当前爆火的 ChatGPT 最大瓶颈或是它

最近AIGC领域催化不断，而随着ChatGPT大火之际，财通证券等指出，算力作为人工智能的“发动机”，已是行业当前最大的瓶颈，国盛证券也表示AIGC等应用的普及将带来巨大的算力市场。

具体来看，财通证券分析称，算力的瓶颈并不体现在算力的绝对大小，而在于实现该算力的成本，特别是在算法场景众多、迭代速度较快的AI领域。

此前，OpenAI联合创始人兼CEO曾在推特上表示，ChatGPT的运营费用高得“令人瞠目结舌”。在用户抛出问题之后，ChatGPT回应的每一个字，花的都是真金白银。

据悉，ChatGPT托管于微软云服务Azure上，目前微软对单个100 GPU的收费是每小时3美元，按照ChatGPT加载模型和文本的速度，生成一个单词的费用约为0.0003美元。

而ChatGPT的回复通常至少有30个单词，因此ChatGPT每回复一次，至少花Open AI 1美分。

而摩根士丹利的分析甚至认为，ChatGPT的一次回复可能会花掉Open AI 2美分，大约是谷歌搜索查询平均成本的七倍。尤其考虑到ChatGPT面向全球大众用户，用的人越多，带宽消耗越大，服务器成本只会更高。

根据早些时候OpenAI发表了一份研究成果表明，AI训练所需算力指数增长，增长速度超越硬件的摩尔定律。

数据显示，自2012年至2018年，用于训练AI所需要的算力大约每隔3～4个月翻倍，整体呈现指数级上涨（而摩尔定律仅仅是18个月翻一倍）。

从2012年到2018年，训练AI所耗费的算力增长了30万倍，而摩尔定律在相同时间只有7倍的增长。

中信建投研报的数据也显示，此前用于AI训练的算力增长符合摩尔定律，大约每20个月翻一番；深度学习的出现加速了性能的扩展，用于AI训练的算力大约每6个月翻一番；而目前大规模模型出现，其训练算力是原来的10到100倍。

国盛证券表示，AIGC未来应用普及的背后，将产生巨大的算力市场。

以GPT-3为例，该模型有着多达1750亿的参数，训练所需的算力高达3650PFLOPS-day。

按照Lambda的测算，以V100理想状态下28 TFLOPS的算力和最低3年起云计算的成本，完成训练GPT-3需要花费460万美元，而下一代GPT-4的参数将更多。

国盛证券表示，尽管AI模型往往会选择开源，但数据集和训练成果是一个团队的内部资产，这意味着每个AI产品都需要支付自己的训练成本。

现在大部分创业团队都是布设在云端，因为单独的算力集群很贵，目前A100高端产品大概在6-9万元，1000张A100卡加上CPU、硬盘、存储、机房供电等配套设施的硬件投入将近1亿。

在未来AIGC随着B端和C端的商业化落地的实现，算力集群的建设和云服务都会收益，同时考虑到英伟达A100、H100出口受限，相关国产算力芯片将有机会获得增量市场。

此前科技巨头英特尔曾发布过一个元宇宙相关的声明，英特尔表示，看好元宇宙的可能性。

但有一个关键问题还没有解决——几乎没有足够的计算能力，其表示今天的计算、存储和网络基础设施根本不足以实现这一愿景，而要想实现真正的元宇宙，我们目前的计算能力需要再提高1000倍。

此外，据华西证券研报，数字经济催化下，智能算力需求稳定增长。兴业证券表示，数字经济时代，算力是国别竞争能力高低的核心指标。

近日，IDC与浪潮信息联合发布《2022-2023中国人工智能计算力发展评估报告》，文章指出，中国人工智能计算力继续保持快速增长，2022年智能算力规模达到268百亿亿次/秒(EFLOPS)。

IDC预测，未来五年中国智能算力规模将持续高速增长，2021年中国智能算力规模达155.2 EFLOPS，预计到2026年将达到1271.4 EFLOPS。

据《中国算力网络全景洞察白皮书》，算力是数字化时代的基础设施，也是推动数字经济向前发展的核心动能。需求侧科技进步与产业数字化、供给侧算力技术迭代共同驱动算力发展。

据兴业证券研报，算力的第一个层次是算力的“基础设施建设”，高性能芯片、服务器、处理器、数据中心、网络等基础设施建设为算力、应用以及产业发展提供可持续发展的保障。

算力的第二个层次是应用，得益于算力水平的不断提升，未来云计算、大数据、人工智能、物联网、5G等应用都将蓬勃发展，而这些应用的普及又带来计算方法的革新，提高计算效率，拉动算力发展。

算力的第三个层次在于与实体经济的融合，赋能数字经济各行业的数字化转型升级。

工业互联网、金融科技、智能驾驶、智能医疗、智能制造、智慧城市、高端装备、可穿戴设备、个人智能终端、网络安全等产业数字化进程不断加深，新的需求以及产生的大量数据，又为应用的发展提供了动力。

加入阿尔法工场投资者交流社群 | 添加微信：dlfxs2