ChatGPT爆火背后，AI算力成全新角逐風(fēng)口

　　2023年伊始，資本市場的關(guān)注點明顯變了，AIGC逐漸成為這一輪大行情的全新焦點。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。

　　01 ChatGPT拉動算力持續(xù)飆升

　　在AI大模型飛速發(fā)展之下，單個大語言訓(xùn)練驅(qū)動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，它的計算方式既簡單又粗暴，即實際擁有多少的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，數(shù)據(jù)量加速指數(shù)級攀升之下，其所需算力自然也需要指數(shù)級提升。

　　從供給側(cè)來看，大模型參數(shù)量不斷增大之下，參數(shù)運算需要大規(guī)模并行計算的支持，而它取決于底層GPU內(nèi)存容量。OpenAI預(yù)計人工智能科學(xué)研究要想取得突破，所需要消耗的計算資源每3—4個月就要翻一倍，資金也需要通過指數(shù)級增長獲得匹配。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)于整個維基百科英文版的160倍。就ChatGPT而言，需要TB級的運算訓(xùn)練庫，甚至是P-Flops級的算力，需要7-8個投資規(guī)模30億、算力500P的數(shù)據(jù)中心才能支撐運行�？傊�，在大模型持續(xù)發(fā)展之下，ChatGPT的競爭焦點逐漸轉(zhuǎn)到了AI超級算力上，或者是包括GPU在內(nèi)的算力資源支持上。

　　02 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)，漲價近7萬元人民幣，售價普遍高達(dá)30萬左右，次旗艦A100芯片在短短三個月多時間里，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，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，不僅在消費級市場占據(jù)大部分市場，還是AI服務(wù)器芯片領(lǐng)域的頭號選擇，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)在獨立顯卡市場的份額或已經(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級顯卡市場無可爭辯的*。

　　基于其在圖像處理器領(lǐng)域的強勢地位和核心技術(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劃。按照ChatGPT的水準(zhǔn)，至少需要3000枚A100芯片，以9萬/枚的價格來算就是2.7億人民幣才能完成一個大模型部署;10個大模型就需要3萬枚A100芯片，27億人民幣，加上后續(xù)訓(xùn)練成本，這將會是一個天文數(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)險劇增，也可能會導(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。其實，早在去年8月，美國政府就發(fā)布出口管制政策，禁止英偉達(dá)將A100、H100兩款芯片售往中國。為了應(yīng)對制裁并且不丟掉市場份額，英偉達(dá)先后推出了“閹割版”的A800、H800兩款芯片。但這兩款芯片依舊被暴增的市場需求一搶而空，市場價格隨之水漲船高。

　　在科技制裁之下，預(yù)計國內(nèi)相關(guān)的想要布局AI大模型訓(xùn)練的公司，或許會加速囤積相關(guān)的芯片，從而帶來新一輪的AI算力芯片爭奪戰(zhàn)。

　　03 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)展勢頭之下，英偉達(dá)具有壓倒性優(yōu)勢。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《中國加速計算市場(2021年下半年)跟蹤報告》，2021年全年中國AI服務(wù)器市場規(guī)模達(dá)350.3億元，同比增長68.6%。在企業(yè)級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)到了市場在售旗艦產(chǎn)品的三倍以上，16位浮點算力達(dá)到1000T以上、8位定點算力達(dá)到2000T以上，單芯片峰值算力達(dá)到PFLOPS級別。這些消息，對于身處美國從設(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，因為它涉及到AI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。

　　其次，在地緣政策背景下，國內(nèi)目前還無法在AI芯片的全產(chǎn)業(yè)鏈實現(xiàn)獨立自主，卡脖子領(lǐng)域仍然很多。過去幾年，美國圍繞中國芯片產(chǎn)業(yè)的“科技圍堵”有增無減，從開始的限制材料、設(shè)備，到后來的全產(chǎn)業(yè)鏈動員封殺，《芯片法案》的頒布正是其科技打壓的集中呈現(xiàn)。而在此背景下，國內(nèi)芯片產(chǎn)業(yè)替代所需要的EDA工具、代工制造和先進(jìn)封裝等方面的問題，將面臨更為嚴(yán)峻的現(xiàn)實考驗，想要在短期之內(nèi)進(jìn)行全產(chǎn)業(yè)鏈替代并不容易。

　　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間，后者的實現(xiàn)尤其需要一番功夫。

　　04 AI芯片國產(chǎn)化替代破局點在哪兒？

　　不過從解決問題的角度來說，國產(chǎn)替代也絕非沒有機會，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)市場更有可能利用前端市場的創(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，也有一些暫時性的替代方案和思路。

　　一是定向的國產(chǎn)扶持路徑。對于國產(chǎn)廠商來說，如果它不通過定向合作的方式，很難通過“單打獨斗”來做事情，因為外國企業(yè)都會有自己的軟件架構(gòu)，然后整個產(chǎn)業(yè)都適配這個架構(gòu)，從而形成一個完整的生態(tài)，這種情況下“從零做起”完全是“費力不討好”的事情。因此，要想推動國產(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，這種路徑也有時間周期。據(jù)中信證券研報顯示，GPU IP自研需要36-48個月以及200個工程師，而采用外購IP的方式，則需要12-18個月開發(fā)周期，總體上時間都不算短。

　　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)計算等應(yīng)用領(lǐng)域。

　　對比兩種方法來看，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。