不做大模型，就沒有算力用。

【資料圖】

這是ChatGPT點燃AI風口后，國內(nèi)某top3高校AI實驗室的殘酷現(xiàn)狀。

同一個實驗室里，非大模型團隊6人用4塊3090卡，比起同實驗室的大模型團隊10個人用10塊A800卡，本就已經(jīng)不算富裕。

現(xiàn)在，校企合作也更偏愛大模型。去年11月ChatGPT發(fā)布后，與非大模型團隊合作的企業(yè)驟減，近期找上門的，也是張口就問：

“你們做大模型不？”

做，有高校和企業(yè)的通力支持；不做？那就只能眼睜睜看著算力花落別家。

哪怕某量化私募基金的有10000張A100卡，還對高校研究團隊開放申請，也不見得能落一張到你頭上。

“要是我們組能分到一些就好了?！笨吹竭@條微博，非大模型團隊帶隊的數(shù)據(jù)科學(xué)方向博士小哥羨慕不已，因為缺算力，他都愁得快仰天長嘯了：我們也值得投資啊?。?！

現(xiàn)在，大伙爭先恐后撲向ChatGPT背后GPT-3.5般的各種大模型，算力流向亦然。

其他AI領(lǐng)域本就不足的算力更荒了，尤其是國內(nèi)學(xué)界手里的算力分配下來，貧富差距肉眼可見。

一整個實驗室就4塊3090卡

巨大規(guī)模算力以月為單位的租用成本，對研究團隊來說不是小數(shù)目。大模型正當其道，學(xué)界研究大模型的實驗室或團隊擁有算力資源的優(yōu)先分配權(quán)。

就拿小哥在學(xué)校的親身體驗來說，在他們研究室，大模型小組10個人有10塊A800卡可用，而另一個研究傳統(tǒng)機器學(xué)習(xí)方向的實驗室，整個實驗室只有4塊3090卡。

擁抱主流趨勢是一重原因，另一重原因是實驗室需要運轉(zhuǎn)和維護的經(jīng)費，獲得撥款的一種形式是申請國家項目，但必要步驟是提供論文成果。

雙重原因下，本就不多的算力資源，不得不優(yōu)先分配給大模型這樣熱門且相對容易出成果的研究。哪怕對學(xué)界來說，訓(xùn)一個大模型其實練不太動——因為數(shù)據(jù)、算力和資金都有些捉襟見肘。

為了獲得更多的資源，有的非大模型實驗室甚至額外專門成立研究大模型的團隊。

當然，想要獲得資金和資源，校企合作也是不可或缺的一種方式。

這種推動產(chǎn)研融合的重要支撐形式持續(xù)已久，2020年，KDD中校企合作論文占比超過50%，這個比例在ICCV中達到45%。

舉例來說，2021年，清華大學(xué)KEG、PACMAN（并行與分布式計算機系統(tǒng)）、NLP等實驗室著手推進訓(xùn)練千億參數(shù)的稠密模型，但團隊用于訓(xùn)練模型的計算資源并不充足。最終，校外企業(yè)智譜AI租用了近百臺A100的服務(wù)器，免費提供所需算力，這才有了雙語預(yù)訓(xùn)練語言大模型GLM-130B的誕生。

GLM-130B的任務(wù)表現(xiàn)

但在眾人爭先恐后撲向GPT-3.5般大模型的當下，非大模型團隊開始不太好談這類合作了。

去年11月ChatGPT發(fā)布后，與小哥所在團隊洽談校企合作事宜的公司數(shù)量急劇減少。在其他高校，AI領(lǐng)域的非大模型團隊也總是面臨企業(yè)詢問，“要不要/會不會做大模型”。

本就稀缺的算力，在學(xué)界有成為追逐熱點的砝碼的傾向，算力資源分配的馬太效應(yīng)由此逐漸擴大，帶給學(xué)術(shù)研究很大困擾。

ChatGPT加劇算力分配貧富分化

算力是AI飛速發(fā)展必不可少的指標，2018年，OpenAI發(fā)布的報告中點出一個算力趨勢：

自2012年以來，AI訓(xùn)練任務(wù)所運用的算力每3.43個月就會翻倍。到2018年，AI算力需求增長了30萬倍。

產(chǎn)學(xué)研對算力需求暴增，我們能提供的算力有多少？

據(jù)中國算力集團統(tǒng)計，截至2022年6月底，我國數(shù)據(jù)中心機架使用總規(guī)模超過590萬標準機架，服務(wù)器規(guī)模約2000萬臺，算力總規(guī)模排名全球第2。

這個排名還算不錯，但攤開來看仍舊遠遠不夠，畢竟放眼全球，沒有哪個國家不是嗷嗷待哺，等著更多的算力資源“投喂”。

再退一步講，買得起顯卡，擁有的算力上去了，電費也是天文數(shù)字。

況且我國還有特殊情況——

開放原子開源基金會業(yè)務(wù)發(fā)展部部長朱其罡在本月舉辦的CCF YOCSEF上發(fā)言闡述現(xiàn)狀稱，超算領(lǐng)域的核心技術(shù)，一個是IBM LSF超算系統(tǒng)，一個是開源系統(tǒng)。目前，國內(nèi)多數(shù)超算中心都基于開源系統(tǒng)做封裝，但這個版本調(diào)度資源的效率和能力都有很大的提升空間。

以及，因為眾所周知的原因，A100、H100這倆目前性能最強的GPU，還沒找到可規(guī)模替代的方案。

英偉達A100顯卡

綜上，算力不夠已是積弊，但ChatGPT時代，算力需求劇烈擴張，除了大量訓(xùn)練算力，大量推理算力也需要支撐。

所以現(xiàn)在的情況是，因為ChatGPT顯示出大模型的推理能力，訓(xùn)練和研究大模型的算力需求增加；同時因為大模型熱度爆棚，蜂擁至大模型的算力資源也增加。

分配給大模型領(lǐng)域的算力資源豐富起來，其他AI領(lǐng)域缺衣少食的情況逐漸加劇，研發(fā)能力受到掣肘。

可以說，ChatGPT成為如今的AI屆白月光后，加劇了算力分配的貧富分化。

這般“富”甲一方的大模型，是不是AI研究路徑上最好的？還沒人能夠回答。

但值得引起注意和重視的是，GPT系列為首的大模型不應(yīng)該吸引全部目光，整個AI領(lǐng)域還有各種各樣的研究方向，還有更加細分的垂直領(lǐng)域，以及帶來更多生產(chǎn)力的模型和產(chǎn)品。

當ChatGPT的熱度趨于平緩，學(xué)界的算力資源分配差距會縮小嗎？

所有非大模型方向的實驗室和團隊，恐怕都在期待之中。

本文作者：衡宇，來源：量子位，原文標題：《ChatGPT造孽！中國高校因它算力荒》

風險提示及免責條款 市場有風險，投資需謹慎。本文不構(gòu)成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務(wù)狀況或需要。用戶應(yīng)考慮本文中的任何意見、觀點或結(jié)論是否符合其特定狀況。據(jù)此投資，責任自負。

關(guān)鍵詞：