AIGC 持续火爆大模型争相推出，庞大市场造就算力供应模式演变

本图由 AI 生成

黄仁勋说的 AI 发展迎来 iPhone 时刻，对 NVIDIA 有什么影响？

文/王吉伟

近期的 AIGC 领域仍旧火爆异常。

但火的不只是 AIGC 应用，还有巨头之间的 AI 竞赛，以及接连不断上新的 AI 大模型（LLM，Large Language Model）。

面对 ChatGPT 带来的技术冲击，为了研发谷歌多模态 AI 模型及应对微软 GPT-4 版 Security Copilot 竞争，谷歌先是将谷歌大脑和 DeepMind 团队合并为“Google DeepMind”部门，接着又推出了基于 Sec-PaLM LLM 大模型技术的谷歌云安全 AI 工作台（Security AI Workbench）。

亚马逊推出了 AI 大模型服务 Amazon Bedrock，马斯克成立了人工智能公司 X.AI，并囤下万张 NVIDIA 芯片。

有媒体将之比喻为围剿 ChatGPT。

但 ChatGPT 并不惊慌，仍然按照既有节奏新增了隐私功能使得用户数据不再被用于模型训练，并计划在未来几个月推出 ChatGPT 企业版。

对于谷歌、亚马逊等的动作，ChatGPT 似乎并不在意，反而是微软总裁说了一句“中国将是 ChatGPT 的主要对手”，又将舆论目光引向国内。

国内市场则也迎来了“百模大战”时代。从 3 月开始到现在，各科技大厂及科研机构已经陆续发布了百度文心一言、阿里通义千问、华为云盘古、京东言犀等 30 多个大模型，目前还在不断上新，难怪微软总裁会发出前面的感慨。

然而在 AI 竞赛和“百模大战”的身后，笑得最开心的应该是 NVIDIA。

竞争越激烈，算力需求也就越大，NVIDIA GPU 也就卖得越好。

生成式 AI 应用的爆发和大模型的争相发布，让 NVIDIA 的算力供应迎来更辉煌的时代。黄仁勋先生在 NVIDIA GTC23 说的金句“我们正处于 AI 的 iPhone 时刻”，到现在已经广为流传，以至于 GTC23 已经过去一个多月，仍有很多人念念不忘。

已经连续举办 14 年的 GTC 如今已是全球最重要的 AI 大会之一，GTC23 举办会议更是达到 650 多场，超过 25 万名注册用户深入参与到 GTC 各个主题的会议。

黄仁勋更是用长达 78 分钟的时间，讲述了 NVIDIA 及其合作伙伴如何提供训练和部署尖端 AI 服务所需的各种技术。

看完他的分享以及多个会议及合作发布之后，王吉伟频道认为，AI 大模型所带来的多元化算力需求，正在造就算力供给形式的进一步演变。

为什么这么说？本文就跟大家探讨一下。

AIGC 应用持续爆发

这一轮 AIGC 技术带来的 AI 火爆，主要体现在 C 端的 AI 应用上。与以往 AI 主要改进和优化 B 端不同，LLM 所带来 ChatGPT、Midjourney 等杀手级应用，在变革 B 端的同时，也让亿万用户对 AI 技术有了直观且震撼的感受。

ChatGPT、Midjourney 还在快速进化着，在文字、代码、图片生成等领域叱咤风云的同时，更多厂商所推出的同类应用也在快速发展，AI 生成音乐、视频、游戏的应用也正在雨后春笋般的出现。

现在，基于 GPT-3\4、Dall-E 等模型的 AI 应用越来越多。单是从 GPT 来看，GPT-3 DEMO 网站统计的 GPT-3 应用程序已经超过 800 个，但这些程序并不包括企业推出的 GPT 应用。

