今天小編分享的财經經驗：Sora大秀開啟大模型新紀元，如何看待算力挑戰？，歡迎閱讀。
圖片來源 @視覺中國
文｜元宇宙新聲，作者｜賈桂鵬
今年春節我們見證了 Sora 的驚豔表現。現在的大模型，已經進入了新的發展階段。從技術，到具體的應用場景，生成式 AI 正在更多領網域，發揮出驚人的潛力。
麥肯錫報告顯示，生成式 AI 每年将為全球經濟增加 4.4 萬億美元的價值。生成式 AI 可自動化節省 60% 到 70% 的員工時間來提高生產力。在 2030 年至 2060 年間，有近一半的工作将實現智能化水平。
但是不可否認的是，随着 AI 不斷發展，它對于算力的需求會持續增加，這也讓整個行業都處在 " 焦慮 " 之中，如何破解 AI 時代的算力危機，也成為行業必須面對的問題。
生成式 AI 爆發，對企業價值體現
當下，大模型主導的生成式 AI，尤其是 GPT-4 的發布，讓人類社會看到了通用人工智能時代的曙光。這意味着，作為生產力工具甚至是數字時代的 " 新基建 " 的人工智能技術，不用再局限于單一或有限場景，而是能夠在眾多領網域像人類一樣進行思考、解決問題，并進行持續、快速的自我進化，因此，大模型主導的生成式 AI，将擁有極為廣闊的應用前景，有望賦能千行百業。
随着生成式人工智能的爆發，對企業和個人的價值帶來了許多新的機遇和優勢：
創造性内容生成： 生成式 AI 可以幫助企業和個人快速生成創造性的内容，包括文字、影像、音頻和視頻等。這些内容可以用于廣告營銷、品牌宣傳、内容創作等方面，為企業和個人節省時間和成本，提高創作效率和質量。
個性化服務和體驗： 生成式 AI 可以根據用戶的個性化需求和偏好生成定制化的服務和體驗。企業可以利用生成式 AI 技術提供個性化的產品推薦、定制化的服務等，提高用戶滿意度和忠誠度。
創新和產品開發： 生成式 AI 可以幫助企業和個人快速生成新的創意和概念，促進產品和服務的創新和開發。通過生成式 AI 技術，可以快速驗證和探索各種想法和可能性，為創新提供更多可能性。
數據增強和擴展：生成式 AI 可以幫助企業和個人生成大量的合成數據，用于數據增強和擴展。這些合成數據可以用于模型訓練、數據标注、測試和驗證等方面，提高模型的性能和泛化能力。
個人創作和娛樂：對于個人而言，生成式 AI 可以成為創作和娛樂的有力工具。通過生成式 AI 技術，個人可以快速生成各種藝術作品、創意内容和娛樂產品，拓展個人創作和娛樂的領網域。
但是，值得注意的是，生成式 AI 對算力的需求通常較高，特别是在訓練大型模型和處理大規模數據時。由于生成式 AI 模型通常具有復雜的結構和大量的參數，因此需要大量的計算資源來進行訓練和推理。随着生成式 AI 技術的不斷發展和應用，對算力的需求将會繼續增加，需要更多的計算資源來支持。
AI 狂奔，算力問題不可忽視
随着 AI 技術的迅速發展，越來越多的人開始關注 AI 算力問題。AI 算力問題指的是，在處理復雜的 AI 模型和算法時需要大量的計算資源，而這種計算資源又需要消耗大量的時間和能源。
以下是生成式 AI 對算力需求的一些方面：
模型訓練： 生成式 AI 模型的訓練是一個非常計算密集的過程。這些模型通常由數百萬甚至數十億個參數組成，需要在大規模數據集上進行多輪迭代的訓練。由于訓練過程中需要進行大量的矩陣運算和梯度計算等計算密集型操作，因此需要強大的計算資源來加速訓練過程。
例如，ChatGPT 的訓練參數達到了 1750 億、訓練數據 45TB，每天生成 45 億字的内容，支撐其算力至少需要上萬顆英偉達的 GPU A100，單次模型訓練成本超過 1200 萬美元。
推理和生成： 一旦生成式 AI 模型訓練完成，推理和生成過程也需要大量的計算資源。在推理過程中，模型需要根據輸入數據生成相應的輸出，這涉及復雜的矩陣運算和神經網絡計算，因此需要強大的計算能力來保證推理速度和生成質量。
