导语：ChatGPT类的生成式AI，对于算力的需求极高。可以说，AI算力是挖金矿的“铁铲”。由此，AI计算将很快迎来爆发式增长，带动算力市场的格局演进和技术创新。
注册用户从零到一亿，ChatGPT只用了不到50天。而在此之前，单一应用要突破一亿用户最快也要500天以上。
实际上，要不是有意的限制，这一速度还能更快。由于需求增长过快，OpenAI很早就开始限制用户注册，而目前普通用户的问答结果返回时间也变得非常缓慢。
之所以要限制用户的注册和使用，最主要的原因是AI算力的不足以及AI计算的高成本。未来，随着ChatGPT被整合进Bing搜索，随着更多新玩家的进入，随着智能水平的进一步提升，生成式AI应用对于AI算力的需求，将同样爆发式增长。
如何满足这一高速增长的需求，将成为AI产业亟待突破的问题。
ChatGPT开启的认知智能新阶段
自从图灵在1950年代提出“机器可以思考”的概念以来，AI就进入到了产业界的视野。对于长达70年的发展历程，业界有不同的阶段划分方式。爱数公司总裁贺鸿富提出的三个阶段划分方式，能够在技术和应用层面，更好地体现AI产业的演进历程。
第一阶段是运算智能。公元2000年前的AI基本都处于这个发展阶段，主要依靠出色的计算能力来体现计算机的价值。最典型的代表就是IBM的深蓝，以强大的算力击败了世界冠军卡斯帕罗夫，因为能够比人类多算几步棋。
第二阶段是感知智能?，即计算机能够对文字、语音、图像和视频进行识别，进而产生一些相关的应用，比如机器翻译、人脸识别等。这些应用大家已经非常熟悉，被广泛应用到各个领域。自动驾驶技术的很大部分也属于感知智能的范畴。
第三阶段则是全新的认知智能?，计算机不仅能够识别和分析，还能理解、会思考，与人脑的相似程度得到进一步提高。ChatGPT无疑就是认知智能的典型代表，能够在短时间内走红，正是因为其体现了AI的最新发展方向。
AI的三件套与两部曲
无论是感知智能还是认知智能，AI要想从技术转变为应用，都离不开算法、算力和算据这三大核心要素，即我们俗称的三件套。
其中的算法包括深度学习、强化学习、监督学习等，是AI的技术基础，也是科学家们努力突破的领域。而算据则是计算的对象，即数据。到了认知智能时代，ChatGPT所要处理的对象已经不是普通的数据，而是各个领域的知识。充足的算力??，则是AI的基础设施，正在快速从通用计算延伸到智能计算。
AI??的两部曲则是训练和推理，这两个过程都要消耗大量的算力。其中“训练”是AI的学习过程，通过对大量数据的分析处理，形成最至关重要的“模型”。而“推理”则是AI的应用过程，利用模型对用户输入的数据进行分析，产生输出结果。
作为一个通用的大型语言模型，ChatGPT建立在海量数据的训练基础上。据OpenAI介绍，GPT-3的参数数量达到1750亿个，属于超大规模的预训练大模型。相比上一代的GPT-2，其参数数量增长了1160倍，因此才具备了我们如今看到的强大语言理解能力、更广泛的知识覆盖。这也意味着其需要更为强大的计算能力。
目前，ChatGPT的知识还局限在2021年之前，如果要学习新的知识，就需要重新消耗算力进行训练;如果要提高知识水平，也需要指数级的新算力。
用户对ChatGPT的应用，则是AI的“推理”过程。与普通的搜索引擎不同，这个过程不需要检索新的联网数据，但同样消耗算力。
ChatGPT背后的算力支持
作为一家专注于人工智能研究和应用的公司，OpenAI已经拥有世界上最强大的计算机集群之一，来支持ChatGPT的训练和推理。
GPU集群?：成千上万的GPU用于训练和推理ChatGPT模型。这些GPU是专门优化的，能够提供高效的计算能力，以支持ChatGPT的快速训练和推理。
TPU集群?：TPU集群是谷歌开发的专用于人工智能的处理器。使用TPU可以大大加快模型的训练和推理速度，它们能够提供比GPU更高的计算能力。
云计算资源?：利用微软Azure来管理和分配计算资源，从而可以根据需要来获得大量的计算资源来支持ChatGPT的训练和推理。
OpenAI并未公布ChatGPT具体的算力消耗情况，有资料显示，ChatGPT的总算力消耗约为3640PF天，需要数百亿的投资。
我们可以对比一下AlphaGo。AlphaGo的训练数据为3万多个专业棋手的对弈棋谱以及AlphaGo自我对弈产生的3000万盘棋局，其背后的超级计算机配置为1920个CPU加280个GPU，下一盘棋的平均成本约3000美元。
而ChatGPT的训练数据是AlphaGo的无数倍，其消耗的算力也必然是天文数字。如果未来类似的应用大量涌现，其对算力的消耗将是一个“无底洞”。
AI时代的算力多元化
在AI时代，算力呈现出多元化、异构化、专业化、智能化的新特点。其中最核心的是，以GPU为代表的智能计算的崛起，改变了此前以x86为代表的通用计算独步天下的状况。