随着更多组织引入或者自身搭建 AI 大模型，他们将利用这些技术改造已有应用，并会以对话的方式生成更多 AI 应用。

同时更多 LLM 的 API 开放服务，让创业变得更加简单。创业者只需要接入 API 就能将 LLM 集成到产品之中，大大提升产品业务效率和使用体验。

除了调用 AI，创业者们也会基于 Stable Diffusion、Meta AI 等开源模型打造更多的生成式 AI 应用，满足不同领域的用户的需求。

Crunchbase 数据显示，2021 年获得投资的 AIGC 创业项目数量为 291，2022 年这一数据为 211。经历了从年初到现在的 AI 应用大爆发，预测 2023 年的创业项目同样会迎来大爆发。

在诸多的 AIGC 工具中，有一类基于 GPT 的应用是用于生成程序的，可以让用户通过自然语言快速生成 GPT 应用。包括一些低代码、RPA 等工具也在借助 GPT 让用户简单快速地打造需要的程序。这些 AI 工具的出现，直接让生成式 AI 应用出现倍数级增长。

Gartner 预计到 2025 年，生成式人工智能将占所有生成数据的 10%，目前这一比例还不到 1%。这个数据意味着，在未来 AIGC 从 1%到 10%的发展进程中，将会出现海量 AI 应用。

事实上，推出 LLM 的大型企业是生成式 AI 应用的主要推动者，他们首先会将 AIGC 应用在自身产品体系推广，然后再服务更多客户。

LLM 成为云计算和 AI 服务的主要部分之后，每个云计算厂商和推出 LLM 的厂商都将用此技术服务其生态内成千上万的客户，这些客户也会将生成式 AI 技术引入到企业内部软件应用之中。

AI 大模型层出不穷

在 AIGC 应用海量爆发背后，正是各大科技厂商不断推出的 AI 大模型。在以 OpenAI 的 GPT、Dall-E 为代表的 LLM 出尽风头后，出于应战更出于商业生态所需，其他厂商陆续推出了各自的大模型。

在谷歌率先推出 Bard 并与 NVIDIA 联合开发了参数量高达 5300 亿的 Megatron-Turing 后，Meta 发布了 BlenderBot3、亚马逊推出了自有的大型语言模型泰坦（Titan），OpenAI 前元老创立的 Anthropic 发布了 Claude，Stability AI 拥有 Stable Diffusion 并于近期推出了开源大语言模型 StableLM。

马斯克也于近日启动了基于自研大模型的“TruthGPT”聊天机器人，为此他已经成立了 X.AI 公司，招募工程师，并已在 NVIDIA 购入高性能 GPU。

除了大型公司，美国还有 LLM 领域比较知名的初创企业，比如前谷歌研究人员创立的 Character.AI、由前 LinkedIn 联合创始人、DeepMind 联合创始人等联合创立的 Inflection AI、来自谷歌 AI 团队成员创立的 Cohere 以及 Adept.ai 等，这些 AI 公司都有自研 AI 大模型。

美国的 AI 大模型先人一步，其他国家自然也不能落下。

很多国家的相关组织也陆续发布了 AI 大模型，目前已知的部分国家的行动包括：

俄罗斯 Yandex 研发了大模型 YaLM；英国 DeepMind 推出了 Gopher 超大型语言模型，前几天英国还宣布斥资 1 亿英镑建立新的“基础模型工作组”（Foundation Model Taskforce），以开发能带来“全球竞争力”的 AI 方案；韩国 Naver 研发了 HyperCLOVA；以色列 A21 Labs 推出了 Jurassic-1 Jumbo。

至于中国，更是开启了“百模大战”。

从 3 月 16 日百度基于文心大模型的“文心一言”发布后，国内就开启了“百模大战”模式。

厂商们的 AI 大模型发布都集中在了 4 月，目前华为的盘古、360 的智脑、商汤的日日新、阿里的通义千问、京东的言犀、腾讯的混元、中科院的紫东太初、科大讯飞的 1+N 认知、浪潮的源 1.0、昆仑万维的天工 3.5、云从科技的行业精灵、知乎的“知海图 AI”、第四范式的“式说 3.0”、科大讯飞的“星火认知”等大模型都已发布。

