本文来自微信公众号:量子位 (ID:QbitAI),作者:衡宇,题图来自:视觉中国


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。


图/新浪微博
图/新浪微博


“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(并行与分布式计算机系统)、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。


图/GLM-130B的任务表现<br>
图/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恰谈这类合作了。


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发布的报告中点明了一个算力趋势:


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。


图/OpenAI
图/OpenAI


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。


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。


本文来自微信公众号:量子位 (ID:QbitAI),作者:衡宇