇。

究其根源，在於ChatGPT“越來越聰明”的背後，需要龐大的費用支撐。其中，算力成本是最重要的，也是最不能偷工減料的一部分。

那麼，ChatGPT到底需要多少算力來支撐？

01 “吞金獸”ChatGPT的算力消耗

ChatGPT對算力的消耗可以分為三個主要場景：

一是模型預訓練過程，這是ChatGPT消耗算力的最主要場景。

ChatGPT採用預訓練語言模型，在Transformer的模型架構下，語言預訓練過程可以根據上下文一次處理所有輸入，實現大規模平行計算。

通過堆疊多個解碼模組，模型的層數規模也會隨著提升，可承載的參數量同步增長。與之相對應的，模型訓練所需要消耗的算力也就越大。

據OpenAI團隊發表於2020年的論文《Language Models are Few-Shot Learners》，訓練一次1746億參數的 GPT-3模型需要的算力約為3640 PFlop/s-day。

即假如每秒計算一千萬億次，也需要計算3640天。

考慮到ChatGPT訓練所用的模型是基於GPT-3.5模型微調而來，GPT-3.5模型增加了參數量和訓練樣本量，包含超過1746億個參數，那麼預估訓練一次ChatGPT所需算力至少需要約3640 PFlop/s-day的算力。

東吳證券研報分析認為，ChatGPT的最佳化主要來自模型的增大，以及因此帶來的算力增加。

GPT、GPT-2和GPT-3的參數量從1.17億增加到1750億，預訓練資料量從5GB增加到45TB，其中GPT-3訓練單次的成本就高達460萬美元。

同時，模型開發過程很難一次取得成功，整個開發階段可能需要進行多次預訓練過程，因此對於算力的需求是持續的。

此外，從基礎大模型向特定場景遷移的過程，如基於ChatGPT建構醫療AI大模型，需要使用特定領域資料進行模型二次訓練，同樣會增加訓練算力需求。

二是模型迭代過程。

從模型迭代的角度來看，ChatGPT模型並不是靜態的，而是需要不斷進行模型調優，以確保模型處於最佳應用狀態。

這一過程中，一方面是需要開發者對模型參數進行調整，確保輸出內容不是有害和失真的；另一方面，需要基於使用者反饋和PPO策略，對模型進行大規模或小規模的迭代訓練。

因此，模型調優同樣會為ChatGPT帶來算力成本，具體算力需求和成本金額取決於模型的迭代速度。

三是日常營運過程。

在日常營運過程中，使用者互動帶來的資料處理需求同樣也是一筆不小的算力開支。考慮到ChatGPT面向全球大眾使用者，用的人越多，頻寬消耗越大，伺服器成本只會更高。

據SimilarWeb資料，2023年1月ChatGPT官網總訪問量為6.16億次。

據Fortune雜誌，每次使用者與ChatGPT互動，產生的算力雲服務成本約0.01美元。

基於此，ChatGPT單月營運對應成本約616萬美元。

據上文，我們已知訓練一次1746億參數的GPT-3模型需要3640 PFlop/s-day的算力及460萬美元的成本，假設單位算力成本固定，測算ChatGPT單月營運所需算力約 4874.4PFlop/s-day。

直觀對比，如果使用總投資30.2億、算力500P的資料中心來支撐ChatGPT的運行，至少需要7-8個這樣的資料中心，基礎設施的投入都是以百億記的。

當然，基礎設施可以通過租用的方式來解決，但算力需求帶來的本壓力依然巨大。

隨著國內外廠商相繼入局研發類似大模型，將進一步加大對算力的需求。

02 AI算力霸權時代的到來

模型算力需求增速超越晶片性能增速，算力霸權時代或將到來。

據OpenAI測算，自2012年以來，全球頭部AI模型訓練算力需求3-4個月翻一番，每年頭部訓練模型所需算力增長幅度高達10倍。

而摩爾定律認為，晶片計算性能大約每18-24個月翻一番。

資料顯示，從2012年到2018年，訓練AI所耗費的算力增長了30萬倍，而摩爾定律在相同時間只有7倍的增長。

因此，AI訓練模型算力需求增長與晶片計算性能增長之間的不匹配，或將帶來對算力基礎設施供給需求的快速增長。

考慮到算力對於AI模型訓練效果的關鍵性作用，擁有更豐富算力資源的模型開發者，或將能夠訓練出更優秀的AI模型。

所以現在有一種說法：AI進入了新的算力霸權時代，大家要用千倍、萬倍的算力才能訓練出世界上最好的演算法。

那麼無論是誰參與進來，都需要回答一個問題：算力成本怎麼解決？

在中國，這個答案就藏在國家如火如荼推進的“東數西算”工程裡。

資料顯示，我國算力產業規模快速增長，近五年平均增速超過30%，算力規模排名全球第二。

但在發展的過程中仍面臨人均算力尚低、算力隨需處理的需求難以滿足、算力應用廣度和深度不夠等問題。

因此，國家“東數西算”工程通過建構全國一體化的新型算力網路，最佳化資料中心建設佈局，將東部算力需求有序引導到西部，利用西部的資源優勢，為數字中國的發展提供低碳、低成本的優質算力。

對於AI產業來說，“東數西算”也可以成為“東數西訓”，即龐大的訓練算力需求完全可以轉移到算力成本更低，同時規模更具優勢的西部資料中心中進行。

對應的，這些承載智能訓練的資料中心本身，也將為更好的適應智能訓練需求進行針對性改造，比如在能源供給、散熱結構、機櫃形態等方面更適合使用了大量智能訓練晶片的伺服器等。

這也為資料中心未來發展提出了新的思路。

資料中心建設將告別千篇一律的通用時代，進入以場景為指引、以應用為導向的“專用”時代，“東數西訓”、“東數西渲”、“東數西存”等應用將成為主流方向。

目前，我國算力產業仍在高速增長。

據IDC與浪潮資訊聯合發佈的《2022－2023中國人工智慧計算力發展評估報告》顯示，相較於2020年我國135EFLOPS的算力總規模，2022年我國智能算力規模近乎翻倍，達到268EFLOPS，超過通用算力規模；預計未來5年我國智能算力規模的年複合增長率將達52.3％。

未來，我國還應在算力方面進一步加強超算中心、智算中心和邊緣資料中心建設，不斷滿足政府、行業、企業甚至個人等多樣化的智能場景需要，以算力賦能智慧城市、智慧醫療、智慧農業等千行百業的高品質發展。

不僅如此，大力加強自主可控高端晶片生產能力，爭取在量子晶片領域實現換道超車，加強算力人才培養，同樣是保持我國AI算力領先的重要手段。

本文來自微信公眾號“科技雲報導”（ID：ITCloud-BD），作者：科技雲報道，36氪經授權發佈。

本文經授權發布，不代表36氪立場。

如若轉載請註明出處。來源出處：36氪