此外美团的联合创始人王慧文、搜狗创始人王小川，都创立新公司征战 AI 大模型，亦有其他巨头企业的 AI 项目负责人或者高管投身此领域。

目前而言，上述大模型再加上科研院系所公布的大模型，国内已有超过 30 个大模型亮相。可以肯定的是，后面还会继续有大型科技公司发布自己的 AI 大模型。

除了各国多个组织发布的 AI 大模型，Stable Diffusion 等开源大模型也是一股不可忽视的力量。越来越多的开源模型，正在以本地部署的形式进入更多企业成为其构建生成式 AI 应用的模型层。

在大模型之外，像斯坦福发布的 52k 数据的 Alpaca、AI 风险投资公司 Age of AI 开发的 FreedomGPT 等中小模型，同样也是各大组织在安全及私有化部署层面关注的重点。

可以看到，所有大型企业都将推出自有大模型，同时很多组织已经意识到企业的应用程序都要构建于企业数字化架构的模型层之上，大模型将会成为所有企业的基础设施。

那么问题来了，现在全球有这么多的大模型，那将需要多么庞大的算力？这些算力又该如何供应？

别着急，下一节就会讲到。

算力需求的急剧攀升

AI 大模型的快速发展，带来全球算力市场需求的高速上涨。随着 AI 技术的不断突破以及各种开源架构的推进，算法模型和数据反而成了最简单的，倒是算力不足成了大模型厂商遇到的最大的问题，或者说它已经成了影响 AI 大模型能力的主要因素。

LLM 对算力的需求到底有多大？以 ChatGPT 为例，GPT-3 训练成本预计在 500 万美元/次。

为支持 ChatGPT 对于强大算力的需求，微软于 2019 年投资 10 亿美元建造了一台大型顶尖超级计算机，配备了数万个 NVIDIA Ampere 架构 GPU，还在 60 多个数据中心总共部署了几十万个 NVIDIA GPU 进行辅助。

一个杀手级 AI 应用 ChatGPT，就需要这么大的算力支持。而 OpenAI 还有 Dall-E 等多个大模型，可见 OpenAI 这家公司对算力的需求有多大。

不仅如此，模型参数的增长也会导致算力需求猛增。比如华为云盘古大模型的预训练参数规模达到 2000 亿，而阿里达摩院的 M6 模型参数更是达到 10 万亿，这些大模型对算力的需求已然超过 ChatGPT。

OpenAI 仅是一个大模型公司，上述谷歌等国外大型企业以及创业公司，还有国内已经超过 30 家推出大模型的组织，不管是自建数据中心还是将模型托管，想要大模型快速迭代与发展，都离不开庞大算力。

所以，在解决了算法模型和数据集后，为了让自有大模型能够快速落地商用，全球大模型厂商都把心思放到了算力之上，千方百计增加自身算力。

在算力打造方面，目前大模型厂商普遍采用的是 GPU+CPU+NPU 的异构方式。一般是以 NVIDIA GPU 为主，搭配自研或者其他厂商的小算力 GPU、CPU 及 NPU。而想要在短期内获得并保证超大算力，NVIDIA 是不二之选。

与此同时，与 NVIDIA 合作打造定制化 GPU 集群，为模型训练提供高效稳定可用的基础算力系统，也成了大模型厂商的共同选择。

为了满足 OpenAI 多模型的算力需求，微软基于 NVIDIA 最新旗舰芯片和 NVIDIA Quantum-2 InfiniBand 网络互连技术，推出 Azure 可大规模扩展的 AI 虚拟机系列以显著加速 AI 模型的开发。

