如果没有AI算力，大模型这场战役我们可能胜不了

明敏 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

没想到，在ChatGPT爆火后的一年里，竟然出现了一个隐藏“Boss”——

量子位获悉，百度、360等互联网大厂均已开始基于昇腾部署AI模型；而知乎、新浪、美图这样全速推进AI业务的公司，背后同样出现了华为云昇腾AI云服务的身影。

明面上，大模型带动了N卡炙手可热；但另一面，国产算力提供者中的头部企业华为也浮出水面。

有意思的是，上述提到的玩家，目前展现的共性也非常明显：无一例外都是有场景的互联网玩家。

简单解释，就是这些公司在大模型变革之前，基本都在各自的行业中有稳定的业务生态，也有核心的商用场景。

毫无疑问，他们需要更快更高效让大模型引擎转动，可以更快产生最直接的价值，云算力是最合适的选择。

国内算力市场，悄然生变

解题就得从大背景展开，国内算力市场的供给和需求，正在产生方向性变化。

首先是资源的供给，也就是提供算力的市场，出现了变化。

从去年开始，国内市场就出现了“N卡难求”的情况。为此英伟达轮番推出特供版GPU，在算力和功率上一再缩水，但还是受到限制。最近才有风声的HGX H20和两款新的GPU，也被曝可能推迟到明年2月或3月才能发布。

一系列算力供给缩水动作，使得国内市场上已有的英伟达系列显卡进一步稀缺，算力一个月内涨价50%甚至100%已是常态。

据《经济参考报》介绍，由于算力资源持续紧张，国内算力服务公司如汇纳科技，已经在11月中旬拟将所受托运营的内嵌英伟达A100的高性能算力服务器算力服务收费同步上调100%。

与此同时，国内互联网厂商因大模型急速增长的算力需求，又加剧了这种紧张的局面。

先是国内大模型数量激增，10月份统计数据显示，国内已发布了238个大模型。

每一个大模型背后都意味着海量算力的投入，综述《A Survey of Large Language Models》显示，650亿参数大模型LLaMA，在2048块80G A100上训练了21天；而700亿大模型LLaMA 2，同样用了2000块80G A100训练。

然而，AI算力需求还会持续上涨。

据OpenAI测算，自2012年以来，人工智能模型训练算力需求每3~4个月就翻一番，每年训练AI模型所需算力增长幅度高达10倍。

显然，随着AI成为全球产业的增速引擎，算力作为背后的驱动力自然关注不小，甚至出现了“谁能争抢到算力，谁就更有先发权”这样的说法。

一方面，如果算力跟不上，无法搭上AI这班快车，直接面临的结果就是在竞争中落于下风，甚至可能被行业抛弃。

360公司创始人周鸿祎曾经谈到，公司如果没有搭上ChatGPT这班车，很有可能会被淘汰。

与之相反，如果及时跟进潮流，公司就能凭借已有场景，快速在行业竞争中获得优势。像是一度裁员12%的美版头条BuzzFeed，在宣布和OpenAI合作使用ChatGPT帮助创作内容后，股价一度暴涨119%。

另一方面，算力的充足与否，又直接决定了拥有AI技术和产品的公司，能否提供长期稳定的服务，从而在这场竞争中拥有先发权。

即使是在这场潮流中占据主导话语权的OpenAI，也面临算力紧张而无法满足用户需求、被迫将用户“拱手相让”的问题。

例如前不久，ChatGPT出现了几次流量过大、服务器承载不下导致应用响应崩溃的情况，导致国外用户争相涌向谷歌Bard和Anthropic的Claude 2；付费订阅产品GPT-4，同样因为服务器流量爆炸而出现“暂停订阅”的情况。

