AI的物質(zhì)基礎(chǔ)是機(jī)器學(xué)習(xí)硬件，例如圖形處理單元（GPU）和張量處理單元（TPU）。

據(jù)不完全統(tǒng)計(jì)，目前全球超過(guò)140款A(yù)I加速器，用于開(kāi)發(fā)和部署深度學(xué)習(xí)時(shí)代的機(jī)器學(xué)習(xí)模型。

Epoch AI帶來(lái)了全球算力的估計(jì)報(bào)告，利用公開(kāi)信息估計(jì)了全球機(jī)器學(xué)習(xí)硬件的現(xiàn)狀和趨勢(shì)。

除了傳統(tǒng)硬件廠商英偉達(dá)、AMD等紛紛推出加速卡，一些新興勢(shì)力開(kāi)始「造芯」，算力持續(xù)提升。

2008至2024年全球機(jī)器學(xué)習(xí)硬件的計(jì)算能力示意圖

除了GPU，硬件類型也豐富了起來(lái)。比如，出現(xiàn)了專門處理張量計(jì)算的TPU（張量處理單元，Tensor Processing Unit）。

報(bào)告的主要結(jié)論，總結(jié)如下：

1. 總量每年增長(zhǎng)43%，價(jià)格下降30%。
2. 低精度計(jì)算成為主流。
3. 頂級(jí)硬件能效每1.9年翻一番。
4. 八年間，訓(xùn)練大型模型所需的處理器數(shù)量增加了20多倍。
5. 全球NVIDIA支持的計(jì)算能力平均每10個(gè)月翻一番。

關(guān)鍵發(fā)現(xiàn)：ML硬件的「摩爾定律」

ML硬件每年增長(zhǎng)43%

以16位浮點(diǎn)運(yùn)算衡量，機(jī)器學(xué)習(xí)硬件的性能以每年43%的速度增長(zhǎng)，每1.9年翻一番。32位性能也存在類似的趨勢(shì)。

優(yōu)化機(jī)器學(xué)習(xí)數(shù)字格式和張量核心提供了額外的改進(jìn)。

驅(qū)動(dòng)因素還包括晶體管數(shù)量的增加和其他半導(dǎo)體制造技術(shù)的進(jìn)步，以及針對(duì)AI工作負(fù)載的專門設(shè)計(jì)。這種改進(jìn)降低了每FLOP的成本，提高了能源效率，并實(shí)現(xiàn)了大規(guī)模人工智能訓(xùn)練。

機(jī)器學(xué)習(xí)硬件在不同精度下的峰值計(jì)算性能

性價(jià)比每年提升30%

每美元性能提升迅速，并且任何給定精度和固定性能水平的硬件每年都會(huì)便宜30%。與此同時(shí)，制造商不斷推出更強(qiáng)大、更昂貴的硬件。

單位時(shí)間單位價(jià)格下的FLOP

低精度格式是趨勢(shì)

在使用針對(duì)人工智能計(jì)算優(yōu)化的張量核心和數(shù)據(jù)格式時(shí)，GPU通常速度更快。

與使用非張量FP32相比，TF32、張量FP16和張量INT8在總體性能趨勢(shì)中平均提供約6倍、10倍和12倍的性能提升。

一些芯片甚至實(shí)現(xiàn)了更大的加速。例如，H100在INT8時(shí)的速度比在FP32時(shí)快59倍。

自推出以來(lái)，這些改進(jìn)約占整體性能趨勢(shì)改進(jìn)的一半。隨著開(kāi)發(fā)人員利用這種性能提升，使用較低精度格式（尤其是張量FP16）訓(xùn)練的模型已經(jīng)變得很常見(jiàn)。

能效每1.9年翻一番

根據(jù)歷史數(shù)據(jù)，頂級(jí)GPU和TPU的能效每1.9年翻一番。

就tensor-FP16格式而言，效率最高的加速器是Meta的MTIA（每瓦高達(dá)2.1x10^12FLOP/s）和NVIDIA H100（每瓦高達(dá)1.4x10^12FLOP/s）。即將推出的Blackwell系列處理器可能會(huì)更有效率，具體取決于其功耗。

模型也各有所愛(ài)

在Epoch的數(shù)據(jù)集中，NVIDIA A100是用于高引用或最先進(jìn)人工智能模型的最常用的硬件，自發(fā)布以來(lái)已用于65個(gè)著名ML模型。

