大模型這股熱風，已經吹到了上游算力。

隨著百度、騰訊、阿里等紛紛拿出相關技術布局以及底層設施儲備，為中國的ChatGPT奮力一戰，密集上線的大模型面臨著巨大的算力需求，“算力從何而來”的問題隨之搬上臺面。

【資料圖】

一方面，算力昂貴。以ChatGPT為例，支撐其算力至少需要上萬顆英偉達的GPU A100，單次模型訓練成本超過1200萬美元。

另一方面，算力有限。今年4月5日，Open AI就因需求量過大為由關閉過ChatGPT Plus的付費渠道，這意味著僅發布幾個月，OpenAI就曾面臨算力缺口。

那么問題就來了，GPU燒錢且有限的算力現況，對于大模型來說是否就是最優解？

“蹭”大模型和AIGC的熱度，業內也涌現技術及方案的“混戰”。國內外云計算大廠發力自研芯片和軟硬件系統優化、二級市場CPO（共封裝光學）概念股一路飆升、存算跳出來說是“突破困境的清晰路線”、量子計算更是被認為“最具潛力的破局者”。

在投算力未來上，投資人也開始兵分幾路，有人堅定燒GPU、有人開始刷起模型訓練優化的項目，更有投資過存算、Chiplet的VC計劃在賽道內尋找更優的投資標的，還有投資量子計算的機構在期待從底層到上層的一場算力革命的大爆發。

儼然，這場“算力軍備競賽”在一級市場，已經暗潮涌動。

國產GPU：以量取勝

大模型的發展有算法、算力、數據三大重要因素。

算力是大模型訓練的重要能量引擎，也是目前國內發展大模型產業的一大壁壘。芯片能力直接影響著高算力訓練效果和速度，故而高端GPU芯片的數量多少，成為業內判斷企業大模型能力的重要指標。

然而，對于國內大模型玩家而言，高端GPU芯片面臨著進口受限的問題，已經由“買不買得起”變為“用不用得上”。據此前媒體報道，國內云廠商主要采用的是英偉達的中低端性能產品，譬如GPU A800。

在國外芯片能否撐起大模型的算力需求疑問下，一眾GPU國產廠商也在抓住國產替代的契機。

但是，國內GPU芯片的云端訓練公司如壁仞科技（通用GPU芯片BR100）、天數智芯（“智鎧100”）、寒武紀（云端推理思元270）的產品雖在多媒體和圖形處理的單精度浮點計算FP32的理論指標上做得不錯，但沒有處理FP64的能力。

而大模型訓練需要處理高顆粒度的信息，對云端訓練芯片的芯片處理信息的精細度和算力速度要求更高，在超算領域，雙精度浮點計算能力FP64是進行高算力計算的硬性指標。

英偉達的A100就同時具備上述兩類能力。

根據公開消息，目前國內唯一支持FP64雙精度浮點運算的只有海光推出的DCU（協處理器），但是它的性能只有A100的60%左右。

對此，戈壁創投VP俞悅坦言，雖然目前燒GPU是最為現實的方案，但就國內GPU廠商的角度，還需要更多時間去追趕。

普華資本合伙人蔣純則認為，技術差距是一方面，還有一方面是美國卡脖子的問題，這就要求國內企業想做高端GPU芯片，要有能力走出一條從設備到材料，完全國產化的道路。如果做不到，就只能退而求其次。

但這樣的國產GPU對于大模型是否就無用了？不然。

蔣純進一步解釋，國產GPU即便做不出最強大，但也能做出目前所需要的產品，只是更多是以低端的GPU去追趕和堆疊，讓一堆GPU通過優化和協調來協同作用，即以量取勝、再去組合模擬優化的路徑。

值得注意的是，GPU越堆越多，內部管理的難度也就越大，故而提高GPU并行運行的資源利用率，做模型推理/訓練優化的項目也開始在VC圈開始涌現，成為了一線投資人研究的方向之一。

