ChatGPT“狂飙”赚吆喝，真赚钱还得看算力厂商

　　作者 | 葛覃

　　赚吆喝，不赚买卖，可能是ChatGPT目前最大的难题。

　　这个由OpenAI用GPT-3 大模型制作的聊天机器人，在短时间内成为现象级产品火爆全球，热度远远超过人工智能产业之外，它被学生用来写论文（后被学校禁止），被微软用来彻底改变搜索引擎Bing，被用来完成法律资格考试，等等用途，不一而足，俨然成为时代新宠。

　　然而，ChatGPT还处于行业发展的早期，大家惊讶于其意料之外的效果，资本市场对“ChatGPT”概念估值水涨船高，人工智能产业对ChatGPT充满期待，但是ChatGPT本身的价值尚待兑现，这也是产业集体躁动想要找寻的答案。

　　从另一方面看，ChatGPT是人工智能产业的一环，历次人工智能高潮中，有一类厂商稳稳赚钱，而且还赚得盆满钵满，他们就是以芯片、服务器和云服务商等为代表的算力厂商，其中又以英伟达为最。

　　有多少“ChatGPT”，就有成倍的算力需求

　　“ChatGPT崩了”。当ChatGPT风靡全球之后，便经常出现这样的抱怨，有限的算力无法应对海量的并发，OpenAI也不可能无限储备算力资源，“崩了”也就成为经常性事件。

　　随后OpenAI 宣布推出付费版本 ChatGPT Plus，每月收费20美元，与免费版本相比，付费版本提供了高峰时段优先访问通道，更快的响应时间，以及优先使用新功能，当下仅限于美国地区用户。

　　20美元乘以ChatGPT潜在付费用户数，是一笔不小的收益，业内人士认为，OpenAI 收费是为了缓解算力负担和收回部分成本的双重考虑。

　　据FierceElectronics报道，ChatGPT使用了一万块GPU 进行训练，自从它获得公众关注以来，该系统一直不堪重负，无法满足庞大用户群的需求。

　　训练大型语言模型 (LLM) 时，通常需要考虑两组成本，一是训练成本，有行业人士测算，在公有云中训练GPT-3“仅”需花费约140万美元，比起传统自己采买硬件服务器来训练已经省下不少钱。即使是像PaLM这样最先进的模型也只需花费约1120万美元，对于国内想要从零开始研究ChatGPT的公司来说，训练成本就足以淘汰掉大部分入局者。

　　二是推理成本，据估算，单个答案的成本需要1美分，运行ChatGPT的成本要综合其使用次数，规模越大花费的成本也呈指数级别上升。譬如谷歌如果要把每一次查询都融入ChatGPT，那就是一笔远超训练成本的天文数字。

　　中国信通院云计算与大数据研究所所长何宝宏接受媒体采访时表示，ChatGPT训练一次成本约为460万美元，此外，ChatGPT运营成本高昂，若按照百万级别用户量计算，每月运行成本约为300万美元。

　　外媒指出，如果将类似于 ChatGPT 的 LLM （大型语言模型）部署到谷歌全量搜索中，这意味着谷歌的 300 亿美元利润将直接转移到算力厂商手中。

　　值得一提的是，随着时间推移，大模型的训练和推理成本下降很快，在GPT-3发布的两年半时间里，大模型的训练和推理成本就大约下降了约80%，这也是目前OpenAI等公司努力的方向。

　　英伟达首当其冲，算力厂商的一次集体狂欢

　　姑且不论ChatGPT能造就多少家上市公司，产生多少价值，算力公司始终稳赚不赔。

　　英伟达CEO黄仁勋将ChatGPT称为人工智能的 「iPhone时刻」，并表示ChatGPT基本上实现了计算的民主化，称这是人工智能和计算行业有史以来最伟大的事情。

