ChatGPT爆火之后，AI算力成為制約瓶頸

注冊用戶從零到一億，ChatGPT只用了不到50天。而在此之前，單一應用要突破一億用戶最快也要500天以上。

實際上，要不是有意的限制，這一速度還能更快。由于需求增長過快，OpenAI很早就開始限制用戶注冊，而目前普通用戶的問答結果返回時間也變得非常緩慢。

之所以要限制用戶的注冊和使用，最主要的原因是AI算力的不足以及AI計算的高成本。未來，隨著ChatGPT被整合進Bing搜索，隨著更多新玩家的進入，隨著智能水平的進一步提升，生成式AI應用對于AI算力的需求，將同樣爆發式增長。

如何滿足這一高速增長的需求，將成為AI產業亟待突破的問題。

ChatGPT開啟的認知智能新階段

自從圖靈在1950年代提出“機器可以思考”的概念以來，AI就進入到了產業界的視野。對于長達70年的發展歷程，業界有不同的階段劃分方式。愛數公司總裁賀鴻富提出的三個階段劃分方式，能夠在技術和應用層面，更好地體現AI產業的演進歷程。

第一階段是運算智能。公元2000年前的AI基本都處于這個發展階段，主要依靠出色的計算能力來體現計算機的價值。最典型的代表就是IBM的深藍，以強大的算力擊敗了世界冠軍卡斯帕羅夫，因為能夠比人類多算幾步棋。

第二階段是感知智能，即計算機能夠對文字、語音、圖像和視頻進行識別，進而產生一些相關的應用，比如機器翻譯、人臉識別等。這些應用大家已經非常熟悉，被廣泛應用到各個領域。自動駕駛技術的很大部分也屬于感知智能的范疇。

第三階段則是全新的認知智能，計算機不僅能夠識別和分析，還能理解、會思考，與人腦的相似程度得到進一步提高。ChatGPT無疑就是認知智能的典型代表，能夠在短時間內走紅，正是因為其體現了AI的最新發展方向。

AI的三件套與兩部曲

無論是感知智能還是認知智能，AI要想從技術轉變為應用，都離不開算法、算力和算據這三大核心要素，即我們俗稱的三件套。

其中的算法包括深度學習、強化學習、監督學習等，是AI的技術基礎，也是科學家們努力突破的領域。而算據則是計算的對象，即數據。到了認知智能時代，ChatGPT所要處理的對象已經不是普通的數據，而是各個領域的知識。充足的算力，則是AI的基礎設施，正在快速從通用計算延伸到智能計算。

AI的兩部曲則是訓練和推理，這兩個過程都要消耗大量的算力。其中“訓練”是AI的學習過程，通過對大量數據的分析處理，形成最至關重要的“模型”。而“推理”則是AI的應用過程，利用模型對用戶輸入的數據進行分析，產生輸出結果。

作為一個通用的大型語言模型，ChatGPT建立在海量數據的訓練基礎上。據OpenAI介紹，GPT-3的參數數量達到1750億個，屬于超大規模的預訓練大模型。相比上一代的GPT-2，其參數數量增長了1160倍，因此才具備了我們如今看到的強大語言理解能力、更廣泛的知識覆蓋。這也意味著其需要更為強大的計算能力。

目前，ChatGPT的知識還局限在2021年之前，如果要學習新的知識，就需要重新消耗算力進行訓練；如果要提高知識水平（在很多領域，ChatGPT目前僅具備義務制教育的初級能力），也需要指數級的新算力。

用戶對ChatGPT的應用，則是AI的“推理”過程。與普通的搜索引擎不同，這個過程不需要檢索新的聯網數據，但同樣消耗算力。

ChatGPT背后的算力支持

作為一家專注于人工智能研究和應用的公司，OpenAI已經擁有世界上最強大的計算機集群之一，來支持ChatGPT的訓練和推理。

GPU集群：成千上萬的GPU用于訓練和推理ChatGPT模型。這些GPU是專門優化的，能夠提供高效的計算能力，以支持ChatGPT的快速訓練和推理。

TPU集群：TPU集群是谷歌開發的專用于人工智能的處理器。使用TPU可以大大加快模型的訓練和推理速度，它們能夠提供比GPU更高的計算能力。

云計算資源：利用微軟Azure來管理和分配計算資源，從而可以根據需要來獲得大量的計算資源來支持ChatGPT的訓練和推理。

OpenAI并未公布ChatGPT具體的算力消耗情況，有資料顯示，ChatGPT的總算力消耗約為3640PF天，需要數百億的投資。

我們可以對比一下AlphaGo。AlphaGo的訓練數據為3萬多個專業棋手的對弈棋譜以及AlphaGo自我對弈產生的3000萬盤棋局，其背后的超級計算機配置為1920個CPU加280個GPU，下一盤棋的平均成本約3000美元。

而ChatGPT的訓練數據是AlphaGo的無數倍，其消耗的算力也必然是天文數字。如果未來類似的應用大量涌現，其對算力的消耗將是一個“無底洞”。

AI時代的算力多元化 

在AI時代，算力呈現出多元化、異構化、專業化、智能化的新特點。其中最核心的是，以GPU為代表的智能計算的崛起，改變了此前以x86為代表的通用計算獨步天下的狀況。

針對不同場景、不同類型的應用，如今的計算機已經能夠提供不同類型的算力支持。除了通用計算的CPU，還有感知計算的GPU、語義計算的DSP、監控計算的FPGA、自動駕駛的ASIC和嵌入式計算的SoC等。

