「AI算力荒」解困的短、中、長策

　　AI算力不夠，已經(jīng)是老大難問題。ChatGPT等大語言模型，掀起了新一輪“大煉模型”和“煉大模型”的熱潮，又讓本就不足的算力雪上加霜。

　　適用于AI計(jì)算的GPU供不應(yīng)求，買不到卡的企業(yè)和科研機(jī)構(gòu)嗷嗷待哺，買到了卡的企業(yè)不得不面對(duì)漲價(jià)，也被架在成本的火上烤。

　　目前，英偉達(dá)的GPU是AI計(jì)算最主流的硬件。有業(yè)內(nèi)人士估算過，GPT-4模型僅滿足日訪問量的計(jì)算需求，就需要六萬張英偉達(dá)A100，每一張價(jià)格在60-100萬人民幣，而A100和更強(qiáng)大的***，這兩款芯片此前都被列入了美國的禁止出口清單里。還好在英偉達(dá)的游說下，又能夠在 2023 年 3 月 1 日之前繼續(xù)給大陸提供 A100 產(chǎn)品。

　　現(xiàn)在緩沖期已經(jīng)到了，AI算力的局面是蠟燭兩頭燒，一邊是越來越少的海外高性能芯片，一邊是越來越多的大模型訓(xùn)推需求，究竟怎么辦呢?

　　我知道很多普通網(wǎng)友很急，覺得又被卡脖子了，但大家確實(shí)不用那么急，為AI算力荒解困，業(yè)內(nèi)其實(shí)已經(jīng)探索出了短策、中策和長策。今天就來講講，如何見招拆招。

　　01 短策開源節(jié)流，過緊日子

　　實(shí)事求是來說，最關(guān)鍵的AI芯片GPU被國際廠商壟斷，市場(chǎng)占有率達(dá)到80%以上。而國產(chǎn)廠商雖然也有相應(yīng)的產(chǎn)品，但要么還沒有量產(chǎn)，無法滿足規(guī)模應(yīng)用的需求;要么性能跟海外先進(jìn)產(chǎn)品的差異很大，實(shí)用中大概只能達(dá)到60%左右的水平。而中國和美國博弈，短期內(nèi)是不會(huì)有方向性的轉(zhuǎn)變的，未來高性能芯片的封禁可能是常態(tài)。

　　所以結(jié)論就是，放棄幻想，接下來要準(zhǔn)備過AI算力的緊日子了。

　　目前業(yè)內(nèi)的應(yīng)付辦法有兩種：

　　一是開源。

　　對(duì)于N卡，繼續(xù)買，抓緊囤貨。

　　國內(nèi)頭部互聯(lián)網(wǎng)公司，尤其是已經(jīng)推出了大模型的企業(yè)，都會(huì)進(jìn)行20%左右的戰(zhàn)略備貨，儲(chǔ)備了萬片級(jí)別的英偉達(dá)A100芯片，所以算力基礎(chǔ)都不差。某一線云廠商透露，現(xiàn)在自家有10萬片的A100，能夠滿足好幾個(gè)客戶復(fù)現(xiàn)GPT的AI算力需求。

　　此前國內(nèi)區(qū)塊鏈火爆，礦機(jī)廠商和數(shù)字貨幣販子也買了大量英偉達(dá)GPU用來“挖礦”，聽說也被一些AI公司緊急收了過來。而且，雖然緩沖期已到，但只要交付模式上商務(wù)合規(guī)，還是有可能繼續(xù)用到先進(jìn)產(chǎn)品的。

　　對(duì)于國產(chǎn)芯，加快上馬，落地部署。

　　目前，國內(nèi)的頭部科技公司，已經(jīng)開始籌備或落實(shí)，將寒武紀(jì)MLU370/590、燧原、百度昆侖芯、阿里平頭哥等，部署到算力集群中，盡管占比還比較少，但國產(chǎn)芯的使用和適配已經(jīng)開始了，隨著合規(guī)及產(chǎn)能提速，也能滿足AI并行計(jì)算的需求。

　　芯片的國產(chǎn)化替代，這一步遲早要走，大模型成了那個(gè)提前上馬的變量。

　　二是節(jié)流。

　　既然AI基礎(chǔ)設(shè)施跟大模型建設(shè)熱潮之間有剪刀差，咱能不能把錢花在刀刃上呢?還真能。

　　OpenAI選擇訓(xùn)大語言模型來實(shí)現(xiàn)通用人工智能，超大規(guī)模參數(shù)來達(dá)到“智能涌現(xiàn)”，堪稱為“敗家子兒式創(chuàng)新”。微軟公司的博客中透露，2019 年微軟宣布向 OpenAI 投資 10 億美元，為了讓OpenAI 能訓(xùn)練出越來越強(qiáng)大的模型，將28.5萬個(gè)CPU和10000個(gè)GPU聯(lián)接起來，造了一個(gè)超級(jí)計(jì)算集群。

