今天小编分享的财经经验：Sora大秀开启大模型新纪元，如何看待算力挑战？，欢迎阅读。
图片来源 @视觉中国
文｜元宇宙新声，作者｜贾桂鹏
今年春节我们见证了 Sora 的惊艳表现。现在的大模型，已经进入了新的发展阶段。从技术，到具体的应用场景，生成式 AI 正在更多领網域，发挥出惊人的潜力。
麦肯锡报告显示，生成式 AI 每年将为全球经济增加 4.4 万亿美元的价值。生成式 AI 可自动化节省 60% 到 70% 的员工时间来提高生产力。在 2030 年至 2060 年间，有近一半的工作将实现智能化水平。
但是不可否认的是，随着 AI 不断发展，它对于算力的需求会持续增加，这也让整个行业都处在 " 焦虑 " 之中，如何破解 AI 时代的算力危机，也成为行业必须面对的问题。
生成式 AI 爆发，对企业价值体现
当下，大模型主导的生成式 AI，尤其是 GPT-4 的发布，让人类社会看到了通用人工智能时代的曙光。这意味着，作为生产力工具甚至是数字时代的 " 新基建 " 的人工智能技术，不用再局限于单一或有限场景，而是能够在众多领網域像人类一样进行思考、解决问题，并进行持续、快速的自我进化，因此，大模型主导的生成式 AI，将拥有极为广阔的应用前景，有望赋能千行百业。
随着生成式人工智能的爆发，对企业和个人的价值带来了许多新的机遇和优势：
创造性内容生成： 生成式 AI 可以帮助企业和个人快速生成创造性的内容，包括文字、影像、音频和视频等。这些内容可以用于广告营销、品牌宣传、内容创作等方面，为企业和个人节省时间和成本，提高创作效率和质量。
个性化服务和体验： 生成式 AI 可以根据用户的个性化需求和偏好生成定制化的服务和体验。企业可以利用生成式 AI 技术提供个性化的产品推荐、定制化的服务等，提高用户满意度和忠诚度。
创新和产品开发： 生成式 AI 可以帮助企业和个人快速生成新的创意和概念，促进产品和服务的创新和开发。通过生成式 AI 技术，可以快速验证和探索各种想法和可能性，为创新提供更多可能性。
数据增强和扩展：生成式 AI 可以帮助企业和个人生成大量的合成数据，用于数据增强和扩展。这些合成数据可以用于模型训练、数据标注、测试和验证等方面，提高模型的性能和泛化能力。
个人创作和娱乐：对于个人而言，生成式 AI 可以成为创作和娱乐的有力工具。通过生成式 AI 技术，个人可以快速生成各种艺术作品、创意内容和娱乐产品，拓展个人创作和娱乐的领網域。
但是，值得注意的是，生成式 AI 对算力的需求通常较高，特别是在训练大型模型和处理大规模数据时。由于生成式 AI 模型通常具有复杂的结构和大量的参数，因此需要大量的计算资源来进行训练和推理。随着生成式 AI 技术的不断发展和应用，对算力的需求将会继续增加，需要更多的计算资源来支持。
AI 狂奔，算力问题不可忽视
随着 AI 技术的迅速发展，越来越多的人开始关注 AI 算力问题。AI 算力问题指的是，在处理复杂的 AI 模型和算法时需要大量的计算资源，而这种计算资源又需要消耗大量的时间和能源。
以下是生成式 AI 对算力需求的一些方面：
模型训练： 生成式 AI 模型的训练是一个非常计算密集的过程。这些模型通常由数百万甚至数十亿个参数组成，需要在大规模数据集上进行多轮迭代的训练。由于训练过程中需要进行大量的矩阵运算和梯度计算等计算密集型操作，因此需要强大的计算资源来加速训练过程。
例如，ChatGPT 的训练参数达到了 1750 亿、训练数据 45TB，每天生成 45 亿字的内容，支撑其算力至少需要上万颗英伟达的 GPU A100，单次模型训练成本超过 1200 万美元。
推理和生成： 一旦生成式 AI 模型训练完成，推理和生成过程也需要大量的计算资源。在推理过程中，模型需要根据输入数据生成相应的输出，这涉及复杂的矩阵运算和神经网络计算，因此需要强大的计算能力来保证推理速度和生成质量。
