作者 ｜贾桂鹏

距离大模型横空出世已经过去一年有余，在AI大模型的浪潮下，各大科技企业争先恐后地推出了自家的大模型产品。

与此同时，各行业企业也对大模型保持着高度关注，一些其他行业的企业也纷纷跨界布局大模型相关产品。

面对着全球都在追逐的大模型浪潮，这也使其对算力需求无处不在，但算力供给相对有限，“缺口”或许将影响人工智能的发展。未来，算力问题也成为各行业实现人工智能普惠的最大难点。那么，这一困局如何破解呢?

大模型在流行

《北京市人工智能行业大模型创新应用白皮书(2023年)》中显示，截至2023年10月，我国10亿参数规模以上的大模型厂商及高校院所共计254家，分布于20余个省市/地区。

商业咨询机构爱分析的报告称，2023年中国大模型市场规模约为50亿元，预计到2024年这一数字将达到120亿元。

显然，2024年，大模型将继续其火热的现象，在2023年形成的百模大战竞争将会进一步白热化，进一步渗透到各行各业的数字化进程中。

我们看到，大模型真正的价值在于行业侧的应用落地，就目前业内对大模型的认知来看，绝大多数人对大模型相关产品的发展观点类似于互联网，消费级只是开始，产业级价值更大。

但如同互联网一样，消费互联网发展迅速，甚至已经接近“天花板”;产业互联网也仅是近年来在政策引导，数字技术驱动下，逐步发展提速。

为什么大模型技术是产业界的一次革命呢?

一直以来，AI在产业化的进程当中，发展得非常慢。那么在大模型的技术出来后，我们认为它来到了一个转折点。

需要了解的是，大模型不仅是一个聊天机器人，也不是像抖音、快手这样让人消磨时间的娱乐软件。它是一个提高生产力的工具，不仅仅是公司间竞争的利器，更重要的是，它像发电厂一样，把以前很难直接使用的大数据从“石油”状态加工成了“电”。而“电”是通用的，就能赋能百行千业，就能够在实体经济转型数字化、智能化的过程中发挥重要的作用。

据有关机构预测，未来三年，在生产经营环节应用AI大模型的企业占比将提高到80%以上。

为了进一步释放AI的效果，我们需要推动产学研用的深度融合，强化高价值的数据、高性能的算力、高质量的算法和协同创新，加快关键技术突破和产业应用，让AI不仅会写文章做PPT，更能够实际应用于各个领域。

然而，随着大模型的不断发展，我们也面临着一些挑战。

比如，目前的大模型是万事通，但不是行业通。如果你真的用过大模型，在震惊完它什么都会之后，你会发现一旦问它一些行业的问题，它就会说很多概念性的正确废话。也就是说，大模型对行业理解的深度还远远不足。

大模型无法保证生成的内容完全可信，或者说大模型能产生知识模糊、制造知识幻觉。比如它会输出“贾宝玉打虎”“林黛玉三打白骨精”等不符合事实的信息。

我们认为，相比于AI大模型自身发展的问题，算力不足的问题更显突出。由于大模型的规模庞大，需要巨大的计算资源来进行训练和推理。

但现有的计算基础设施还无法满足这一需求，这导致了训练时间过长、推理速度缓慢等问题。这不仅限制了大模型的应用范围，也制约了我们的创新步伐。

AI时代，算力需求增加

我们看到，GPT-3实际上是生成语言生成模型，他参数量大概1750亿，而随着GPT-4和未来GPT-5的推出这个发展趋势还会延续。

比如，对标GPT-3和GPT-4模型，GPT-3模型训练使用了128台英伟达A100服务器(训练34天)，对应640P算力，GPT-4模型训练使用了3125台英伟达A100服务器(训练90—100天)，对应15625P算力。从GPT-3至GPT-4模型参数规模增加约10倍，但用于训练的GPU数量增加了近24倍(且不考虑模型训练时间的增长)。

从全球算力的表现状态分析来看，从22到23年经历了疫情，数字经济其实在这几年增长还比较快。

尤其数字化优先成为企业重要的战略发展途径。所以算力已经成为整个行业里面科技的更新和迭代的一个重要支撑。

未来算力发展的趋势

众所周知，人工智能实现方法之一为机器学习，而深度学习是用来实现机器学习的技术，通常可分为“训练”和“推理”两个阶段。

训练阶段：需要基于大量的数据来调整和优化人工智能模型的参数，使模型的准确度达到预期，核心在于算力。

推理阶段：训练结束后，建立的人工智能模型可用于推理或预测待处理输入数据对应的输出，这个过程为推理阶段，对单个任务的计算能力不及训练，但总计算量也相当可观。

虽然，目前算力的需求在不断增加，也导致了出现“算力危机”，但我们看到突破这些危机的一些技术趋势。

第一个趋势，在算力层面，我们看到通用算力正在转向专用算力，也可以称为智能算力。专用算力包括以GPU为核心的并行训练加速，例如，英伟达DPU，谷歌的GPU，还有新型的算力形态，如NPU等，用于加速 AI 载体。

第二个趋势是从单点到分布式的发展。在十多年前，我们可能只需要使用CPU进行AI模型训练，然后逐渐转向GPU加CPU的方式。当时由于CPU和GPU的编程方式不同，需要重新编译两次才能在CPU和GPU上运行，因此在那个时候，AI模型通常在单台机器上单卡上运行。随着模型参数的增加和模型类型的多样化，从单机单卡逐渐演变成了单机多卡，然后随着GPU的崛起，从单机多卡又发展为分布式训练。这也使得模型训练的速度更快。

第三个趋势是能耗和可持续性。随着训练集群的出现，能耗上升成为一个问题，数据中心需要进行改建和升级以满足能耗要求，这也引发了合规和可持续性的关注。高能耗需要政府批准，因此降低能耗、实现绿色和节能成为趋势。

第四个趋势是软硬结合。从纯硬件走向软硬件结合，尤其是英伟达等公司的带领，软件生态系统变得至关重要。软件工程师和人工智能算法工程师的参与推动了这一趋势。

就我国而言，未来，随着新的算力芯片到来的，还有国内各地出台的一系列利好政策，也积极引导大模型研发企业应用国产芯片，加快提升算力供给的国产化率，提升算力资源统筹供给能力，携手企业共同推动算力市场发展。

写在最后

可以说，算力是数字经济时代最底层的驱动器，无人驾驶、智慧城市、智能交通、智慧金融、仿生科技、生命医学、气候预测以及农业精细化等，都离不开超大算力的支持。在未来的大国竞争中，算力之强弱将直接深度影响到新技术的研发效率和研发成果。

未来，大模型时代的全面到来，注定充满挑战，而挑战往往孕育着机遇。以计算为代表的颠覆技术成为大模型时代的重要底座。最终，谁将主导这场算力的变革，让业界看到大模型市场的新机会，在广阔的市场中率先突围呢?我们拭目以待。