　　背靠家大業(yè)大的微軟，這么燒無可厚非。但放到中國語境下，或許我們還可以想一想，等這波GPT式熱度消退，基礎(chǔ)模型已經(jīng)成型，那些燒錢打造的算力基礎(chǔ)設(shè)施該何去何從?百億、萬億參數(shù)的大模型，部署到工廠、礦區(qū)、城市之類的行業(yè)場(chǎng)景，是不是也有相應(yīng)的算力支撐?

　　冷靜下來后，為AI算力“節(jié)流”，才是大模型真正落地的必經(jīng)之路。

　　節(jié)流，有兩個(gè)辦法：一是大模型“瘦身”，通過剪枝讓模型稀疏化、知識(shí)蒸餾對(duì)模型進(jìn)行壓縮，通過權(quán)重共享來減少參數(shù)量……總之，一旦一種技術(shù)路線被證明有效，那么很快就會(huì)有多種技術(shù)手段對(duì)其進(jìn)行優(yōu)化，讓模型成本大幅下降。

　　最近加州大學(xué)伯克利分校打造的icuna (小羊駝)模型，就只用8張A100訓(xùn)練了一天時(shí)間，將130億參數(shù)模型的訓(xùn)練成本，從1000美元降低至300美元。所以，模型“瘦身”可以有效減少單個(gè)模型的算力資源消耗。

　　二是硬件“壓榨”，通過端到端優(yōu)化，從AI芯片中“壓榨”出更多性能，把有限的硬件用到*，也是一種節(jié)流。

　　舉個(gè)例子，主流的大模型，包括ChatGPT、GPT-4，都是以Transformer 架構(gòu)為主，微軟通過ONNX開源推理引擎的優(yōu)化，可以將大語言模型的推理性能提高17倍。某國產(chǎn)芯片廠商針對(duì)Transformer結(jié)構(gòu)特性進(jìn)行優(yōu)化，將芯片性能提升到原本的五倍以上，壓縮顯存30%以上。資源利用率更高，相當(dāng)于在AI訓(xùn)練和推理時(shí)單位部署成本更低了。

　　總的來說，面對(duì)短期內(nèi)“AI算力荒”，我們只能接受現(xiàn)實(shí)，正視差距，廣積糧食，開源節(jié)流。

　　承認(rèn)這一點(diǎn)沒有什么好憋屈的，畢竟中國AI從零起步，到今天能跟no.1站在同一張牌桌，這才是我們熟悉的故事。

　　02 中策兼容并包的全國算網(wǎng)

　　一雙眼睛全盯著高性能GPU，會(huì)發(fā)現(xiàn)差距簡(jiǎn)直無從彌補(bǔ)，還在越拉越大。英偉達(dá)、英特爾、AMD等已經(jīng)將AI芯片支撐推進(jìn)到了4nm，而光刻機(jī)禁運(yùn)，制程追不上，國內(nèi)14nm制程將將量產(chǎn)，巧婦難為無米之炊。

　　但換個(gè)角度，可能就柳暗花明又一村。

　　大家可能還記得，去年東數(shù)西算工程正式啟動(dòng)，新型國家算力網(wǎng)絡(luò)成了新的熱點(diǎn)，我們也做過很多報(bào)道和分析。

　　當(dāng)時(shí)我們就提到：實(shí)現(xiàn)先進(jìn)算力的一體化、集約化、多樣化供給，是“全國算力一盤棋”的題中之義。而這只是全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系中的一環(huán)。

　　今天看來，通過幾年時(shí)間，構(gòu)建數(shù)網(wǎng)、數(shù)紐、數(shù)鏈、數(shù)腦、數(shù)盾，對(duì)于AI大模型的數(shù)據(jù)、算力、聯(lián)接、商業(yè)化等多種挑戰(zhàn)，是一種持續(xù)釋放影響的“中策”。

　　本質(zhì)上說，AI模型的訓(xùn)練推理是CPU+加速芯片。GPU的高并行性，可以成規(guī)模地處理AI工作負(fù)載，為深度學(xué)習(xí)加速，在進(jìn)行模型的訓(xùn)練和推斷時(shí)會(huì)更具有效率優(yōu)勢(shì)。英偉達(dá)的A100，在AI推理時(shí)吞吐量是CPU的249倍。