但当下算力受限的情况，导致传统互联网企业要想快速跟上AI大模型相关的业务，无法再单单依靠“买卡”这一条路。

毕竟光是等待算力龙头如英伟达发卡的时间，很可能就已经错过了这一波风口。

相比之下，有场景的互联网玩家，一旦有合适的算力，就能更快接入AI大模型相关的业务，从而在这场竞争中获得先发话语权。

在这样的需求下，像华为云这样的国产算力玩家，再度成为国内互联网厂商们关注的对象。

作为有算力、能提供云服务、最早适应大模型打法的云厂商之一，华为云究竟为何能在一众算力供给者中脱颖而出，为有场景的玩家们所看好？

为什么是华为云？

在行业调研中，行业玩家们对大模型时代的云服务，有4大普遍性诉求：

• 算力可持续
• 高效长稳
• 简单易用
• 开放兼容

而之所以选择华为云，从其“对症下药”的技术细节就能管窥一二。

其架构由下至上，包括AI算力、异构计算架构、AI框架、AI平台、大模型、工具链几个层级，由此构成一个算力充沛、高效稳定、低门槛广生态的云底座。

1、算力可持续

可持续的算力能从最根本上缓解行业玩家们的算力焦虑，同时也是大模型快速炼成、应用落地的基本保障。

在这方面，华为云打造了贵安、乌兰察布、芜湖3大AI云算力中心，提供3大主节点及30+分节点，支持AI算力即开即用。

昇腾AI集群也在今年全面升级，集群扩展至16000卡，成为业界首个万卡集群。它可支持万亿参数大模型分布式训练。

此外在保障算力资源合理分配方面，华为云支持资源弹性伸缩，可根据业务需求实际情况，自动增加或缩减服务器实例或带宽资源，可在保障业务能力的同时节约成本。

2、稳定高效

先来看稳定性。

由于大模型训练过程比传统分布式训练更复杂，导致训练所需计算集群规模空前增加、涉及器件数量往往在百万/千万级别。如果单器件发生故障，就可能导致集群训练中断，且故障原因定位定界复杂。

这就使得当前大模型训练更容易出现故障，训练时间被拉长。

以Meta的OPT-17B训练为例，理论上在1000个80G A100上训练3000亿个单词，需要33天。实际训练却使用了90天，期间出现了112次故障。其中主要问题是硬件故障，导致手动重启35次，自动重启约70次。

在这方面，华为云昇腾AI云服务支持裸金属集群进行大模型训练，无虚拟化损失，并行训练效率提升100%。从处理器、算子、框架、平台全链路垂直协同优化，主力场景性能是业界平台的1.5倍以上。

