ChatGPT爆火之后，算力问题也被推到了风口浪尖。
根据OpenAI CEO的说法，每调用一次ChatGPT就会消耗几美分。那么如果全球每人都搜索一下，为什么OpenAI不会破产?
全国的A100显卡就那么几万卡，如果大家都去炼大模型，算力不够用怎么办?……
CCF CTO Club发起的最新一期CCF C³活动就来到并行科技，话题聚焦于“算力网络赋能人工智能”，以ChatGPT这一热门话题为引子，展开了一场多维度的主题分享和讨论。
据统计，线上约有9500人围观了此次活动。
所以，具体都讲了些什么?
训练千亿大模型，至少面临三大挑战
活动最先开始的主题分享环节，北京大学人工智能研究院助理教授(博导)杨耀东讲了一个非常有趣的东西，即微软最新公布的一个研究项目。
该项目直接将ChatGPT的输出接到一个机械臂以及一个微机上。然后通过人与ChatGPT交互，来控制机械臂完成特定任务，比如用一堆方块拼成一个微软的logo。
杨耀东告诉大家，这项研究非常有意义。
如下图所示，以往我们要完成类似任务，需要人去编程。
现在有了ChatGPT之后，我们要做的就不再是设计程序，而是设计一个prompt或者是一个instruct，让ChatGPT通过这个prompt或instruct去编程，进而完成对机械臂的控制。
ChatGPT还有这种妙处?着实让人感到惊喜。
那么问题来了：
这么一个好东西，为什么没有先在中国诞生?是我们完全没有关注这件事情吗?
北京智谱华章科技有限公司的CEO张鹏，在ChatGPT爆火后经常被问到这个问题。
对此，他想说，并非没有关注，国内如华为、达摩院、清华大学等机构一直在做类似的事情。
比如清华大学知识工程实验室(KEG)与智谱AI共同研发的大规模中英文预训练语言模型GLM-130B。
它可与GPT-3基座模型对标，在同等运算速度与精度的要求下，GLM-130B对显存资源的消耗可节省75%，自2022年8月发布以来，已收到41个国家266个研究机构的使用需求。
在Stanford报告的世界主流大模型评测中，它更是中国唯一入选的模型，其准确性、恶意性与GPT-3持平，鲁棒性和校准误差在所有模型中表现最佳。
但，不得不承认，ChatGPT的实力确实非常强大。
而我们要想训练类似一个千亿大模型，至少要面临三大挑战：
一、高昂的训练成本。比如ChatGPT的算力需求就是“A100x1000块x30天”。
二、人力投入极大。比如谷歌PaLM 530B团队，前期准备29人，训练过程11人，整个作者列表68人，而目前国内可用做大模型的高精尖人才不超过百人。
三、训练过程不稳定，且调试困难，容易出现训练不收敛现象。
张鹏指出，在这些问题之中，算力绝对是非常重要的因素。
他曾经估算过，从GPT3开始到ChatGPT的诞生，中间用来训练模型用的算力，达到了亿美金以上的规模。
更别说这还只是对“成功部分”的估计，如果算上训练失败和试错的成本，这个数字肯定又要翻几番。
因此，我们要想搞千亿大模型，算力问题一定不可忽视。
算力网络实现算力全国共享
根据IDC发布的报告，中国AI算力规模增长飞速，2022年为268EFLOPS，到2026年则可达1271.4EFLOPS。
但在并行科技董事长陈健看来，ChatGPT爆火之后，这个增长速度根本不够：大家要么仍然缺算力，要么缺合适的算力。
因此，他提出了“可用、好用以及降本”这三个概念。
他介绍道，并行科技从超算起家，一直专注于算力行业，目前公司在做的全国一体化算力网络，就是要将国内优质的超算、智算与通用算力全部聚合起来，形成一个算力资源、应用资源、数据资源可以共享和交易的算力网络。
