大模型时代，AI芯片厂商的机遇与挑战

  ChatGPT的推出，可谓一石激起千层浪，不仅引起了人们的广泛关注，更吸引到众多玩家纷纷加入大模型产品的开发阵营。而不断涌现的大模型似猛兽般吞噬着算力，也给AI芯片市场带来了巨大变革。

  毫无疑问，2023年是大模型的迸发之年。横空出世的ChatGPT宛如导火索，迅速引燃了大模型的战火。据中国科学技术信息研究院《中国人工智能大模型地图研究报告》显示，从全球已经发布的大模型分布来看，中国和美国研发的大模型数量已经占全球总数的80%以上。其中，截至2023年5月底，国内10亿级参数规模以上基础大模型，至少已发布79个。而且，大模型数量还在快速增加。

  算力需求爆发

  大模型全称大型语言模型(LargeLanguageModel，LLM)，是一类基于深度学习的人工智能模型，可以从海量数据集中获得的知识，可以根据从海量数据集中获得的知识来识别、总结、翻译、预测和生成文本和其他形式的内容。简单来说，大模型具有非常强大的学习和推理能力，可以提升人工智能的识别和预测能力，使之能够更加高效、准确地完成各项任务。

  不过，需要指出的是，大模型的训练过程是计算密集型的，并且需要大量的计算能力。大模型训练效率取决于各种因素，如模型大小、训练数据大小、训练迭代次数和用于训练的硬件。通常，模型大小和训练数据越大，就需要越多的计算能力。

  值得一提的是，具有超过1750亿个参数的GPT-3.5在微软Azure AI超算基础设施(由V100GPU组成的高带宽集群)上进行训练，总算力消耗约3640PF-days。也就是说，假如每秒计算一千万亿次，计算3640天，需要7至8个投资规模约30亿元、算力为500P的数据中心才能支撑运行。

  作为算力的核心引擎，AI芯片的重要性不言而喻。据Transparency Market Research(TMR)研究显示，2021年全球AI芯片组市场估值约为455亿美元，该市场2022年至2031年，复合年增长率可能高达31.8%，到2031年，市场规模可能达到7174亿美元。这表明，AI芯片市场拥有着巨大的潜力和前景。

  AI芯片赛道风起云涌

  实际上，伴随着大模型的火热，各大科技厂商在AI芯片领域可谓动作不断。根据John Peddie Research的数据，在供应AI芯片方面，英伟达遥遥领先，占有约88%的市场份额。其中，英伟达最新一代AI专用芯片A100和H100已成为抢手货，价格高达数万美元。

  作为英伟达的强劲对手，AMD自然也不甘示弱。2023年6月，AMD推出了一款新芯片MI300X，专为大模型和尖端人工智能应用而设计。AMD首席执行官苏姿丰(Lisa Su)表示，AMD正在增加AI相关的研发支出，公司已经制定AI战略，包括AI专用芯片和软件的开发，目标是让AI成为公司的重要增长动力。

  今年5月，英特尔公布了将于2025年推出的AI芯片“Falcon Shores”的一些新细节，包括：高带宽内存(HBM3)规格将达到288GB，支持8bit浮点运算。另外，在英特尔2023年二季度财报电话会上，英特尔的CEO帕特・基辛格(Pat Gelsinger)表示，英特尔对AI持非常乐观的态度，并表示英特尔计划在未来制造的每一款产品中都融入AI。

  此外，据媒体报道，微软正在开发代号为Athena(雅典娜)的AI芯片，旨在为大模型提供动力。目前微软和OpenAI的员工已经使用这些芯片在GPT-4等大型语言模型上测试性能。

  可以说，大模型的不断涌现必将推动新一轮算力需求的爆发，同时也为AI芯片厂商带来了前所未有的机遇。

  但与此同时，我们看到，大模型带来的挑战也同样显著。一方面，在芯片制造工艺不断接近物理极限和工程极限的情况下，算力的提升变得越来越困难。另一方面，模型训练除了需要算力支撑外，还会造成大量的能源消耗。例如，OpenAI的GPT-3有1750亿个参数，训练时消耗28.4万千瓦时的能源。相比之下，拥有2500万个参数的计算机视觉模型ResNet-50只需要1500千瓦时的能量来训练。由此可见，大模型的功耗要求远高于其他AI应用。

  写在最后：

  总而言之，对于AI芯片厂商来说，大模型的快速兴起既是机遇，也是挑战。因此，随着大模型的使用越来越广泛，AI芯片厂商需要不断推动技术的创新和突破，在提升AI芯片性能的同时，最大限度地降低能耗，减少对环境的影响。