09SFDX
当前位置: 苏州都市网 -> 财经

ChatGPT点燃AI风口后,中国高校因它算力荒

时间:2023-03-15 16:37   来源:IT之家   阅读量:15136   

原文标题:《ChatGPT 造孽!中国高校因它算力荒》

不做大模型,就没有算力用。

这是 ChatGPT 点燃 AI 风口后,国内某 top3 高校 AI 实验室的残酷现状。

同一个实验室里,非大模型团队 6 人用 4 块 3090 卡,比起同实验室的大模型团队 10 个人用 10 块 A800 卡,本就已经不算富裕。

现在,校企合作也更偏爱大模型。去年 11 月 ChatGPT 发布后,与非大模型团队合作的企业骤减,近期找上门的,也是张口就问:

“你们做大模型不?”

做,有高校和企业的通力支持;不做?那就只能眼睁睁看着算力花落别家。

哪怕某量化私募基金的有 10000 张 A100 卡,还对高校研究团队开放申请,也不见得能落一张到你头上。

“要是我们组能分到一些就好了。”看到这条微博,非大模型团队带队的数据科学方向博士小哥羡慕不已,因为缺算力,他都愁得快仰天长啸了:我们也值得投资啊!!!

现在,大伙争先恐后扑向 ChatGPT 背后 GPT-3.5 般的各种大模型,算力流向亦然。

其他 AI 领域本就不足的算力更荒了,尤其是国内学界手里的算力分配下来,贫富差距肉眼可见。

一整个实验室就 4 块 3090 卡

巨大规模算力以月为单位的租用成本,对研究团队来说不是小数目。大模型正当其道,学界研究大模型的实验室或团队拥有算力资源的优先分配权。

就拿小哥在学校的亲身体验来说,在他们研究室,大模型小组 10 个人有 10 块 A800 卡可用,而另一个研究传统机器学习方向的实验室,整个实验室只有 4 块 3090 卡。

拥抱主流趋势是一重原因,另一重原因是实验室需要运转和维护的经费,获得拨款的一种形式是申请国家项目,但必要步骤是提供论文成果。

双重原因下,本就不多的算力资源,不得不优先分配给大模型这样热门且相对容易出成果的研究。哪怕对学界来说,训一个大模型其实练不太动 —— 因为数据、算力和资金都有些捉襟见肘。

为了获得更多的资源,有的非大模型实验室甚至额外专门成立研究大模型的团队。

当然,想要获得资金和资源,校企合作也是不可或缺的一种方式。

这种推动产研融合的重要支撑形式持续已久,2020 年,KDD 中校企合作论文占比超过 50%,这个比例在 ICCV 中达到 45%。

举例来说,2021 年,清华大学 KEG、PACMAN、NLP 等实验室着手推进训练千亿参数的稠密模型,但团队用于训练模型的计算资源并不充足。最终,校外企业智谱 AI 租用了近百台 A100 的服务器,免费提供所需算力,这才有了双语预训练语言大模型 GLM-130B 的诞生。

GLM-130B 的任务表现

但在众人争先恐后扑向 GPT-3.5 般大模型的当下,非大模型团队开始不太好谈这类合作了。

去年 11 月 ChatGPT 发布后,与小哥所在团队洽谈校企合作事宜的公司数量急剧减少。在其他高校,AI 领域的非大模型团队也总是面临企业询问,“要不要 / 会不会做大模型”。

本就稀缺的算力,在学界有成为追逐热点的砝码的倾向,算力资源分配的马太效应由此逐渐扩大,带给学术研究很大困扰。

ChatGPT 加剧算力分配贫富分化

算力是 AI 飞速发展必不可少的指标,2018 年,OpenAI 发布的报告中点出一个算力趋势:

自 2012 年以来,AI 训练任务所运用的算力每 3.43 个月就会翻倍。到 2018 年,AI 算力需求增长了 30 万倍。

产学研对算力需求暴增,我们能提供的算力有多少?

据中国算力集团统计,截至 2022 年 6 月底,我国数据中心机架使用总规模超过 590 万标准机架,服务器规模约 2000 万台,算力总规模排名全球第 2。

这个排名还算不错,但摊开来看仍旧远远不够,毕竟放眼全球,没有哪个国家不是嗷嗷待哺,等着更多的算力资源“投喂”。

再退一步讲,买得起显卡,拥有的算力上去了,电费也是天文数字。

况且我国还有特殊情况 ——

开放原子开源基金会业务发展部部长朱其罡在本月举办的 CCF YOCSEF 上发言阐述现状称,超算领域的核心技术,一个是 IBM LSF 超算系统,一个是开源系统。目前,国内多数超算中心都基于开源系统做封装,但这个版本调度资源的效率和能力都有很大的提升空间。

以及,因为众所周知的原因,A100、H100 这俩目前性能最强的 GPU,还没找到可规模替代的方案。

英伟达 A100 显卡

综上,算力不够已是积弊,但 ChatGPT 时代,算力需求剧烈扩张,除了大量训练算力,大量推理算力也需要支撑。

所以现在的情况是,因为 ChatGPT 显示出大模型的推理能力,训练和研究大模型的算力需求增加;同时因为大模型热度爆棚,蜂拥至大模型的算力资源也增加。

分配给大模型领域的算力资源丰富起来,其他 AI 领域缺衣少食的情况逐渐加剧,研发能力受到掣肘。

可以说,ChatGPT 成为如今的 AI 届白月光后,加剧了算力分配的贫富分化。

这般“富”甲一方的大模型,是不是 AI 研究路径上最好的?还没人能够回答。

但值得引起注意和重视的是,GPT 系列为首的大模型不应该吸引全部目光,整个 AI 领域还有各种各样的研究方向,还有更加细分的垂直领域,以及带来更多生产力的模型和产品。

当 ChatGPT 的热度趋于平缓,学界的算力资源分配差距会缩小吗?

所有非大模型方向的实验室和团队,恐怕都在期待之中。

声明:以上内容为本网站转自其它媒体,相关信息仅为传递更多企业信息之目的,不代表本网观点,亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险,需谨慎。