亚马逊云科技和 NVIDIA 合作，构建全球最具可扩展性且按需付费的人工智能（AI）基础设施，以训练日益复杂的大语言模型（LLM）和开发生成式 AI 应用程序。

Meta 与 NVIDIA 联合打造了 RSC，这是全球最快的 AI 超级计算机之一。

在国内，有信息透露，百度在年初紧急下单 3000 台 8 张芯片（2.4 万枚 GPU）的服务器，百度全年会有 5 万枚 Hopper 架构 GPU 的需求。

阿里云预计在今年需要 1 万枚左右，其中 6000 枚也是该 GPU。

近期腾讯所发布的新一代高性能计算集群 HCC，同样采用了国内首发的 NVIDIA Hopper 架构 GPU。

相关数据统计，国内对 NVIDIA 新一代 Hopper 架构 GPU 的需求，至少是数十万的级别。

当前阶段的 LLM 大发展，算力源头最终都指向了 NVIDIA。这意味着，NVIDIA 所提供的算力已经无处不在。

无处不在的 NVIDIA 算力

AI 已经进入大模型时代，接下来所有领域所有行业都将进行一轮 IT 架构与应用程序的重大变革，所有组织都要引入大模型，所有 AI 应用都要建立在模型层之上。

NVIDIA 自诞生以来一直致力于加速运算，尤其是 2006 年推出 CUDA 开发平台（通用并行计算架构）至今，所有行业早已认知到 CUDA 的价值，拥有 CUDA 支持的 NVIDIA GPU 也早已成为 AI 训练首选。

现在，几乎每个厂商推出的大模型，都需要以 NVIDIA GPU 为主的算力解决方案做支撑。构建于这些大模型之上的生成式 AI 应用，将会在各个领域得到应用。从这个角度而言，NVIDIA 的算力已经无处不在。

而为了满足不同厂商的需求，NVIDIA 也在不断求变。

GTC23 期间，NVIDIA 发布了用于数据中心的 NVIDIA Hopper 架构 GPU、Grace Hopper 和 Grace，其中 Hopper GPU NVL 是一款带有双 GPU NVLink 的 GPU 产品，用于支持像 ChatGPT 这样的大型语言模型推理。

推出了搭载 8 个 NVIDIA Hopper GPU 的新版本 DGX ，可以连接成为一个巨大的 GPU，将成为全球大模型厂商构建 AI 基础设施的蓝图。

为了加速把 DGX 能力带给初创企业和其他各类企业，助力其快速打造新产品和制定 AI 战略，NVIDIA 发布了用于 AI 云计算平台的 NVIDIA DGX Cloud。

在加速生成式 AI 技术应用方面，NVIDIA 还发布了 NVIDIA AI Foundations 云服务系列，为需要构建、完善和运行自定义大型语言模型及生成式 AI 的客户提供服务。

同时为帮助企业部署处于快速发展的生成式 AI 模型，NVIDIA 发布了用于 AI 视频的 NVIDIA L4 GPU、用于图像生成的 NVIDIA L40 GPU、用于大型语言模型部署的 NVIDIA H100 NVL 以及用于推荐模型的 NVIDIA Grace Hopper。

这些产品、平台和解决方案的发布，可以让 NVIDIA 的算力以更强劲的动力传输到更多领域。

NVIDIA 以算力助力多领域企业成长的案例已有太多，这里我们也来看几个 GTC23 展示的案例。

比如在医药领域，三井物产株式会社正在与 NVIDIA 合作开展“Tokyo-1”项目。该项目旨在使用高分辨率分子动力学模拟和用于药物研发的生成式 AI 模型等技术，为日本制药行业的领导者提供强大动力。

通过该项目，用户将能够访问 NVIDIA DGX 节点，以支持其进行分子动力学模拟、大型语言模型训练、量子化学、为潜在药物创建新型分子结构的生成式 AI 模型等。Tokyo-1 用户还可以通过 NVIDIA BioNeMo 药物研发软件和服务，利用大型语言模型来处理化学、蛋白质、DNA 和 RNA 数据格式。