　　但這并不意味著，CPU不能做并行計(jì)算，加速芯片沒有其他選擇。

　　生成式AI的模型訓(xùn)練通常是在云端完成的，云端芯片以CPU+GPU異構(gòu)計(jì)算為主。一些小型的模型是完全可以CPU訓(xùn)練的，可能訓(xùn)練速度慢一點(diǎn)，但確實(shí)可以用。

　　此外，ASIC芯片也很適合AI計(jì)算，目前還沒有明顯的頭部廠商，國產(chǎn)廠商還有機(jī)會(huì)，很多企業(yè)開始推出自研的ASIC加速芯片。比如谷歌的TPU、英特爾的DPU、國內(nèi)寒武紀(jì)的NPU、地平線的BPU等。

　　模型訓(xùn)練好之后，需要結(jié)合數(shù)據(jù)計(jì)算“推理”出各種結(jié)論。手機(jī)人臉識(shí)別認(rèn)出“你是你”這個(gè)環(huán)節(jié)就是“端側(cè)推理”，iPhone將相冊(cè)上傳到云端進(jìn)行用戶行為分析就是“云端推理”。

　　相對(duì)模型訓(xùn)練而言，推理階段處理的是小批量數(shù)據(jù)，這時(shí)候GPU并行計(jì)算的性價(jià)比就不那么明顯了，尤其是在邊緣和終端大規(guī)模部署AI算法，是難以承受如此高的成本的。FPGA、ASIC等加速芯片，協(xié)助CPU來滿足推理的計(jì)算需求，是具有競(jìng)爭(zhēng)優(yōu)勢(shì)的。

　　這跟算網(wǎng)有什么關(guān)系呢?

　　劃重點(diǎn)，在全國一體化算力網(wǎng)絡(luò)體系的各種政策文件中，“算力多元化”的出現(xiàn)頻率是非常高的。

　　多元化，一方面體現(xiàn)在多種計(jì)算架構(gòu)，支持CPU、GPU、ASIC、FPGA等多種芯片的混合部署，充分發(fā)揮不同體系架構(gòu)的優(yōu)勢(shì)。

　　另一方面，體現(xiàn)在多種算力，模型訓(xùn)練、邊緣推理、數(shù)值模擬的不同場(chǎng)景需要不同的算力，AI算力、通用算力、高性能算力等綜合配給，才能很好地支撐各類行業(yè)AI應(yīng)用。

　　正如微軟Azure高性能計(jì)算和人工智能產(chǎn)品負(fù)責(zé)人Nidhi Chappell所說，“讓更大的模型訓(xùn)練更長的時(shí)間，意味著你不僅需要擁有*的基礎(chǔ)設(shè)施，還必須能夠長期可靠地運(yùn)行它”。

　　要長期可靠地保障AI算力資源，自然要發(fā)揮中國智慧——東方不亮西方亮，黑了南方有北方。通過全國一體化算力網(wǎng)絡(luò)的建設(shè)，充分推動(dòng)多種架構(gòu)的落地部署，國產(chǎn)芯片的同步發(fā)展。

　　未來幾年算網(wǎng)成型，對(duì)于保障算力供給，應(yīng)對(duì)不可抗力，會(huì)起到非常關(guān)鍵的作用。

　　03 長策長出那雙手

　　理想化的角度來說，緩解AI算力荒的*解決思路，肯定是造出對(duì)標(biāo)國際一流水平的自研芯片。但這就像“中國什么時(shí)候能有自己的OpenAI”一樣，是一個(gè)漫長的暢想。

　　漫長，指的不只是足夠長的時(shí)間和耐心，給半導(dǎo)體行業(yè)足夠多的錢，還要能吸納全球*的技術(shù)人才、全球優(yōu)質(zhì)的風(fēng)險(xiǎn)投資機(jī)構(gòu)、計(jì)算機(jī)基礎(chǔ)人才的培養(yǎng)、允許失敗試錯(cuò)的創(chuàng)新氛圍和兜底機(jī)制、充分信息化數(shù)字化的優(yōu)質(zhì)數(shù)據(jù)基礎(chǔ)、繁榮的商業(yè)市場(chǎng)……這是一個(gè)社會(huì)工程。

　　那么，我們是不是就得一直這么憋屈呢?

　　當(dāng)然不是。咱們除了“脖子”，還有“手”啊，就不能用自己的長處，去卡別人的脖子呢?

