“谁将获得多少H100，何时获得H100，都是硅谷中最热门的话题。”


OpenAI联合创始人兼职科学家Andrej Karpathy近日发文，阐述了自己对英伟达GPU短缺的看法。



近来，社区广为流传的一个话题——“我们需要多少张GPU”，引发了众多网友的讨论。



根据图中内容所示：


  • GPT-4可能在大约10000-25000张A100上进行训练


  • Meta大约21000张A100


  • Tesla大约7000张A100


  • Stability AI大约5000张A100


  • Falcon-40B在384张A100上进行了训练


  • Inflection使用了3500和H100，来训练与GPT-3.5能力相当的模型


另外，根据马斯克的说法，GPT-5可能需要30000-50000张H100。


此前，摩根士丹利曾表示GPT-5将使用25000张GPU，自2月以来已经开始训练，不过Sam Altman之后澄清了GPT-5尚未进行训练。


不过，Altman此前表示：“我们的GPU非常短缺，使用我们产品的人越少越好。如果人们用得越少，我们会很开心，因为我们没有足够的GPU。”



在这篇题为《Nvidia H100 GPU：供需》的文章中，深度剖析了当前科技公司们对GPU的使用情况和需求。


文章推测，小型和大型云提供商的大规模H100集群容量即将耗尽，H100的需求趋势至少会持续到2024年底。



那么，GPU需求真的是遇到了瓶颈吗？


各大公司GPU需求：约43万张H100


当前，生成式AI爆发仍旧没有放缓，对算力提出了更高的要求。


一些初创公司都在使用英伟达昂贵、且性能极高的H100来训练模型。


马斯克说，GPU在这一点上，比药物更难获得。


Sam Altman说，OpenAI受到GPU的限制，这推迟了他们的短期计划（微调、专用容量、32k上下文窗口、多模态）。


Karpathy 发表此番言论之际，大型科技公司的年度报告，甚至都在讨论与GPU访问相关的问题。


上周，微软发布了年度报告，并向投资者强调，GPU是其云业务快速增长的“关键原材料”。如果无法获得所需的基础设施，可能会出现数据中心中断的风险因素。



这篇文章据称是由HK发帖的作者所写。



他猜测，OpenAI可能还需要50000张H100，而Inflection还需要22000张，Meta可能还需要25000张，而大型云服务商可能还需要30000张（比如Azure、Google Cloud、AWS、Oracle）。


Lambda和CoreWeave以及其他私有云可能总共需要10万张。他写道，Anthropic、Helsing、Mistral和Character可能各需要1万张。


作者表示，这些完全是粗略估计和猜测，其中有些是重复计算云和从云租用设备的最终客户。


整体算来，全球公司需要约432000张H100。按每张H100约35000美元来计算，GPU总需求耗资150亿美元。


这其中还不包括国内，大量需要像H800的互联网公司。


还有一些知名的金融公司，比如Jane Street、JP Morgan、Two Sigma等，每家都在进行部署，从数百张A00/H100开始，扩展到数千张A100/H100。


