文|劉曠
2023年伊始，資本市場(chǎng)的關(guān)注點(diǎn)明顯變了，AIGC逐漸成為這一輪大行情的全新焦點(diǎn)。今年以來，從國外的AUTOGPT到國內(nèi)的文心一言，再到華為的盤古大模型、訊飛星火大模型等紛紛推出，呈現(xiàn)出一派你方唱罷我方休的姿態(tài)。
盡管參與者甚眾，但目前為止這些應(yīng)用，離真正的落地還相距甚遠(yuǎn)。實(shí)際上，不論是哪家公司訓(xùn)練大模型，都離不開天文數(shù)字的海量算力支持，因此當(dāng)前能夠真正從AI大模型中獲益的，更可能是為大模型訓(xùn)練提供算力支持的高性能算力廠商和服務(wù)器廠商。
ChatGPT拉動(dòng)算力持續(xù)飆升
在AI大模型飛速發(fā)展之下，單個(gè)大語言訓(xùn)練驅(qū)動(dòng)AI訓(xùn)練服務(wù)器需求約2億美元，AI推理服務(wù)器方面，如ChatGPT在初期便可帶動(dòng)推理服務(wù)器需求約45億美元。而各種ChatGPT的爆發(fā)，更讓它背后的AI服務(wù)器隨之水漲船高。
具體而言，算力作為大模型的核心引擎，它的計(jì)算方式既簡(jiǎn)單又粗暴，即實(shí)際擁有多少的GPU芯片，將直接決定其算力的大小。并且ChatGPT所需要的算力不是固定的，反而是逐次遞增的，這就意味著ChatGPT越聰明，其背后所需要的算力就越多，而供需雙方存在的現(xiàn)實(shí)差距，則讓算力資源的“緊張問題”變得愈加嚴(yán)重起來。
從需求側(cè)來看，大模型參數(shù)量的持續(xù)增大，需要更多算力資源予以支持。從大模型自身的發(fā)展?fàn)顩r來看，參數(shù)量的變化是一個(gè)非常值得關(guān)注的指標(biāo)。從最早的ResNet、inception等模型，到如今的GPT模型，大模型的參數(shù)量不斷壯大。
數(shù)據(jù)顯示，2018年前后OpenAI先后推出Transformer和GPT-1模型，參數(shù)量在1億級(jí)別；隨后谷歌提出3億參數(shù)的BERT模型，參數(shù)量再次增長。2019、2020年OpenAI加速追趕，陸續(xù)迭代出GPT-2、GPT-3模型，參數(shù)量分別為15億、1750億，實(shí)現(xiàn)模型體量質(zhì)的飛躍，而阿里達(dá)摩院旗下的多模態(tài)大模型M6的參數(shù)量，更是達(dá)到了萬億甚至10萬億的量級(jí)，數(shù)據(jù)量加速指數(shù)級(jí)攀升之下，其所需算力自然也需要指數(shù)級(jí)提升。
從供給側(cè)來看，大模型參數(shù)量不斷增大之下，參數(shù)運(yùn)算需要大規(guī)模并行計(jì)算的支持，而它取決于底層GPU內(nèi)存容量。OpenAI預(yù)計(jì)人工智能科學(xué)研究要想取得突破，所需要消耗的計(jì)算資源每3—4個(gè)月就要翻一倍，資金也需要通過指數(shù)級(jí)增長獲得匹配。在算力方面，GPT-3.5在微軟Azure AI超算基礎(chǔ)設(shè)施（由GPU組成的高帶寬集群）上進(jìn)行訓(xùn)練，總算力消耗約3640PF-days。