针对不同场景、不同类型的应用，如今的计算机已经能够提供不同类型的算力支持。除了通用计算的CPU，还有感知计算的GPU、语义计算的DSP、监控计算的FPGA、自动驾驶的ASIC和嵌入式计算的SoC等。
最新一个季度财报中，传统芯片巨头英特尔的营收暴跌，而长期受其压制的竞争对手AMD则超出业界预期。这两家最直接的芯片竞争对手境遇如此不同，正是因为后者在智能计算领域的市场份额更高。
当然，在智能计算领域表现最为突出是Nvidia。其产品几乎覆盖了智能计算的所有领域，成为AI计算的抢手货。ChatGPT的基础模型训练即采用其顶级的A100GPU。
Nvidia的最新市值为5600亿美元，虽然比最高点的8000亿美元下降明显，但仍大大高于英特尔的1200亿美元，而AMD的市值则为1400亿美元。
在国内，华为昇腾、阿里含光、昆仑芯等企业也积极投身AI计算芯片和加速卡等领域，在诸多行业应用当中取得了突破。
可以说，正是AI的兴起，改变了算力市场的竞争格局，技术演进、发展路线、投资方向都随之发生了根本性的变化。当然，PC市场的萎缩、云服务的普及，也加速了这一变化进程。
云巨头们引领的ARM生态
谈到算力多元化，就必然要提及ARM。在与X86架构的竞争中，ARM的突出表现最为亮眼，也成为AI算力的重要组成部分。由于ARM是开源的，因此各个企业都可以推出自己基于ARM平台的处理器。
借助轻量化、低功耗的特点，ARM首先从移动计算和边缘计算领域开始取得突破。高通、三星、联发科、华为等都发布了自己的ARM处理器，用于手机和嵌入式设备上，在智能家居、车联网、工业自动化等领域都有不错的应用前景。
随着云计算的兴起，ARM又赢得了一个更具前景的发展契机。借助其低功耗、高性能的特点，云服务商可以降低数据中心的能耗和成本。亚马逊AWS、微软Azure、阿里云等都推出了自己的ARM处理器以及相应的计算服务。
云巨头们的积极参与，使得ARM生态迅速壮大??。这也给了更多创新创业型公司以机会，他们开发设计出一些用于专业场景的ARM处理器，也得到不错的市场反馈。
在国内，目前已经有近3000家半导体公司，上市公司也达到数十家，其中以芯片设计类公司为主体，很多专注或者涉足于ARM领域，助推新兴算力的普及化和行业深入。
面向未来的智能计算中心
ChatGPT带火了生成式AI，带火了AIGC类应用。目前其以通用类应用为主，改变人们知识获取、内容创作的模式;未来则有望深入到专业细分领域，创新行业应用和业务模式。
随着AI应用的深入，数据中心的计算模式，也将从通用计算转向智能计算，为AI应用提供算力基础??设施。2022年国务院印发的《“十四五”数字经济发展规划》即提出，要打造智能算力、通用算法和开发平台一体化的新型智能基础设施。
IDC报告则显示，中国人工智能计算力继续保持快速增长，未来5年智能算力规模的年复合增长率将达52.3%。2022年，我国智能算力规模达到268百亿亿次/秒，超过通用算力规模。
在国内AI计算市场处于领先地位的浪潮，在2020年提出要建设智算中心，并满足开放标准、集约高效和普适普惠三个基本要求。最近，浪潮又推出了可以支持类ChatGPT应用的AI算力服务，包括算力、数据、算法等多种可选产品。
智算中心可以为各领域科技研发提供智能计算服务，加速科技研发的进程，为各类技术创新提供支撑。同时，智算中心也是新一代信息技术的集成应用载体，将推动网络通信、大数据、人工智能等技术的快速迭代。
结语
ChatGPT走红之后，生成式AI市场受到了各大巨头的关注。谷歌、亚马逊、百度等都在跻身其中，也不乏一些非科技公司和科技创业公司的身影。
这一市场在充满机遇的同时，也面临着激烈的竞争和巨大的风险。由于资金和技术门槛极高、规模效应突出，未来很可能出现“一两家独大、其余公司专注细分领域”的市场格局。
如果说生成式AI是金矿，那么AI算力则是挖矿的铁铲。挖矿人前途未卜，但对铁铲的需求一定是爆发式增长。如何在AI计算上实现技术突破、降低成本、扩大规模，将成为下一步科技创新的焦点。
关于雷石投资
雷石投资成立于2007年，是一家根植于中国的资产管理机构，帮助中国的投资者在股权投资市场进行资产配置。
截至2022年底，管理的资产规模超过120亿元人民币。
股权投资是资产配置结构中最重要的配置品种之一。雷石投资专注创投领域，投资于对中国经济具有长期价值的创业企业，推动被投企业快速成长，并力争实现管理资产的持续增值。
雷石投资坚信对科技类企业的股权资产配置，有机会为投资组合带来更丰厚的回报。
雷石投资专注于人工智能、医疗与健康服务产业，为被投资企业提供更具价值的增值服务，竭力为投资者创造长期卓越的投资收益。
我们愿与您共同见证中国的腾飞。
本文来源：财经报道网