制造衝突性單個 Token 的推理過程整體運算量為 2 × 大模型參數量，因此大模型推理側每日算力需求 = 每日調用大模型次數 × 每人平均查詢 Token 數量 × 2 × 大模型參數量，僅以 Google 搜索引擎為例，每年調用次數至少超過 2 萬億，一旦和大模型結合，其 AI 算力需求将十分可觀。
模型優化和調整： 生成式 AI 模型的優化和調整也需要大量的計算資源。在模型訓練完成後，通常需要對模型進行調參、微調和優化，以進一步提高模型的性能和生成質量。這些過程也需要耗費大量的計算資源。
大規模數據處理：生成式 AI 模型通常需要在大規模數據集上進行訓練和推理，因此需要強大的計算資源來處理和管理這些數據。這包括數據的存儲、讀取、預處理等過程，需要高效的計算資源來支持。
因此，我們看到，對于算力需求，随着 AI 技術的發展和應用場景的擴大，算力需求也在不斷增加。AI 模型的訓練和推理都需要大量的計算資源支持，特别是深度學習模型等復雜模型需要更多的算力來訓練和運行。
算力未來發展趨勢
随着這個趨勢的深入，半導體行業的收入葉城縣指數級增長。Gartner 預計，AI 半導體收入将在預測期内繼續保持兩位數增長，2024 年将增長 25.6%，達到 671 億美元（約 4884.88 億元人民币），到 2027 年，AI 芯片收入預計将比 2023 年的市場規模增長一倍以上，達到 1194 億美元（當前約 8692.32 億元人民币）。
因此，面對 AI 對于算力的需求以及算力市場的發展，算力行業也有一些措施來應對：
提高硬體性能和效率： 算力行業應該不斷提升硬體設備的性能和效率，包括 CPU、GPU、TPU 等，以滿足 AI 技術對算力的不斷增長需求。同時，還可以通過優化硬體設計和制造工藝，提高算力設備的能效比，降低能耗成本。
推動算力技術創新： 算力行業應該持續推動算力技術的創新，包括算法優化、并行計算、分布式計算等方面。通過不斷創新和提升技術水平，提高算力設備的性能和效率，降低計算成本，滿足 AI 技術的需求。
拓展雲計算服務： 算力行業可以通過拓展雲計算服務，為企業和個人提供彈性的計算資源，滿足不同場景下的算力需求。通過提供雲計算服務，可以實現資源的靈活調配和共享利用，提高算力資源的利用率和效率。
加強行業合作與共享： 算力行業可以加強與企業、研究機構等相關領網域的合作與共享，共同推動算力技術的發展和應用。通過合作共享的方式，可以更好地利用各方資源，提高算力行業的整體競争力和服務水平。
綜上所述，随着 AI 技術的發展和應用，算力需求将會持續增加，算力行業應該通過提高硬體性能和效率、推動技術創新、拓展雲計算服務、加強行業合作與共享等措施，應對這一趨勢，實現行業的持續發展和進步。
我國算力領網域發展如何？
我國算力產業規模快速增長，近 5 年平均增速超過 30%，算力規模排名全球第二。各地根據自身資源禀賦特點和產業優勢，紛紛制定規劃，加快布局發展算力產業。
一方面，加快打通通道，推動數據快進快出，相繼建成國家級互聯網骨幹直聯點、國際互聯網數據專用通道、根伺服器鏡像節點和國家頂級網域名節點，加快建設全國 " 東數西算 " 南線主幹道。另一方面，通過建設算力超市和算力調度平台，組織算力提供方、需求方和上下遊企業進場對接。
相關數據顯示，截至目前，全國在用數據中心機架總規模超過 760 萬标準機架，算力總規模達到每秒 1.97 萬億億次浮點運算（197EFLOPS），位居全球第二，伺服器、計算機、智能手機等計算類產品產量全球第一，圍繞算力樞紐節點建設 130 條幹線光纜，算力應用廣泛深入到政務、工業、交通、醫療等領網域，不斷催生新技術、新模式、新業态，算力賦能千行百業正向縱深推進，成為傳統產業轉型更新的重要支點，為經濟高質量發展注入了強大動力。
寫在最後
當前，數字經濟作為新經濟形态，正成為重組全球要素資源、重塑全球經濟結構、重構全球競争格局的關鍵力量。當前，我國算力產業已初具規模，正加速向政務、工業、交通、醫療等領網域拓展深化，推動互聯網、大數據、人工智能與實體經濟深度融合，持續賦能千行百業。