包括OpenAI、Anthropic、DeepMind、谷歌，以及X.ai在内的所有大型实验室都在进行大型语言模型的训练，而英伟达的H100是无可替代的。


H100为什么成首选？


H100比A100更受欢迎，成为首选，部分原因在于缓存延迟更低和FP8计算。


因为它的效率高达3倍，但成本只有（1.5-2倍）。考虑到整体系统成本，H100的性能要高得多。


从技术细节来说，比起A100，H100在16位推理速度大约快3.5倍，16位训练速度大约快2.3倍。


A100 vs H100速度


H100训练MoE


H100大规模加速


大多数公司购买H100，并将其用于训练和推理，而A100主要用于推理。


但是，由于成本、容量、使用新硬件和设置新硬件的风险，以及现有的软件已经针对A100进行了优化，有些公司会犹豫是否要切换。


GPU并不短缺，而是供应链有问题


英伟达的一位高管表示，问题不在于 GPU 短缺，而在于这些 GPU 如何进入市场。


英伟达正在开足马力生产GPU，但是这位高管称，GPU的产能最主要受到的是供应链的限制。


芯片本身可能产能充足，但是其他组件的产能不足会严重限制GPU的产能。


这些组件的生产要依赖整个世界范围内的其他供应商。


不过需求是可以预测的，所以现在问题正在逐渐得到解决。


GPU芯片的产能情况


首先，英伟达只与台积电合作生产H100。英伟达所有的5nm GPU都只与台积电合作。


未来可能会与英特尔和三星合作，但是短期内还不可能发生，这就使得H100的生产受到了限制。


根据爆料者称，台积电有4个生产节点为5nm芯片提供产能：N5，N5P，N4，N5P。而H100只在N5或者是N5P中的4N节点上生产，是一个5nm的增强型节点。


英伟达需要和苹果、高通和AMD共享这个节点的产能。


台积电晶圆厂需要提前12个月就对各个客户的产能搭配做出规划。如果之前英伟达和台积电低估了H100的需求，那么现在产能就会受到限制。


爆料者还称，H100到从生产到出厂大约需要半年的时间。而且爆料者还援引某位退休的半导体行业专业人士的说法，晶圆厂并不是台积电的生产瓶颈，CoWoS（3D堆叠）封装才能撬开台积电产能的大门。


H100内存产能


而对于H100上的另一个重要组件——H100内存，也可能存在产能不足的问题。


与GPU以一种特殊方式集成的HBM（High Bandwidth Memory）是保障GPU性能的关键组件。



爆料者援引一位业内人士的说法：主要的问题是HBM。制造它是一场噩梦。由于HBM很难生产，供应也非常有限。生产和设计都必须按照它的节奏来。


HBM3内存，作者猜测英伟达几乎都是采用SK海力士的产品，可能会有一部分三星的产品，应该没有美光的产品。


英伟达希望SK海力士能提高产能，他们也确实正在努力，而三星和美光的产能就很有限了。


而且制造GPU还会用到包括稀土元素在内的许多其他材料和工艺，也会成为限制GPU产能的可能因素。


GPU芯片未来的情况会怎么发展


英伟达只是透露，下半年他们能够供应更多的GPU，但是没有提供任何定量的信息。


英伟达首席财务官Colette Kress在2023年2月至4月的财报电话会议上透露：“我们正在处理本季度的供应，但我们也为下半年采购了大量生产资料。我们相信下半年的供应量将大大高于上半年。”


接下来会发生什么？


某私有云负责人透露：GPU的供应问题现在是一个恶性循环，稀缺性导致GPU拥有量被视为护城河，从而导致更多的GPU被囤积起来，从而加剧稀缺性。


H100的下一代产品何时会出现？


根据英伟达之前的线路图，H100的下一代产品要在2024年末到2025年初才会宣布。


在那个时间点之前，H100都会是英伟达的旗舰产品，不过英伟达在此期间内会推出120GB水冷版的H100。


而根据爆料者采访到的业内人士称，订单排到2023年底的H100，都已经卖完了！


如何获得H100的算力？


就像前边英伟达的高管提到的，H100所提供的算力，最终要通过各个云计算提供商整合到产业链中去，所以H100的短缺，一方面是GPU生成造成的。


另一个方面，是算力云提供商怎么能有效地从英伟达获得H100，并通过提供云算力最终触及需要的客户。


这个过程简单来说是：算力云提供商向OEM采购H100芯片，再搭建算力云服务出售给各个AI企业，使得最终的用户能够获得H100的算力。


而这个过程中同样存在各种因素，造成了目前H100算力的短缺，而爆料文章也提供了很多行业内部的信息供大家参考。


H100的板卡找谁买？


戴尔、联想、HPE、Supermicro和广达等OEM商家都会销售H100和HGX H100。


像CoreWeave和Lambda这样的GPU云提供商，从OEM厂家处购买，然后租给初创公司。


超大规模的企业（Azure、GCP、AWS、Oracle）会更直接与英伟达合作，但也会从OEM处购买。这和游戏玩家买显卡的渠道似乎也差不多。但即使是购买DGX，用户也需要通过OEM购买，不能直接向英伟达下订单。