在大數(shù)據(jù)方面，GPT-2用于訓(xùn)練的數(shù)據(jù)取自于Reddit上高贊的文章，數(shù)據(jù)集共有約800萬篇文章，累計(jì)體積約40G；GPT-3模型的神經(jīng)網(wǎng)絡(luò)是在超過45TB的文本上進(jìn)行訓(xùn)練的，數(shù)據(jù)相當(dāng)于整個(gè)維基百科英文版的160倍。就ChatGPT而言，需要TB級(jí)的運(yùn)算訓(xùn)練庫，甚至是P-Flops級(jí)的算力，需要7-8個(gè)投資規(guī)模30億、算力500P的數(shù)據(jù)中心才能支撐運(yùn)行?？傊?，在大模型持續(xù)發(fā)展之下，ChatGPT的競(jìng)爭(zhēng)焦點(diǎn)逐漸轉(zhuǎn)到了AI超級(jí)算力上，或者是包括GPU在內(nèi)的算力資源支持上。
礦卡風(fēng)口再次來臨
在行業(yè)算力需求持續(xù)飆升之下，以英偉達(dá)等為主的核心高性能芯片廠商，已經(jīng)享受到了作為ChatGPT“賣鏟人”的收益，再次迎來了曾經(jīng)互聯(lián)網(wǎng)大爆發(fā)時(shí)期的那種礦卡風(fēng)口。以英偉達(dá)的旗艦芯片H100為例，其在短短一周之內(nèi)，漲價(jià)近7萬元人民幣，售價(jià)普遍高達(dá)30萬左右，次旗艦A100芯片在短短三個(gè)月多時(shí)間里，從6萬元一路漲至9萬元，漲幅超過50%。盡管其產(chǎn)品不斷漲價(jià)，但訂單依然是供不應(yīng)求。
一方面，是英偉達(dá)作為硬件霸主，不僅在消費(fèi)級(jí)市場(chǎng)占據(jù)大部分市場(chǎng)，還是AI服務(wù)器芯片領(lǐng)域的頭號(hào)選擇，因此其成為很多“渴望”大算力企業(yè)的優(yōu)先選擇。據(jù)此前公開的數(shù)據(jù)顯示，截至2022年第三季度，英偉達(dá)在獨(dú)立顯卡市場(chǎng)的份額或已經(jīng)達(dá)到了88%，顯卡部分帶來的營收占到了其總營收的60%以上，這表明其依然是消費(fèi)級(jí)顯卡市場(chǎng)無可爭(zhēng)辯的領(lǐng)導(dǎo)者。
基于其在圖像處理器領(lǐng)域的強(qiáng)勢(shì)地位和核心技術(shù)，其AI大算力芯片在大模型爆發(fā)之后，始終處于“供不應(yīng)求”的狀態(tài)，特別是ChatGPT從國外蔓延到國內(nèi)的過程中，越來越多的國內(nèi)互聯(lián)網(wǎng)企業(yè)選擇跟隨，其中以BAT為首出現(xiàn)了超過10家企業(yè)宣布推出大模型的計(jì)劃。按照ChatGPT的水準(zhǔn)，至少需要3000枚A100芯片，以9萬/枚的價(jià)格來算就是2.7億人民幣才能完成一個(gè)大模型部署；10個(gè)大模型就需要3萬枚A100芯片，27億人民幣，加上后續(xù)訓(xùn)練成本，這將會(huì)是一個(gè)天文數(shù)字。
另一方面，由于受到政策層面的影響，高端AI芯片“斷供”的風(fēng)險(xiǎn)劇增，也可能會(huì)導(dǎo)致一部分大模型企業(yè)提前囤積芯片，導(dǎo)致相關(guān)的芯片用量激增。
國產(chǎn)替代跑步前進(jìn)，但仍有高墻難越
從目前來看，盡管國內(nèi)使用英偉達(dá)GPU服務(wù)器的占比較高，且在當(dāng)前AI大模型發(fā)展勢(shì)頭之下，英偉達(dá)具有壓倒性優(yōu)勢(shì)。但國產(chǎn)企業(yè)頂著壓力，依然跑出了幾匹黑馬。根據(jù)IDC最新發(fā)布的《中國加速計(jì)算市場(chǎng)（2021年下半年）跟蹤報(bào)告》，2021年全年中國AI服務(wù)器市場(chǎng)規(guī)模達(dá)350.3億元，同比增長68.6%。在企業(yè)級(jí)GPU芯片領(lǐng)域，中國廠商壁仞科技在2022年推出“BR100”芯片、天數(shù)智芯推出了“智鎧100”芯片、寒武紀(jì)推出了“思元270”芯片。