以盘古大模型（2000亿参数）在2048卡上的训练为例，实现了30天训练不中断，长稳率达到90%，断点恢复时长控制在10分钟以内。

此外华为云还实现了千卡预训练故障自动诊断恢复，增强智能运维工具能力，实现分钟级信息获取、2小时定界、24小时提供解决方案。

再来看高效性，这是场景玩家们的迫切需求。

但是千亿参数大模型在训练中需要大量的梯度、参数等进行同步，集群很难实现线性加速比。即，增加了一倍的计算集群规模，但是计算量无法同比增加。比如：

• 1024卡集群：计算和通讯比例为7:3
• 2048卡集群：计算和通讯比例为4:6

华为云昇腾AI云服务通过模型+集群的混合并行策略，让模型切分更加平衡，从而实现集群接近线性加速比。

• 1024卡集群：计算和通讯比例为85:15
• 2048卡集群：计算和通讯比例为80:20
• 4096卡集群：计算和通讯比例为70:30

以及在训练成本方面，华为云昇腾AI云服务使用CAME优化器，相较于业内常用方案可节约50%内存用量。

要知道，大模型的海量参数会导致训练时内存消耗空前增加，进一步导致训练成本升高。CAME优化器专为大模型训练而来，获得了2023年ACL杰出论文奖。

3、简单易用降低开发门槛

如今ChatGPT引爆的大模型趋势已经全面铺开，来自千行百业的玩家们都迫切想要快速将大模型接入自己的业务中。

但是大模型开发又是一个复杂的系统工程，从头开始自己摸索会影响落地速度。

所以云服务厂家们纷纷推出了简单易用的开发工具。比如华为云提供了全链路工具链，云化免配置、开箱即用，可实现5倍速开发大模型。

它包括大模型开发工具套件，可自动化、半自动化数据工程，效率提升3倍，5分钟快速构建应用开发。

调试调优部分包含1400+算子沉淀，30+可视化调优部署工具；提供丰富的API能力，可调用盘古大模型100+能力集。

还能将典型模型迁移效率提升到2周内搞定，实现主流场景自主迁移。

4、构建开放兼容生态

最后，并非所有场景玩家都需要从头构建大模型。选择在已有基础大模型上进行微调或者直接使用，是更加降本增效的方案。

那么对于开发者、行业玩家而言，有更多选择就很重要了。

基于这一点业内需求，华为云上线了百模千态社区，企业和开发者能直接使用业界主流的开源大模型，如Llama、GLM等。同时聚合数据集、模型、实践等10万+AI资产。

为了满足开发者的不同偏好，昇腾AI云服务已兼容TensorFlow、PyTorch、RAY、Caffe等AI框架。

进入昇腾AI云服务百模千态专区，仅需3步即可开发自己的大模型。

基于如上云服务能力，华为云已经给业内诸多玩家提供了大模型使能服务。

比如美图仅用30天就将70个模型迁移到了昇腾，同时华为云和美图团队一起进行了30多个算子的优化以及流程的并行加速，AI性能较原有方案提升了30%。

昆仑万维和华为云签署战略合作，双方将在华为云昇腾算力领域展开全面深入合作，致力于打造企业专属模型，支持企业级AI应用，持续赋能千行万业应用创新与场景落地。

在当前算力稀缺、资源不足的情况下，这些场景玩家选择与华为云这样的云厂商联手，来快速增强自身“AI硬实力”。

而这种大背景之下，也涌动着当前的产业趋势：

技术创新的曲线开始趋于平缓，商业创新的曲线开始发力。

其中，增速最快的，自然是有场景、有业务的玩家。

场景玩家如何把握AI落地机遇

ChatGPT发布一年以来，AIGC已行至下半场。

上半场，国内外掀起一股基础大模型技术争锋浪潮，“百模大战”态势之下，涌现出一批AI初创公司。

这些公司或掌握底层AI架构基础、或有搭建上层AI工具的经验，依靠技术发布了不少有创意且吸睛的产品，融资更是拿到手软。

然而，随着相关技术逐渐从开疆拓域走向稳定成熟，AIGC产业也出现了新的变化。

下半场，AI技术公司开始追求产业落地，不少初创公司更是在寻求扩大生态圈的方式。

相比之下，有场景的互联网公司，通过观察AIGC技术优势，依托生态优势、加上算力基础，就能快速扩大影响力，进而在公司中取得话语权。

在这种情况下，技术和场景玩家的身位也在悄然发生变化——

技术玩家，需要“拿锤找钉”，面临进一步扩张技术生态和产品场景的难题。

虽说这些玩家已经具备了成熟的基础大模型或工具链技术，但技术仍旧需要找到场景，才能进一步稳定出圈。

相比之下，场景玩家成为了“拿钉找锤”的一方。

依托已有场景需求和稳定用户生态，这些玩家只需将AIGC技术融入业务，就能进一步实现降本增效。

然而，即便是AIGC技术趋于成熟的当下，想要快速跟进也并非易事，除了底层的算力搭建以外，大模型所需的训练和加速等技术也并非就能“一蹴而就”。

在这样的下半场态势中，像华为云这样底层算力、AI相关技术和平台、生态三者齐备的国内云厂商，在场景玩家的发展中进一步起到了催化剂的作用。

底层算力上，华为云依托自研的昇腾处理器打造的超大规模AI集群，已经由4000卡升级到16000卡集群，能支持万亿级模型训练，不仅速度更快，训练周期也更稳定；

AI相关技术和平台上，除了AI算力之外，华为云还为开发者提供了完善的工具和资源，解决了AI大模型部署从训练、加速到不同框架适配这些难题，进而基于已有的研发经验，给厂商提供运营所需的技术服务；

AI生态上，华为云已经与150多家伙伴、200多家客户，共同构筑了20多个行业大模型以及400多个AI应用场景，加速行业智能化升级。

所以，在当前国际大环境下，有场景的玩家，只需要借助像华为云这样的云厂商提供的技术服务，就能快速将下半场大模型机遇变成红利，而华为云也能给国内的互联网企业提供更多选择。

现有的趋势，也能说明这一点。

美图首个懂美学的AI视觉大模型发布当天，股价单日上涨21.28%，随后更是受到国内图像编辑工具行业的广泛关注；

拓维信息发布的交通CV大模型，如今已在高速公路稽核等行业场景得到应用，这1年一来股价上涨了129.44%……

显然，这些玩家基于自身已有的业务，再依托云厂商提供的大模型和算力，就能快速将场景势能发挥到最大优势。

但无论选择什么类型的云厂商、做出怎样的判断，国内互联网企业都依旧需要回到当前的大环境下，结合客观形势做出判断。

在国外算力购买愈发困难的当下，面临新一轮AI竞争趋势，如何让算力像水电一样即取即用，是所有国内企业都应当要思考的问题。

事实上，如今中国的算力水平实际上已经位居世界第二，占全球市场比重达25%，从2017年到2022年的复合增长率达到48.8%。

当更多的企业愿意投资算力、交易算力，就能推动算力产业进一步降本增效，加快算力向现实生产力转化。