生成式AI大规模商用前提：提效率、降成本、降功耗……

生成式人工智能(AI)的大规模落地取决于提高处理效率和降低总拥有成本。与互联网及其万维网应用程序的发明类似，生成式人工智能已经抓住了公众的想象力。ChatGPT技术一经发布就受到了各界的广泛关注，它是迄今为止用户增长最快的应用程序，仅在问世的前两个月内，注册用户数就突破了1亿人。hFvesmc

生成式AI正取得所有行业的关注，并有望释放出无与伦比的生产力浪潮。具体来看，生成式AI的市场潜力巨大，它可助力多个领域的发展，比如，辅助药物研发，提高医生诊断准确率，提高订单预测准确率，以及帮助程序员编写高质量软件代码。预计每年将能为全球经济增加4万亿美元以上的价值。hFvesmc

生成式AI大语言模型面临的硬件挑战

与大多数应用程序不同，虽然ChatGPT软件正在步入正轨，但是支持运行该应用程序的硬件却并非如此。hFvesmc

生成式AI大语言模型所面临的硬件挑战来源于——算法使用了大量的参数来生成结果。例如，ChatGPT的前一代模型GPT-3.5需要1,750亿个参数，虽然官方暂未公布GPT-4版的参数量，但是机构预估其参数量约有1.7万亿个。对此，支持生成式AI大语言模型的AI硬件加速器必须扩展到能够处理1,750亿到近2万亿个参数的标准，才能满足每个用户的查询操作。hFvesmc

在当前的计算架构上，处理器核心和存储器之间的大量数据流，通常在计算核心外部来进行处理。这种设置会导致内存瓶颈的出现，通常它也被称为“内存墙”，会带来严重的带宽限制。hFvesmc

以上因素不仅排除了CPU计算架构，而且还排除了GPU等其他AI计算架构。以GPT-4为例，其中高端的GPU约有97%的时间处于空闲状态，这相当于大约只有3%的效率。在这样的低效率下，一个标称计算能力为1 PetaOPS(每秒一千兆/一千万亿次运算)的处理器，只能产生大约30 teraOPS(每秒一兆/一万亿次运算)的处理速度。hFvesmc

如今，这些算法在高性能计算集群上执行，每个集群需要消耗大量的能源。随之而来的问题是，执行ChatGPT-4用户查询所需的功耗已经超出极限，这导致发电厂超载和能源分配网络压力过大。hFvesmc

ChatGPT的运行成本极其高昂

ChatGPT的功耗并非阻碍其商用落地的全部因素。ChatGPT技术的快速推出，进一步拉高了其配套硬件的投资成本。ChatGPT需要大量的计算资源和能源，它需要高端的硬件设备来支持运行，而高端设备的采购成本非常高昂，给企业和组织带来了巨大的财务压力。根据目前市场上先进处理器的采购选择，支持每秒运行10万次查询的GPT-4处理系统的采购成本高达数千亿美元，而运行该系统的能源年成本将在数亿美元左右。hFvesmc

显然，高昂的成本是大规模部署ChatGPT创新技术的障碍。hFvesmc

生成式AI大规模落地需满足三大要求

不过，这也为半导体行业的发展提供了机遇，通过提供支持性的硬件，可推动生成式AI大语言模型的发展。这需要一个可行的解决方案来解决可用基础设施架构不足的问题：hFvesmc

• 将处理效率从2%至4%提高到至少50%。标称计算能力为1 PetaOPS的AI处理器，必须在现实工作负载下提供至少500 TeraOPS的处理速度。
• 降低硬件成本。一个“有效的”而非“理论上的”计算能力为1 PetaOPS的AI处理器的成本不得超过1万美元。
• 更低的功耗。一个“有效的”而非“理论上的”计算能力为1 PetaOPS的AI处理器的功耗必须不超过100W。

总体而言，为了实现经济可持续性和节能，ChatGPT处理系统的成本效益必须提高两个数量级以上。只有把GPT-4系统上每秒运行10万次查询的年总成本从数千亿美元降低到100亿美元以下，才能实现生成式AI的承诺。hFvesmc

本文翻译自国际电子商情姊妹平台EETimes Europa，原文标题：The Promise and Reality of Generative AIhFvesmc