“吞金兽”ChatGPT背后：AI算力缺不缺

近两个月来，全世界的网友们都在兴致勃勃的“调教”ChatGPT，小编的朋友圈一直被分享ChatGPT,但第一个受不了的却是ChatGPT的所有者。

为了更长远的发展，OpenAI宣布了付费订阅版ChatGPT Plus，按月收费。

虽然OpenAI表示，将持续提供免费版，并且收费项目也将更好的“帮助尽可能多的人使用免费服务”。但是《纽约时报》也指出“在高峰时段，免费版访问人数将受到限制。”

显然，收费会是ChatGPT这类AI服务长久发展的必然选择。

究其根源，在于ChatGPT“越来越聪明”的背后，需要庞大的费用支撑。其中，算力成本是最重要的，也是最不能偷工减料的一部分。

那么，ChatGPT到底需要多少算力来支撑？

01 “吞金兽”ChatGPT的算力消耗

ChatGPT对算力的消耗可以分为三个主要场景：

一是模型预训练过程，这是ChatGPT消耗算力的最主要场景。

ChatGPT采用预训练语言模型，在Transformer的模型架构下，语言预训练过程可以根据上下文一次处理所有输入，实现大规模并行计算。

通过堆叠多个解码模块，模型的层数规模也会随着提升，可承载的参数量同步增长。与之相对应的，模型训练所需要消耗的算力也就越大。

据OpenAI团队发表于2020年的论文《Language Models are Few-Shot Learners》，训练一次1746亿参数的 GPT-3模型需要的算力约为3640 PFlop/s-day。

即假如每秒计算一千万亿次，也需要计算3640天。

考虑到ChatGPT训练所用的模型是基于GPT-3.5模型微调而来，GPT-3.5模型增加了参数量和训练样本量，包含超过1746亿个参数，那么预估训练一次ChatGPT所需算力至少需要约3640 PFlop/s-day的算力。

东吴证券研报分析认为，ChatGPT的优化主要来自模型的增大，以及因此带来的算力增加。

GPT、GPT-2和GPT-3的参数量从1.17亿增加到1750亿，预训练数据量从5GB增加到45TB，其中GPT-3训练单次的成本就高达460万美元。

同时，模型开发过程很难一次取得成功，整个开发阶段可能需要进行多次预训练过程，因此对于算力的需求是持续的。

此外，从基础大模型向特定场景迁移的过程，如基于ChatGPT构建医疗AI大模型，需要使用特定领域数据进行模型二次训练，同样会增加训练算力需求。

二是模型迭代过程。

从模型迭代的角度来看，ChatGPT模型并不是静态的，而是需要不断进行模型调优，以确保模型处于最佳应用状态。

这一过程中，一方面是需要开发者对模型参数进行调整，确保输出内容不是有害和失真的；另一方面，需要基于用户反馈和PPO策略，对模型进行大规模或小规模的迭代训练。

因此，模型调优同样会为ChatGPT带来算力成本，具体算力需求和成本金额取决于模型的迭代速度。

三是日常运营过程。

在日常运营过程中，用户交互带来的数据处理需求同样也是一笔不小的算力开支。考虑到ChatGPT面向全球大众用户，用的人越多，带宽消耗越大，服务器成本只会更高。

据SimilarWeb数据，2023年1月ChatGPT官网总访问量为6.16亿次。

据Fortune杂志，每次用户与ChatGPT互动，产生的算力云服务成本约0.01美元。

基于此，ChatGPT单月运营对应成本约616万美元。

据上文，我们已知训练一次1746亿参数的GPT-3模型需要3640 PFlop/s-day的算力及460万美元的成本，假设单位算力成本固定，测算ChatGPT单月运营所需算力约 4874.4PFlop/s-day。

直观对比，如果使用总投资30.2亿、算力500P的数据中心来支撑ChatGPT的运行，至少需要7-8个这样的数据中心，基础设施的投入都是以百亿记的。

当然，基础设施可以通过租用的方式来解决，但算力需求带来的本压力依然巨大。

随着国内外厂商相继入局研发类似大模型，将进一步加大对算力的需求。

02 AI算力霸权时代的到来

模型算力需求增速超越芯片性能增速，算力霸权时代或将到来。

据OpenAI测算，自2012年以来，全球头部AI模型训练算力需求3-4个月翻一番，每年头部训练模型所需算力增长幅度高达10倍。

而摩尔定律认为，芯片计算性能大约每18-24个月翻一番。

数据显示，从2012年到2018年，训练AI所耗费的算力增长了30万倍，而摩尔定律在相同时间只有7倍的增长。

因此，AI训练模型算力需求增长与芯片计算性能增长之间的不匹配，或将带来对算力基础设施供给需求的快速增长。

考虑到算力对于AI模型训练效果的关键性作用，拥有更丰富算力资源的模型开发者，或将能够训练出更优秀的AI模型。

所以现在有一种说法：AI进入了新的算力霸权时代，大家要用千倍、万倍的算力才能训练出世界上最好的算法。

那么无论是谁参与进来，都需要回答一个问题：算力成本怎么解决？

在中国，这个答案就藏在国家如火如荼推进的“东数西算”工程里。

数据显示，我国算力产业规模快速增长，近五年平均增速超过30%，算力规模排名全球第二。

但在发展的过程中仍面临人均算力尚低、算力随需处理的需求难以满足、算力应用广度和深度不够等问题。

因此，国家“东数西算”工程通过构建全国一体化的新型算力网络，优化数据中心建设布局，将东部算力需求有序引导到西部，利用西部的资源优势，为数字中国的发展提供低碳、低成本的优质算力。

对于AI产业来说，“东数西算”也可以成为“东数西训”，即庞大的训练算力需求完全可以转移到算力成本更低，同时规模更具优势的西部数据中心中进行。

对应的，这些承载智能训练的数据中心本身，也将为更好的适应智能训练需求进行针对性改造，比如在能源供给、散热结构、机柜形态等方面更适合使用了大量智能训练芯片的服务器等。

这也为数据中心未来发展提出了新的思路。

数据中心建设将告别千篇一律的通用时代，进入以场景为指引、以应用为导向的“专用”时代，“东数西训”、“东数西渲”、“东数西存”等应用将成为主流方向。

目前，我国算力产业仍在高速增长。

据IDC与浪潮信息联合发布的《2022－2023中国人工智能计算力发展评估报告》显示，相较于2020年我国135EFLOPS的算力总规模，2022年我国智能算力规模近乎翻倍，达到268EFLOPS，超过通用算力规模；预计未来5年我国智能算力规模的年复合增长率将达52.3％。

未来，我国还应在算力方面进一步加强超算中心、智算中心和边缘数据中心建设，不断满足政府、行业、企业甚至个人等多样化的智能场景需要，以算力赋能智慧城市、智慧医疗、智慧农业等千行百业的高质量发展。

不仅如此，大力加强自主可控高端芯片生产能力，争取在量子芯片领域实现换道超车，加强算力人才培养，同样是保持我国AI算力领先的重要手段。