在汽车领域，NVIDIA 与新能源汽车（NEV）制造商比亚迪将拓宽 NVIDIA DRIVE Orin™ 中央计算平台的应用范围，将用于其更多新能源车型之中。DRIVE Orin 的强大计算能力能够实时处理各种冗余传感器信息，且这项技术还能为汽车制造商提供充足的计算裕量，支持其在整个汽车生命周期内，开发和运行全新的软件驱动型服务。

NVIDIA DRIVE Orin 作为当前市面上性能最高的车规级处理器，自去年投产以来，已成为交通行业新一代新能源汽车、自动驾驶出租车和卡车的人工智能的首选引擎。

在通讯领域，AT&T 和 NVIDIA 宣布了一项新合作，AT&T 将通过使用 NVIDIA 驱动的 AI 来处理数据、优化服务车队路线规划并创建用于员工支持与培训的数字虚拟形象，以持续转变运营方式和增强可持续性。

AT&T 是首个探索使用全套 NVIDIA AI 平台的电信运营商。这些产品包括使用 NVIDIA AI Enterprise 软件套件来提升其数据处理能力，这一套件包含 NVIDIA RAPIDS Accelerator for Apache Spark；通过 NVIDIA cuOpt，实现实时车辆路线规划和优化；通过 NVIDIA Omniverse Avatar Cloud Engine 和 NVIDIA Tokkio，打造数字虚拟形象；以及通过 NVIDIA Riva 更好地利用对话式 AI。

随着更多领域的客户采用 NVIDIA 的算力解决方案，NVIDIA 的算力也将跟随合作伙伴为用户提供的服务而遍及更多垂直细分领域。

后记：市场需求造就算力模式演变

为了加速算力赋能千行百业，NVIDIA 持续推出更多解决方案以满足更多客户的需求。而随着用户对于算力需求的变化，NVIDIA 也在不断探索更加多元化的算力解决方案。

从 GTC23 所发布的一系列产品、技术及解决方案来看，NVIDIA 已经从硬件算力供应商发展成为能够提供软硬件一体解决方案及 AI 云计算的多元化算力供应商。

这个改变一方面来自于 NVIDIA 对于全球客户对算力需求变化的时刻洞悉与及时响应，另一方面也来自于 NVIDIA 对算力如何更好助力人工智能发展的持续探索。

当然，更主要的是 AI 大模型爆发式增长所带来的庞大的算力需求，真正造就了一个无比庞大的市场。

在算力市场增速与规模方面，中国信息通信研究院数据，目前全球计算设备算力总规模达到 615EFlops（Flops 为算力单位，即每秒浮点运算次数），增速达到 44%，预计 2030 年全球算力规模达到 56ZFlops，平均年增速达到 65%。

未来 7 年的算力供应，可以想象 NVIDIA 将会占据多大市场份额。

不说国外，单是中国市场目前已推出的三十多个大模型，就能感受到广大组织对算力的巨大需求，更不用说今后全球要出现的更多大模型。

不管是大模型、中模型还是小模型，只要组织构建或者引入大模型都离不开算力支持。

现在，发布自有大模型或者中模型正在成为大型企业的标配，而使用大模型和生成式 AI 技术也即将成为企业运营标配。

这两个标配的实施与落地的过程，便是 NVIDIA 算力走进更多组织的机会。并且，这个机会将会伴随着 AGI（Artificial General Intelligence，通用人工智能）的一路发展而长期存在。

两个标配需求，也将进一步促进以 NVIDIA 为首的厂商算力供应模式开始从硬件方式走向更多元的发展。

市场需求，正在造就算力供应模式的演变。

而在这个演变进程中，无论是技术创新、产品引领、方案打造还是在算力变革，NVIDIA 都扮演了绝对的主角。

黄仁勋在 GTC23 上表示，我们正处于 AI 的 iPhone 时刻。AI 大模型到来后，又何尝不是 NVIDIA 的 iPhone 时刻。

【王吉伟频道，关注 AIGC 与 IoT，专注数字化转型、业务流程自动化与 RPA。欢迎关注与交流。】