但就蔣純來說，這類項目雖然有價值，也是個不錯的方向，但并不足以戳中他的心巴。他坦言，有時候有價值的事不一定有好的商業模式。

“就系統來說，阿里、華為等大廠一定比小公司有優勢。因為技術從大環境里磨練出來，最后應用到大環境里。創業公司獨立做，大公司一上來就學走了，要不就是技術賣給大廠?！?/p>

而就GPU芯片而言，大廠又未必有絕對優勢，反倒給了創業公司機會。

他表示，雖然大廠有資金、場景，但存在一個老問題，就是以部門形式來做，無法做到創業公司all in的 “瘋狂”。而芯片有知識產權以及商業壁壘，創業公司有能力將芯片賣給大廠。

GPU“防守”，存算“包抄”

值得注意的是，燒GPU，并非長久之策。

動輒幾億算力投入的模型訓練階段只是開始，模型推理應用階段算力成本更是可能高達百億級別。大算力之下，背后的功耗更是驚人。

環球零碳研究中心曾粗略合計了ChatGPT全生命周期的碳足跡：自 2022 年 11 月 30 日運行以來，其制造設備的碳排放量超過了33. 41 噸，模型訓練碳排放超過 552 噸，運行 60 天碳排放約為229. 2 噸。

而隨著模型越來越大，按照傳統方式計算將越來越麻煩。而國內想用高端GPU這一傳統的數字電路方法來解決大算力，存在上游材料、設備等根本障礙，短期難以解決。

面對未來潛在的算力指數增長，也有不少企業和VC開啟了換擋操作，以存算、Chiplet等技術，來達到能夠支撐大模型的算力。

其中，就存算賽道來說，身處一線的蔣純明顯感覺到變熱鬧了。

2019年投知存科技時，他發現很多人還不知道存內計算，而現在這個高技術壁壘的賽道，他觀察到創業公司可能有近10家，且熱度還在持續升溫。

“越來越多人會發現存內計算在全球的大模型時代非常重要。傳統的計算機體系架構是適應計算密集型應用的，而現在AI都是數據密集型應用，所以一定要有新的架構來更好地應對AI這種數據密集型應用。從原理上來說，存內計算是一種解決AI算力需求的根本性手段，而且相較于量子計算、光計算而言更有望在短期內實現出來。芯粒跟堆疊也會對AI類計算提供幫助。”

蔣純表示，存算即用器件本身特性來算，相當于是一次并行計算，譬如ChatGPT 1700多億參數，傳統的數字電路要算很多次，而存算可能一個節拍就能算完。至于堆疊，則是將一片memory和一片邏輯電路堆在一起，創造了一個有巨大內存的CPU，應用在大模型上就會非常好地加速運算。

蔣純對賽道的感受的確也跟公開數據表現相一致。

據企查查數據顯示，存算賽道2018年-2019年融資交易數量為11筆，而2020年至今，融資交易數為28筆，其中有22筆集中在2021年至2022年間，加速態勢明顯。

但他也指出，目前全球已經商用的存算還是用在邊緣端，譬如高保真降噪耳機等，以低功耗帶來高算力。與此同時，從公司戰略上來看，目前存算企業可分為兩派。

一派是上來就大容量的計算，要狂投入研發成本，短期看不出結果，融資幾輪估值上百億，但最后沒有成果，就會越到后面越難做，可能就無人接盤；而另一派則是小步快跑，先流片、應用，甚至搭生態，邊研發邊回血，讓投資人有信心續投，也是蔣純認為國內存算企業更現實的發展戰略。

據他觀察，現在大模型出來之后，投資人在看到市場的前景下，對這兩派存算企業都有意愿去投錢，即使當下沒有成果展示。

“我們投的時候，這些技術肯定有很多的不確定性，譬如能不能做出來，能不能成為主流?，F在來看確定性是越來越高了，存算企業都在做大模型支撐的相關研發，優質項目會呈現加速發展的態勢。我認為5年內，存算能夠成為一個比較成熟的解決方案，甚至有可能是主流解決方案。”