　　英伟达当然有理由这么说，毕竟英伟达是AIGC产业链目前最受益的厂商之一，近期英伟达股票就上涨了40%左右，短期内英伟达GPU已经供不应求。Nvidia 控制着 90% 以上的数据中心 GPU 市场，其余大部分由 AMD掌握。

　　用于训练和运行 ChatGPT 的特定硬件和供应商可能会因实施而异，目前基本上全部运行在英伟达GPU 上，除了硬件性能之外，英伟达CUDA（并行计算平台和编程模型） 被广泛用于深度学习，能够实现更高的性价比，也是英伟达受青睐的原因。

　　此外，AWS、GCP 和 Azure 等一些云计算平台提供了训练和运行大型深度学习模型（如 ChatGPT）的基础设施。

　　摩尔学院院长李丰也表示，芯片厂商可能是吃到AIGC这一波大红利的厂商。因为他们是基础设施的提供者，几乎所有的AIGC算力，现在都是GPU在提供，尤其是在训练方面。另外一类，比如说云厂商，同样作为基础设施提供者，会推出大量的GPU云，以降低GPU部署的门槛。相对产业链其他厂商来说，这两类厂商商业模式比较清晰。

　　一些服务器厂商的GPU算力也被抢购一空。据了解，截止2月12日，曙光智算公司提供用于AI训练与推理计算的试用资源，在开放使用后一周内已被抢注一空，通常情况下，这些计算资源要三个月左右才能被用户注册并使用。目前，曙光智算正协调多个计算中心，提供更多算力资源满足用户需求。

　　也有服务器厂商紧抓机会谋求新的利益点，浪潮信息推出了AI算力服务产品，包括支持国际和国内4种AI算力产品、经“源”清洗验证过的语言或多模态的大模型数据集的2种数据产品、由浪潮“源”专家团队提供的语言或多模态的大模型训练支持的2种算法产品以及AI训练推理资源管理调度的1种平台产品，显然也是不希望仅仅靠算力中间商身份，赚取薄薄的一层差价。

　　硬件或成人工智能产业瓶颈

　　计算能力正在成为人工智能发展的瓶颈，ChatGPT以及其背后的大模型火热，加剧了这一矛盾。

　　百度昆仑芯方面对外表示，以ChatGPT为代表的大模型应用是AI发展过程中出现的新的关键场景。就大模型而言，昆仑芯在产品定义上已经做了布局，昆仑芯2代芯片相较第一代产品大幅优化了算力、互联和通用性，在百度内外部的大模型场景中都有切实的落地，而在研的下一代产品将提供更佳的性能体验。

　　算力、互联和通用性也是人工智能算力的三大典型问题。

　　此前用于AI训练的算力增长符合摩尔定律，大约每20个月翻一番；深度学习的出现加速了性能的扩展，用于AI训练的算力大约每6个月翻一番；而目前大规模模型出现，其训练算力是原来的10到100倍。

　　即便GPU算力也不可能实现这么快速的增长，增加数量并行计算是通用的解决方法，而并行计算有其局限性，当GPU超过一定数量规模，每个GPU的批处理变得太小，增加数量也就没有太大效果，而且成本会继续增加。

　　互联也是大问题， GPU和系统之间的互联速度不够快。在一个 GPU 上训练了一个数据子集后，将数据返回、共享并在所有 GPU 上进行另一次训练，这会占用大量网络带宽并耗费 GPU的算力。

　　在这场算力狂欢中，国内AI芯片厂商的存在感较弱，他们的芯片通用性不强是原因之一，人工智能的训练、推理，科学计算和仿真，以及难以预期的复杂AI新业务，英伟达GPU的通用性较好，国产GPU能够在一些特定领域实现不错的水平，但通过通用性带来的规模和生态效应，要显著落后于英伟达。

　　算力厂商收割了ChatGPT的第一波红利，在可预期的未来，ChatGPT和人工智能产业愈是火爆，算力厂商也就愈发站在行业发展的上风处。

　　The End