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，讓本就不足的算力雪上加霜。那么要如何為AI算力荒解困呢？業內已經探索出了短策、中策和長策，一起來看一下吧。

AI算力不夠，已經是老大難問題。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計算的GPU供不應求，買不到卡的企業和科研機構嗷嗷待哺，買到了卡的企業不得不面對漲價，也被架在成本的火上烤。

目前，英偉達的GPU是AI計算最主流的硬件。有業內人士估算過，GPT-4模型僅滿足日訪問量的計算需求，就需要六萬張英偉達A100，每一張價格在60-100萬人民幣，而A100和更強大的H100，這兩款芯片此前都被列入了美國的禁止出口清單里。還好在英偉達的游說下，又能夠在 2023 年 3 月 1 日之前繼續給大陸提供 A100 產品。

現在緩沖期已經到了，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推需求，究竟怎么辦呢？

我知道很多普通網友很急，覺得又被卡脖子了，但大家確實不用那么急，為AI算力荒解困，業內其實已經探索出了短策、中策和長策。今天就來講講，如何見招拆招。

01 短策：開源節流，過緊日子

實事求是來說，最關鍵的AI芯片GPU被國際廠商壟斷，市場占有率達到80%以上。而國產廠商雖然也有相應的產品，但要么還沒有量產，無法滿足規模應用的需求；要么性能跟海外先進產品的差異很大，實用中大概只能達到60%左右的水平。而中美博弈，短期內是不會有方向性的轉變的，未來高性能芯片的封禁可能是常態。

所以結論就是，放棄幻想，接下來要準備過AI算力的緊日子了。

目前業內的應付辦法有兩種：

一是開源。

對于N卡，繼續買，抓緊囤貨。

國內頭部互聯網公司，尤其是已經推出了大模型的企業，都會進行20%左右的戰略備貨，儲備了萬片級別的英偉達A100芯片，所以算力基礎都不差。某一線云廠商透露，現在自家有10萬片的A100，能夠滿足好幾個客戶復現GPT的AI算力需求。

此前國內區塊鏈火爆，礦機廠商和數字貨幣販子也買了大量英偉達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合規，還是有可能繼續用到先進產品的。

對于國產芯，加快上馬，落地部署。

目前，國內的頭部科技公司，已經開始籌備或落實，將寒武紀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，但國產芯的使用和適配已經開始了，隨著合規及產能提速，也能滿足AI并行計算的需求。

芯片的國產化替代，這一步遲早要走，大模型成了那個提前上馬的變量。

二是節流。

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

OpenAI選擇訓大語言模型來實現通用人工智能，超大規模參數來達到“智能涌現”，堪稱為“敗家子兒式創新”。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 能訓練出越來越強大的模型，將28.5萬個CPU和10000個GPU聯接起來，造了一個超級計算集群。

背靠家大業大的微軟，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，基礎模型已經成型，那些燒錢打造的算力基礎設施該何去何從？百億萬億參數的大模型，部署到工廠、礦區、城市之類的行業場景，是不是也有相應的算力支撐？

冷靜下來后，為AI算力“節流”，才是大模型真正落地的必經之路。

節流，有兩個辦法：一是大模型“瘦身”，通過剪枝讓模型稀疏化、知識蒸餾對模型進行壓縮，通過權重共享來減少參數量……總之，一旦一種技術路線被證明有效，那么很快就會有多種技術手段對其進行優化，讓模型成本大幅下降。

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

二是硬件“壓榨”，通過端到端優化，從AI芯片中“壓榨”出更多性能，把有限的硬件用到極致，也是一種節流。

舉個例子，主流的大模型，包括ChatGPT、GPT-4，都是以Transformer 架構為主，微軟通過ONNX開源推理引擎的優化，可以將大語言模型的推理性能提高17倍。某國產芯片廠商針對Transformer結構特性進行優化，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，相當于在AI訓練和推理時單位部署成本更低了。

總的來說，面對短期內“AI算力荒”，我們只能接受現實，正視差距，廣積糧食，開源節流。

承認這一點沒有什么好憋屈的，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

一雙眼睛全盯著高性能GPU，會發現差距簡直無從彌補，還在越拉越大。英偉達、英特爾、AMD等已經將AI芯片支撐推進到了4nm，而光刻機禁運，制程追不上，國內14nm制程將將量產，巧婦難為無米之炊。

但換個角度，可能就柳暗花明又一村。

大家可能還記得，去年東數西算工程正式啟動，新型國家算力網絡成了新的熱點，我們也做過很多報道和分析。

當時我們就提到：實現先進算力的一體化、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據中心協同創新體系中的一環。

今天看來，通過幾年時間，構建數網、數紐、數鏈、數腦、數盾，對于AI大模型的數據、算力、聯接、商業化等多種挑戰，是一種持續釋放影響的“中策”。

本質上說，AI模型的訓練推理是CPU+加速芯片。GPU的高并行性，可以成規模地處理AI工作負載，為深度學習加速，在進行模型的訓練和推斷時會更具有效率優勢。英偉達的A100，在AI推理時吞吐量是CPU的249倍。