其中壁仞科技稱，BR100擁有全球最高算力，峰值算力達(dá)到了市場(chǎng)在售旗艦產(chǎn)品的三倍以上，16位浮點(diǎn)算力達(dá)到1000T以上、8位定點(diǎn)算力達(dá)到2000T以上，單芯片峰值算力達(dá)到PFLOPS級(jí)別。這些消息，對(duì)于身處美國從設(shè)備、材料到技術(shù)全面封鎖之中的中國企業(yè)而言，應(yīng)該算是一個(gè)可喜的消息，但想要翻越英偉達(dá)這座高山顯然也并不容易。
首先，在AI芯片設(shè)計(jì)上，國產(chǎn)廠商與海外巨頭的差距雖然縮小了，但在AI大生態(tài)上的差距卻依然存在。比如，壁仞科技的芯片算力數(shù)據(jù)雖好，但缺少至關(guān)重要的處理FP64的能力，依然無法完全取代英偉達(dá)的H100、A100。并且，英偉達(dá)使用的CUDA平臺(tái)早已成為應(yīng)用最為廣泛的AI開發(fā)生態(tài)系統(tǒng)，只支持英偉達(dá)的Tesla架構(gòu)GPU，在現(xiàn)階段根本無法用國產(chǎn)芯片取代，因?yàn)樗婕暗紸I芯片的軟件生態(tài)建設(shè)、基礎(chǔ)架構(gòu)等，都還掌握在巨頭手中，目前我們還沒辦法在硬件編程模型上找到替代方案。
目前來看，無論是解決生態(tài)問題，還是解決產(chǎn)業(yè)鏈自主問題都需要時(shí)間，后者的實(shí)現(xiàn)尤其需要一番功夫。
AI芯片國產(chǎn)化替代破局點(diǎn)在哪兒？
不過從解決問題的角度來說，國產(chǎn)替代也絕非沒有機(jī)會(huì)，至少從國內(nèi)當(dāng)前的信創(chuàng)產(chǎn)業(yè)基礎(chǔ)和數(shù)據(jù)應(yīng)用來看，國內(nèi)市場(chǎng)更有可能利用前端市場(chǎng)的創(chuàng)新來逆向底層定制，從而走出一條自己的路。即便是在當(dāng)下，也有一些暫時(shí)性的替代方案和思路。
一是定向的國產(chǎn)扶持路徑。對(duì)于國產(chǎn)廠商來說，如果它不通過定向合作的方式，很難通過“單打獨(dú)斗”來做事情，因?yàn)橥鈬髽I(yè)都會(huì)有自己的軟件架構(gòu)，然后整個(gè)產(chǎn)業(yè)都適配這個(gè)架構(gòu)，從而形成一個(gè)完整的生態(tài)，這種情況下“從零做起”完全是“費(fèi)力不討好”的事情。因此，要想推動(dòng)國產(chǎn)廠商的崛起，就需要先通過與頭部國產(chǎn)AI芯片制造商長期綁定合作，推動(dòng)自主企業(yè)軟件架構(gòu)的形成，然后以該架構(gòu)為主線，逐漸建立起覆蓋上下游的應(yīng)用生態(tài)。
當(dāng)然，這種路徑也有時(shí)間周期。據(jù)中信證券研報(bào)顯示，GPU IP自研需要36-48個(gè)月以及200個(gè)工程師，而采用外購IP的方式，則需要12-18個(gè)月開發(fā)周期，總體上時(shí)間都不算短。
二是通過兼容CUDA生態(tài)做延伸。相比自研系統(tǒng)，兼容CUDA系統(tǒng)則可以迅速切入國際主流的商業(yè)計(jì)算軟件和人工智能軟件，通過接入豐富的軟硬件生態(tài)，可廣泛應(yīng)用于大數(shù)據(jù)，人工智能、商業(yè)計(jì)算等應(yīng)用領(lǐng)域。
對(duì)比兩種方法來看，目前較為可行的方案還是第二種，但從長遠(yuǎn)來看還是做兩手準(zhǔn)備。這樣才能夠未雨綢繆，為將來的全面替代做鋪墊。