制造冲突性单个 Token 的推理过程整体运算量为 2 × 大模型参数量，因此大模型推理侧每日算力需求 = 每日调用大模型次数 × 每人平均查询 Token 数量 × 2 × 大模型参数量，仅以 Google 搜索引擎为例，每年调用次数至少超过 2 万亿，一旦和大模型结合，其 AI 算力需求将十分可观。
模型优化和调整： 生成式 AI 模型的优化和调整也需要大量的计算资源。在模型训练完成后，通常需要对模型进行调参、微调和优化，以进一步提高模型的性能和生成质量。这些过程也需要耗费大量的计算资源。
大规模数据处理：生成式 AI 模型通常需要在大规模数据集上进行训练和推理，因此需要强大的计算资源来处理和管理这些数据。这包括数据的存储、读取、预处理等过程，需要高效的计算资源来支持。
因此，我们看到，对于算力需求，随着 AI 技术的发展和应用场景的扩大，算力需求也在不断增加。AI 模型的训练和推理都需要大量的计算资源支持，特别是深度学习模型等复杂模型需要更多的算力来训练和运行。
算力未来发展趋势
随着这个趋势的深入，半导体行业的收入叶城县指数级增长。Gartner 预计，AI 半导体收入将在预测期内继续保持两位数增长，2024 年将增长 25.6%，达到 671 亿美元（约 4884.88 亿元人民币），到 2027 年，AI 芯片收入预计将比 2023 年的市场规模增长一倍以上，达到 1194 亿美元（当前约 8692.32 亿元人民币）。
因此，面对 AI 对于算力的需求以及算力市场的发展，算力行业也有一些措施来应对：
提高硬體性能和效率： 算力行业应该不断提升硬體设备的性能和效率，包括 CPU、GPU、TPU 等，以满足 AI 技术对算力的不断增长需求。同时，还可以通过优化硬體设计和制造工艺，提高算力设备的能效比，降低能耗成本。
推动算力技术创新： 算力行业应该持续推动算力技术的创新，包括算法优化、并行计算、分布式计算等方面。通过不断创新和提升技术水平，提高算力设备的性能和效率，降低计算成本，满足 AI 技术的需求。
拓展云计算服务： 算力行业可以通过拓展云计算服务，为企业和个人提供弹性的计算资源，满足不同场景下的算力需求。通过提供云计算服务，可以实现资源的灵活调配和共享利用，提高算力资源的利用率和效率。
加强行业合作与共享： 算力行业可以加强与企业、研究机构等相关领網域的合作与共享，共同推动算力技术的发展和应用。通过合作共享的方式，可以更好地利用各方资源，提高算力行业的整体竞争力和服务水平。
综上所述，随着 AI 技术的发展和应用，算力需求将会持续增加，算力行业应该通过提高硬體性能和效率、推动技术创新、拓展云计算服务、加强行业合作与共享等措施，应对这一趋势，实现行业的持续发展和进步。
我国算力领網域发展如何？
我国算力产业规模快速增长，近 5 年平均增速超过 30%，算力规模排名全球第二。各地根据自身资源禀赋特点和产业优势，纷纷制定规划，加快布局发展算力产业。
一方面，加快打通通道，推动数据快进快出，相继建成国家级互联网骨干直联点、国际互联网数据专用通道、根伺服器镜像节点和国家顶级網域名节点，加快建设全国 " 东数西算 " 南线主干道。另一方面，通过建设算力超市和算力调度平台，组织算力提供方、需求方和上下游企业进场对接。
相关数据显示，截至目前，全国在用数据中心机架总规模超过 760 万标准机架，算力总规模达到每秒 1.97 万亿亿次浮点运算（197EFLOPS），位居全球第二，伺服器、计算机、智能手机等计算类产品产量全球第一，围绕算力枢纽节点建设 130 条干线光缆，算力应用广泛深入到政务、工业、交通、医疗等领網域，不断催生新技术、新模式、新业态，算力赋能千行百业正向纵深推进，成为传统产业转型更新的重要支点，为经济高质量发展注入了强大动力。
写在最后
当前，数字经济作为新经济形态，正成为重组全球要素资源、重塑全球经济结构、重构全球竞争格局的关键力量。当前，我国算力产业已初具规模，正加速向政务、工业、交通、医疗等领網域拓展深化，推动互联网、大数据、人工智能与实体经济深度融合，持续赋能千行百业。