其次是NVIDIA V100，用于訓(xùn)練55個(gè)著名模型，其次是谷歌的TPU v3，用于47個(gè)。

然而，估計(jì)NVIDIA H100到2023年底的銷量已超過(guò)A100，因此它可能在不久的將來(lái)成為訓(xùn)練模型最受歡迎的GPU。

不同加速器訓(xùn)練的知名模型數(shù)量

2019年至今，不同領(lǐng)域大模型訓(xùn)練所需算力比較

訓(xùn)練集群規(guī)模猛增

用于訓(xùn)練大型語(yǔ)言模型（LLMs）的處理器數(shù)量的顯著增長(zhǎng)。

• Google NASv3 RL網(wǎng)絡(luò)(2016):使用了800個(gè)GPU進(jìn)行訓(xùn)練。
• Meta Llama 3.1 405B(2024):使用了16,384個(gè)H100 GPU進(jìn)行訓(xùn)練。

這意味著在短短八年間，訓(xùn)練大型模型所需的處理器數(shù)量增加了20多倍。

四大「算力帝國(guó)」？

谷歌、微軟、Meta和亞馬遜擁有相當(dāng)于數(shù)十萬(wàn)個(gè)NVIDIA H100的AI算力。

這些計(jì)算資源既用于他們內(nèi)部的AI開(kāi)發(fā)，也用于云客戶，包括許多頂級(jí)AI實(shí)驗(yàn)室，如OpenAI和Anthropic。

谷歌可能擁有相當(dāng)于超過(guò)一百萬(wàn)個(gè)H100的計(jì)算能力，主要來(lái)自他們的TPU。

微軟可能擁有最大的NVIDIA加速器庫(kù)存，約為50萬(wàn)個(gè)H100當(dāng)量。

大量的AI計(jì)算能力由這四家公司以外的集團(tuán)共同擁有，包括其他云公司如Oracle和CoreWeave，計(jì)算用戶如特斯拉和xAI，以及各國(guó)政府。

之所以重點(diǎn)介紹谷歌、微軟、Meta和亞馬遜，因?yàn)樗麄兛赡軗碛凶疃嗟挠?jì)算能力，而其他公司的數(shù)據(jù)公開(kāi)較少。

初步工作發(fā)現(xiàn)，截至2024年中，谷歌TPU的總算力大約是英偉達(dá)芯片的30%。

英偉達(dá)每年不止翻一番

自2019年以來(lái)，NVIDIA芯片的總可用計(jì)算能力大約每年增長(zhǎng)2.3倍，從而能夠訓(xùn)練越來(lái)越大的模型。

也就是說(shuō)，全球NVIDIA組成的計(jì)算能力平均每10個(gè)月翻一番。

Hopper這一代NVIDIA AI芯片目前占其所有AI硬件總計(jì)算能力的77%。按照這種增長(zhǎng)速度，舊的芯片型號(hào)在其推出后大約4年左右，對(duì)累計(jì)計(jì)算量的貢獻(xiàn)往往會(huì)低于一半。

請(qǐng)注意，此分析不包括TPU或其他專用AI加速器，因?yàn)檫@方面的數(shù)據(jù)較少。TPU可能提供與NVIDIA芯片相當(dāng)?shù)目傆?jì)算能力。

按芯片型號(hào)分解，發(fā)現(xiàn)目前大約77%的NVIDIA FLOP/s來(lái)自Hopper代際的GPU，如H100。

目前估計(jì)NVIDIA GPU可提供4e21 FLOP/s的計(jì)算能力，約相當(dāng)于400萬(wàn)個(gè)H100。

注意：這些估計(jì)基于NVIDIA的收入申報(bào)文件，并假設(shè)不同時(shí)代芯片的分布隨時(shí)間變化的模式與AI集群數(shù)據(jù)集中的模式相同。

英偉達(dá)23-24年季度財(cái)報(bào)

此外，報(bào)告發(fā)現(xiàn)自2019年以來(lái)，計(jì)算能力的累計(jì)總和（考慮折舊）每年增長(zhǎng)2.3 倍。

但僅考慮數(shù)據(jù)中心銷售額，而忽略NVIDIA收入報(bào)告中「游戲」（Gaming）銷售額帶來(lái)的計(jì)算能力。

公開(kāi)數(shù)據(jù)集

Epoch同時(shí)公布了機(jī)器學(xué)習(xí)硬件數(shù)據(jù)集和數(shù)據(jù)分析源代碼。

https://epoch.ai/data/machine-learning-hardware-documentation#overview

詳細(xì)數(shù)據(jù)分析流程，參見(jiàn)下列NoteBook。

https://colab.research.google.com/drive/1gbbrKDKFjghUPmH-aSI9ACtb1Iuwg-cR?usp=sharing