交货时间


8-GPU HGX服务器的交付时间很糟糕，4-GPU HGX服务器的交付时间就还好。


但是每个客户都想要 8-GPU 服务器。


初创公司是否从原始设备制造商和经销商处购买产品？


初创公司如果要获得H100的算力，最终不是自己买了H100插到自己的GPU集群中去。


他们通常会向Oracle等大型云租用算力，或者向Lambda和CoreWeave等私有云租用，又或者向与OEM和数据中心合作的提供商（例如 FluidStack）租用。


如果想要自己构建数据中心，需要考虑的是构建数据中心的时间、是否有硬件方面的人员和经验，以及资本支出是否能够承担。


某私有云负责人：租用和托管服务器已经变得更加容易了。如果用户想建立自己的数据中心，必须布置一条暗光纤线路才能连接到互联网——每公里1万美元。大部分基础设施已经在互联网繁荣时期建成并支付了费用。租就行了，很便宜。


从租赁到自建云服务的顺序大概是：按需租云服务（纯租赁云服务）、预定云服务、托管云服务（购买服务器，与提供商合作托管和管理服务器）、自托管（自己购买和托管服务器）。


大部分需要H100算力的初创公司，都会选择预订云服务或者是托管云服务。


大型云计算平台之间的比较


而对于很多初创公司而言，大型云计算公司提供的云服务，才是他们获得H100的最终来源。


云平台的选择也最终决定了他们能否获得稳定的算力。


总体的观点是：Oracle不如三大云可靠。但是Oracle会提供更多的技术支持帮助。


其他几家大型云计算公司的主要差异在于：


网络：尽管大多数寻求大型 A100/H100 集群的初创公司都在寻求InfiniBand，AWS和Google Cloud采用InfiniBand的速度较慢，因为它们用了自己的方法来提供服务。


可用性：微软Azure的H100大部分都是专供OpenAI的。谷歌获取H100比较困难。


而除了微软外的三大云公司都在开发机器学习芯片，来自AWS和谷歌的英伟达替代产品已经上市了，占据了一部分市场份额。


就与英伟达的关系而言，可能是这样的：Oracle和Azure > GCP和AWS。但这只是猜测。


较小的云算力提供商价格会更便宜，但在某些情况下，一些云计算提供商会用算力去换股权。


英伟达如何分配H100


英伟达会为每个客户提供H100的配额。


但如果Azure说“嘿，我们希望获得10000张H100，全部给Inflection使用”，会与Azure说“嘿，我们希望获得10000张H100用于Azure”得到不同的配额。


英伟达关心最终客户是谁，因此如果英伟达如果对最终的使用客户感兴趣的话，云计算提供平台就会得到更多的H100。


英伟达希望尽可能地了解最终客户是谁，他们更喜欢拥有好品牌的客户或拥有强大资本实力的初创公司。


某私有云负责人：情况似乎是这样。英伟达喜欢保证新兴人工智能公司（其中许多公司与他们有密切的关系）能够使用GPU。请参考Inflection，他们投资的一家人工智能公司，在他们也投资的 CoreWeave上测试一个巨大的H100集群。


写在最后


现在对于GPU的需求既有泡沫和炒作的成分，但是也确实是客观存在的。


OpenAI等一些公司推出了ChatGPT等大模型，这些大模型受到了市场的追捧，但他们依然无法获得足够的GPU。


其他公司正在购买并且囤积GPU，以便将来能够使用，或者用来训练一些市场可能根本用不到的大模型。这就产生了GPU短缺的泡沫。


但无论你怎么看，英伟达就是堡垒里的绿色国王（意思就是：英伟达是最大受益者）。


参考资料：

https://news.ycombinator.com/item?id=36951872

https://twitter.com/lpolovets/status/1686545776246390784

https://venturebeat.com/ai/nvidia-gpu-shortage-is-top-gossip-of-silicon-valley/


本文来自微信公众号：新智元 （ID：AI_era），作者：桃子、润