但這并不意味著，CPU不能做并行計算，加速芯片沒有其他選擇。

生成式AI的模型訓練通常是在云端完成的，云端芯片以CPU+GPU異構計算為主。一些小型的模型是完全可以CPU訓練的，可能訓練速度慢一點，但確實可以用。

此外，ASIC芯片也很適合AI計算，目前還沒有明顯的頭部廠商，國產廠商還有機會，很多企業開始推出自研的ASIC加速芯片。比如谷歌的TPU、英特爾的DPU、國內寒武紀的NPU、地平線的BPU等。

模型訓練好之后，需要結合數據計算“推理”出各種結論。手機人臉識別認出“你是你”這個環節就是“端側推理”，iPhone將相冊上傳到云端進行用戶行為分析就是“云端推理”。

相對模型訓練而言，推理階段處理的是小批量數據，這時候GPU并行計算的性價比就不那么明顯了，尤其是在邊緣和終端大規模部署AI算法，是難以承受如此高的成本的。FPGA、ASIC等加速芯片，協助CPU來滿足推理的計算需求，是具有競爭優勢的。

這跟算網有什么關系呢？

劃重點，在全國一體化算力網絡體系的各種政策文件中，“算力多元化”的出現頻率是非常高的。

多元化，一方面體現在多種計算架構，支持CPU、GPU、ASIC、FPGA等多種芯片的混合部署，充分發揮不同體系架構的優勢；

另一方面，體現在多種算力，模型訓練、邊緣推理、數值模擬的不同場景需要不同的算力，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AI應用。

正如微軟Azure高性能計算和人工智能產品負責人Nidhi Chappell所說，“讓更大的模型訓練更長的時間，意味著你不僅需要擁有最大的基礎設施，還必須能夠長期可靠地運行它”。

要長期可靠地保障AI算力資源，自然要發揮中國智慧——東方不亮西方亮，黑了南方有北方。通過全國一體化算力網絡的建設，充分推動多種架構的落地部署，國產芯片的同步發展。

未來幾年算網成型，對于保障算力供給，應對不可抗力，會起到非常關鍵的作用。

03 長策：長出那雙手

理想化的角度來說，緩解AI算力荒的終極解決思路，肯定是造出對標國際一流水平的自研芯片。但這就像“中國什么時候能有自己的OpenAI”一樣，是一個漫長的暢想。

漫長，指的不只是足夠長的時間和耐心，給半導體行業足夠多的錢，還要能吸納全球頂尖的技術人才、全球優質的風險投資機構、計算機基礎人才的培養、允許失敗試錯的創新氛圍和兜底機制、充分信息化數字化的優質數據基礎、繁榮的商業市場……這是一個社會工程。

那么，我們是不是就得一直這么憋屈呢？

當然不是。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，可能是新的計算體系。

今天，經典計算的“摩爾定律”已死，英偉達提出的“新摩爾定律”也面對AI算力供需的剪刀差有心無力。

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

當然，總想著“彎道超車”大概率會翻車，提到這點只是想提醒一下，不要只盯著CPU/GPU這些已經被卡脖子的焦點領域，而忽視了其他路線，將路走窄了。畢竟誰能想到，當年游戲宅們追捧的顯卡能卡住今天的AI計算市場呢？

英偉達GPU被發現可以用來跑AI之前，只有游戲發燒友會對N卡津津樂道，這種“無心插柳柳成蔭”的結果，恰好說明了多技術路線創新的重要性，或許會在某條路上就發現驚喜。

這雙手，也可能產業生態。

AI本來就是一個工程性、交叉性很強的學科，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用戶的使用習慣，才能把軟硬件做到位。

英偉達GPU的主流地位，與CUDA生態有直接關系。而CUDA的護城河正是軟件堆棧，可以讓研究人員和軟件開發者更好地在GPU上編程，構建應用。

如果說AI算力問題，國產硬件的差距是明線，軟件生態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、操作系統和框架，上接行業應用，需要提供一整套從開發、應用、管理的全流程服務和工程化方法，而目前積累了全面技術棧的只有少數國內頭部企業。

其次是生態，CUDA生態經過多年積累，在AI計算的絕對主導地位，而國內幾個頭部企業都有各自的AI生態。我們就曾遇到過這樣的采訪對象，一個工業企業的數字化案例中，既有A生態的一些軟硬件，又有B生態的一些解決方案。多個生態并存，增加了產業的選項自由和安全感，也難免帶來適配上的復雜度，以及一些重復性工作。

國產芯片硬件的突破或在旦夕之間，但軟件生態的爆發卻需要漫長的時間去醞釀。而一旦生態如同齒輪一樣轉起來了，吸納更多產業資源和人才力量，很多軟硬件創新都能加速發展。

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“渾身上下都是脖子”“一卡脖子就翻白眼，一開源就全球領先”。

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

如果說，無需擔心“AI算力荒”，這是一種無視現實差距的盲目自信。但也確實不用一提算力、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，與其花時間自憐自哀，不如在有限的規則里，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”的真實選擇。