在這場全球技術較量中，蔣純認為GPU跟存算是合大于競的關系：GPU作為目前最成熟的方案，不能放棄，需要有一批公司扛著，來正面剛；而存算屬于包抄穿插進攻，打破國外技術壁壘，實現新技術的換道超車。

防御進攻都有了，量子計算還能做什么？

按照上述所說，大模型算力之爭，短期看GPU自研，中期看存算、Chiplet，那么被投資人視為新計算方向的量子計算在其中又能扮演什么角色？

事實上，VC對量子計算的關注不只限于此次ChatGPT的熱潮，AR/VR、5G等新應用場景的不斷涌現，以及各類型的應用場景爆發式增長，讓市場對算力的需求水漲船高，產業亟待挖掘具有顛覆性的計算形式。

量子計算作為一種新型架構的計算，可以實現指數級算力提升，更可謂是不得不關注的焦點。

據企查查數據顯示，2017年至今，國內量子計算賽道共完成31起融資事件，公開披露融資金額超25億元，融資主要發生在2021年及以后，占比近7成。其中圖靈量子、本源量子、量旋科技、玻色量子、國儀量子等在近年獲多輪融資。

對于這一疑問，量旋科技CEO項金根對量子計算跟經典計算機的算力差距，給出了飛機和地面交通工具的比喻。

他表示，當下存算、光芯片、其他一些封裝的改進技術，本質上還是經典計算機的范疇，它運算的原理跟GPU本質上沒有太大改變，更多是在傳統的框架下做的一些改進，使得人工智能的芯片效率更高。

對于現有的AI芯片、存算一體或其他封裝技術對AI算力的提升，項金根表示認可，同時他也認為需要不同維度去看不同解決方案對算力的助力，這里面不一定存在最優解。

“未來，量子計算機肯定能夠助力人工智能。AI需要的算力會越來越多，到 2030 年左右可能不光是算力，連耗電量都是非?？植赖臄祿墶Ｋ砸嬲鉀QAI大規模的算力需求，量子計算機是一個很有潛力的應用方向，而且量子計算機的運算模式跟人工智能有天然的貼合性，量子計算機可以加速AI的一些應用場景，而AI亦可以加速量子計算的研發，優化其操控精度。”

那么，如此具有革命性的量子計算何時能應用到AI領域？項金根認為，到2030年行業發展順利進入容錯量子計算階段，將可能是一個落地的時間點。

相較于項金根給出的10年之約，俞悅認為量子計算相關算法在一些行業特定任務上的嘗試落地，在這個時間點可能會有一些結果，至于解決AI的通用任務上，他則相對保守地給出了“50年”的看法。甚至投了圖靈量子的聯想創投也表示，量子計算從產業化的角度看，仍挑戰諸多，充滿機遇。

聯想創投坦言，量子計算落地需要解決百萬量子比特操縱能力、低環境要求、高集成度等核心問題，具有較高的入局門檻，其產業化仍面臨技術路徑不確定、人才儲備稀缺、產業鏈配套早期以及無法用傳統的邏輯、電路思維進行推導和復刻的四大痛點。

如此看來，這些問題待解之下，量子計算就略微顯得理想豐滿、現實骨感。

此外，俞悅還指出，從邏輯上說，量子計算肯定能解決很多算力問題，但即便如此，還需要結合成本，才能知道量子計算是不是一個從投入產出看的最佳方案。

在俞悅看來，眼下量子計算行業還未發生一些根本性的變化進展，中短期與其寄希望于其他方案來解決大模型所遇到的算力問題，不如指望GPU這些經典計算的硬件價格能下來。

“解決算力的成本肯定會越來越便宜，GPU價格對于大模型玩家來說只是暫時的，終究不會對AI發展構成太大瓶頸。而其他方案的成熟還需要很多配套的軟件生態匹配，相對來說更是一個非常長周期的事情。”

標簽：