　　這雙手，可能是新的計(jì)算體系。

　　今天，經(jīng)典計(jì)算的“摩爾定律”已死，英偉達(dá)提出的“新摩爾定律”也面對(duì)AI算力供需的剪刀差有心無力。

　　光計(jì)算、類腦計(jì)算、量子計(jì)算等新計(jì)算體系，正在成為各國的重點(diǎn)布局方向。以量子計(jì)算為例，有望徹底解決經(jīng)典計(jì)算的算力不足問題。

　　當(dāng)然，總想著“彎道超車”大概率會(huì)翻車，提到這點(diǎn)只是想提醒一下，不要只盯著CPU/GPU這些已經(jīng)被卡脖子的焦點(diǎn)領(lǐng)域，而忽視了其他路線，將路走窄了。畢竟誰能想到，當(dāng)年游戲宅們追捧的顯卡能卡住今天的AI計(jì)算市場(chǎng)呢?

　　英偉達(dá)GPU被發(fā)現(xiàn)可以用來跑AI之前，只有游戲發(fā)燒友會(huì)對(duì)N卡津津樂道，這種“無心插柳柳成蔭”的結(jié)果，恰好說明了多技術(shù)路線創(chuàng)新的重要性，或許會(huì)在某條路上就發(fā)現(xiàn)驚喜。

　　這雙手，也可能是產(chǎn)業(yè)生態(tài)。

　　AI本來就是一個(gè)工程性、交叉性很強(qiáng)的學(xué)科，AI芯片要充分釋放能力，除了更高制程的工藝，也離不開深刻理解行業(yè)用戶的使用習(xí)慣，才能把軟硬件做到位。

　　英偉達(dá)GPU的主流地位，與CUDA生態(tài)有直接關(guān)系。而CUDA的護(hù)城河正是軟件堆棧，可以讓研究人員和軟件開發(fā)者更好地在GPU上編程，構(gòu)建應(yīng)用。

　　如果說AI算力問題，國產(chǎn)硬件的差距是明線，軟件生態(tài)就是那條更難的暗線。

　　首先是軟件，就拿大模型來說，下接底層算力硬件、操作系統(tǒng)和框架，上接行業(yè)應(yīng)用，需要提供一整套從開發(fā)、應(yīng)用、管理的全流程服務(wù)和工程化方法，而目前積累了全面技術(shù)棧的只有少數(shù)國內(nèi)頭部企業(yè)。

　　其次是生態(tài)，CUDA生態(tài)經(jīng)過多年積累，在AI計(jì)算的*主導(dǎo)地位，而國內(nèi)幾個(gè)頭部企業(yè)都有各自的AI生態(tài)。我們就曾遇到過這樣的采訪對(duì)象，一個(gè)工業(yè)企業(yè)的數(shù)字化案例中，既有A生態(tài)的一些軟硬件，又有B生態(tài)的一些解決方案。多個(gè)生態(tài)并存，增加了產(chǎn)業(yè)的選項(xiàng)自由和安全感，也難免帶來適配上的復(fù)雜度，以及一些重復(fù)性工作。

　　國產(chǎn)芯片硬件的突破或在旦夕之間，但軟件生態(tài)的爆發(fā)卻需要漫長的時(shí)間去醞釀。而一旦生態(tài)如同齒輪一樣轉(zhuǎn)起來了，吸納更多產(chǎn)業(yè)資源和人才力量，很多軟硬件創(chuàng)新都能加速發(fā)展。

　　大語言模型的這波熱鬧中，我有聽到一些聲音，說中國AI行業(yè)“渾身上下都是脖子”“一卡脖子就翻白眼，一開源就全球*”。

　　很能理解大家“怒其不爭(zhēng)”的心情，但實(shí)事求是地看，中國AI走到今天，靠的從來不是誰的施舍，是真的有一群人，在卡脖子時(shí)沒有翻白眼，而是與禁令搶時(shí)間，與海外合作伙伴想對(duì)策，把國產(chǎn)芯片扶上馬送一程。

　　如果說，無需擔(dān)心“AI算力荒”，這是一種無視現(xiàn)實(shí)差距的盲目自信。但也確實(shí)不用一提算力、一提芯片，就縈繞著“生于憂患死于安樂”的焦慮氣息。

　　星光不問趕路人，與其花時(shí)間自憐自哀，不如在有限的規(guī)則里，做力所能及的事。短策、中策、長策久久為功，這才是中國緩解“AI算力荒”的真實(shí)選擇。