这个网络可以确保当我们需要用算力的时候，只要中国还有可用的空闲算力，我们就能用到。
当然，它的价格一定要合理。
据悉，并行科技目前与广州超算、北京超算、济南超算、中科院超算、浙江超算、宁夏超算等国产算力资源在内的大批优质算力资源结合，共计接入超80000台服务器，总计算力超1000PFlops，存储资源超800PB。
算法优化也是一条途径
在主题讨论环节，大家一齐分享了自己对如何解决算力需求这个问题的看法。
在智谱AI CEO张鹏看来，算力是由市场驱动的，只要符合市场需求，创造出真正的社会价值，就有办法解决。
而且，这个办法一定是多元化的。
比如在硬件层面，我们可以打造更先进的芯片;在宏观资源调度方面，如并行科技陈健所说，算力网络是一个好思路。
而最终，可能将形成宏观层有算力网络，硬件层有强大芯片，中间层有软件做算法优化与加速这种“多向奔赴”的方式。
此外，他也认为，特异化也可能会成为解决AI算力的一种趋势。因为就拿芯片来说，通用芯片的成本一定会比专用的高。
对此，中科院计算机网络信息中心AI技术与应用发展部负责人王彦棡补充道，在人工智能领域，软件的确是需要大家关注的重点，它是构成行业生态的关键，容易出现“卡脖子”问题，做好未雨绸缪，才能应对不断变化的发展时局。
陈健则在这个环节分享了当天刷到的一条朋友圈：
已经摸到一定高度的情况下，再去比参数谁多是不明智的。要比谁用更少的参数，更少的算力，也能达到同样的效果，包括性能和体验。
这条朋友圈来自某位行业专家。
陈健对此颇为赞同，他表示：我们做优化的都知道，最好的优化不是在硬件上去调整性能，而是用一个更好的算法，让总计算量降下去，从而提高更好的体验。
因此，陈健认为，这也是解决算力问题一个非常非常好的路径，如果这一点上能突破，可能对算力公司来说不是好消息，但是对于我们整个社会来说是非常巨大的进步。
接下来，大家还就本期的主题算力网络进行了更深一步的讨论。
并行科技AI云事业部总经理赵鸿冰表示，算力网络接下来的发展重点是算力接入标准化。有了标准，更多算力资源才能被有效的接入到算力网络中，满足需求端的灵活使用。
历史上，电力网络的构建曾为人类带来福祉。现在我们也可以畅想一下，未来是否可以基于算力网络来实现大模型训练。
当然，这需要我们在算力网络分布式计算技术等相关领域做进一步研究。
现场提问
本场活动的最后环节，是留给线上线下观众的现场提问，不少人将目光聚集到了ChatGPT本身。
有人关心ChatGPT是否需要做算法方面的创新。
对此，杨耀东表示，对它来说，可能不需要。
他引用了ChatGPT项目负责人的一句话：
人们通常会低估一个简单的想法实现好后对效能的增长;而过于高估一个全新想法能带来的效能增长。
因此他认为，即便ChatGPT看似简单，如果能在工程化方面做到极致，也会有非常好的应用效果。
前些日子，有研究发现ChatGPT背后的大模型具有9岁儿童心智。
现在，也有人将类似问题抛给了现场嘉宾：
基于ChatGPT目前在应用中的表现，是否可以判定它已经产生了智能?
对于这个问题，杨耀东也发表了看法。他认为从某种角度上来看，我们可以说ChatGPT已经产生了“智能”。就比如面对鸡兔同笼问题，换个数它依然能解，不会出现突然到某个层级不能泛化的问题。
但是它底层的模型，说到底就是一些Encode和Decoder，基于Attentio架构的东西。它为什么能涌现出这么复杂的pattern?
这还是数据带来的归纳偏置非常多以后，涌现出来一定意义上的智能所带来的。
但是这个智能是不是我们科学意义上定义的智能，或者我们怎么去定义智能——这个问题本身还很难说清楚。