最新一個季度財報中，傳統芯片巨頭英特爾的營收暴跌，而長期受其壓制的競爭對手AMD則超出業界預期。這兩家最直接的芯片競爭對手境遇如此不同，正是因為后者在智能計算領域的市場份額更高。

當然，在智能計算領域表現最為突出是Nvidia。其產品幾乎覆蓋了智能計算的所有領域，成為AI計算的搶手貨。ChatGPT的基礎模型訓練即采用其頂級的A100GPU。

Nvidia的最新市值為5600億美元，雖然比最高點的8000億美元下降明顯，但仍大大高于英特爾的1200億美元，而AMD的市值則為1400億美元。

在國內，華為昇騰、阿里含光、昆侖芯等企業也積極投身AI計算芯片和加速卡等領域，在諸多行業應用當中取得了突破。

可以說，正是AI的興起，改變了算力市場的競爭格局，技術演進、發展路線、投資方向都隨之發生了根本性的變化。當然，PC市場的萎縮、云服務的普及，也加速了這一變化進程。

（Nvidia GPU A100）

 云巨頭們引領的ARM生態

談到算力多元化，就必然要提及ARM。在與X86架構的競爭中，ARM的突出表現最為亮眼，也成為AI算力的重要組成部分。由于ARM是開源的，因此各個企業都可以推出自己基于ARM平臺的處理器。

借助輕量化、低功耗的特點，ARM首先從移動計算和邊緣計算領域開始取得突破。高通、三星、聯發科、華為等都發布了自己的ARM處理器，用于手機和嵌入式設備上，在智能家居、車聯網、工業自動化等領域都有不錯的應用前景。

隨著云計算的興起，ARM又贏得了一個更具前景的發展契機。借助其低功耗、高性能的特點，云服務商可以降低數據中心的能耗和成本。亞馬遜AWS、微軟Azure、阿里云等都推出了自己的ARM處理器以及相應的計算服務。

云巨頭們的積極參與，使得ARM生態迅速壯大。這也給了更多創新創業型公司以機會，他們開發設計出一些用于專業場景的ARM處理器，也得到不錯的市場反饋。

在國內，目前已經有近3000家半導體公司，上市公司也達到數十家，其中以芯片設計類公司為主體，很多專注或者涉足于ARM領域，助推新興算力的普及化和行業深入。 

面向未來的智能計算中心

ChatGPT帶火了生成式AI，帶火了AIGC類應用。目前其以通用類應用為主，改變人們知識獲取、內容創作的模式；未來則有望深入到專業細分領域，創新行業應用和業務模式。

隨著AI應用的深入，數據中心的計算模式，也將從通用計算轉向智能計算，為AI應用提供算力基礎設施。2022年國務院印發的《“十四五”數字經濟發展規劃》即提出，要打造智能算力、通用算法和開發平臺一體化的新型智能基礎設施。

IDC報告則顯示，中國人工智能計算力繼續保持快速增長，未來5年智能算力規模的年復合增長率將達52.3%。2022年，我國智能算力規模達到268百億億次/秒，超過通用算力規模。

在國內AI計算市場處于領先地位的浪潮，在2020年提出要建設智算中心，并滿足開放標準、集約高效和普適普惠三個基本要求。最近，浪潮又推出了可以支持類ChatGPT應用的AI算力服務，包括算力、數據、算法等多種可選產品。

智算中心可以為各領域科技研發提供智能計算服務，加速科技研發的進程，為各類技術創新提供支撐。同時，智算中心也是新一代信息技術的集成應用載體，將推動網絡通信、大數據、人工智能等技術的快速迭代。

結語

ChatGPT走紅之后，生成式AI市場受到了各大巨頭的關注。谷歌、亞馬遜、百度等都在躋身其中，也不乏一些非科技公司和科技創業公司的身影。

這一市場在充滿機遇的同時，也面臨著激烈的競爭和巨大的風險。由于資金和技術門檻極高、規模效應突出，未來很可能出現“一兩家獨大、其余公司專注細分領域”的市場格局。

如果說生成式AI是金礦，那么AI算力則是挖礦的鐵鏟。挖礦人前途未卜，但對鐵鏟的需求一定是爆發式增長。如何在AI計算上實現技術突破、降低成本、擴大規模，將成為下一步科技創新的焦點。

關于雷石投資

雷石投資成立于2007年，是一家根植于中國的資產管理機構，幫助中國的投資者在股權投資市場進行資產配置。

截至2022年底，管理的資產規模超過120億元人民幣。

股權投資是資產配置結構中最重要的配置品種之一。雷石投資專注創投領域，投資于對中國經濟具有長期價值的創業企業，推動被投企業快速成長，并力爭實現管理資產的持續增值。

雷石投資堅信對科技類企業的股權資產配置，有機會為投資組合帶來更豐厚的回報。

雷石投資專注于人工智能、醫療與健康服務產業，為被投資企業提供更具價值的增值服務，竭力為投資者創造長期卓越的投資收益。

我們愿與您共同見證中國的騰飛。