導讀：沒有足夠的高性能GPU數量，或者性能欠佳，都將造成AI推理和模型訓練的準確度不足，即使有類似的對話機器人， 它的“智商”也會遠低于ChatGPT

國內云廠商高性能GPU芯片的短缺，正在成為限制生成式AI在中國誕生的最直接因素。

2022年12月，微軟投資的AI創業公司OpenAI推出了聊天機器人ChatGPT。這是生成式人工智能在文本領域的實際應用。所謂生成式AI，是指依靠AI大模型和AI算力訓練來生成內容。ChatGPT的本質是OpenAI自主研發的GPT-3.5語言大模型。大型模型包含近 1800 億個參數。

微軟的 Azure 云服務為 ChatGPT 構建了超過 10，000 個 Nvidia A100 GPU 芯片的 AI 計算集群。

美國市場研究公司TrendForce在3月1日的一份報告中計算得出，要處理1800億參數的GPT-3.5大型模型，需要的GPU芯片數量高達2萬顆。未來GPT大模型商業化所需的GPU芯片數量甚至會超過3萬顆。此前在 2022 年 11 月，英偉達在其官網的公告中提到，數萬顆 A100/H100 高性能芯片部署在微軟 Azure 上。這是第一個使用 NVIDIA 高端 GPU 構建的大規模 AI 計算集群。

鑒于英偉達在高性能GPU方面的技術領先地位，國內云計算專業人士普遍認為，10000顆英偉達A100芯片是一個好的AI模型的算力門檻。

目前國內云廠商擁有的GPU主要是英偉達的中低端性能產品（如英偉達A10）。擁有超過 10，000 個 GPU 的公司不超過 5 家，而擁有 10，000 個 Nvidia A100 芯片的公司最多只有一家。也就是說，單從算力來看，短期內能夠部署ChatGPT的國內玩家非常有限。

聊天GPT看似只是一個聊天機器人，但這卻是微軟AI算力、AI大模型和生成AI在云計算的實力展示。在企業市場，這是云計算新一輪的增長點。Microsoft Azure ML（深度學習服務）擁有 200 多家客戶，其中包括制藥公司拜耳和審計公司畢馬威。Azure ML 連續四個季度收入增長超過 100%。這是微軟云三大業務中增長最快的板塊，即云、軟件、AI。

今年2月，包括阿里巴巴和百度在內的中國企業宣布將開發類似ChatGPT的產品，或將投資研發生成式人工智能。在國內，AI算力、AI大模型、生成式AI被認為只有云廠商才有資格。華為、阿里、騰訊、字節跳動、百度都有云業務，理論上都有跑通AI算力、AI大模型、生成AI應用的能力。

但是有能力不代表可以跑到終點線。這需要長期的高成本投資。GPU芯片的價格是公開的，算力成本也很容易衡量。大型模型需要數據收集、手動標記和模型訓練。這些軟成本很難簡單計算。生成式人工智能的投資規模通常高達數百億。

多位云計算廠商和服務器廠商的技術人員表示，高性能GPU芯片短缺，硬件采購成本和運營成本高，國內市場短期商用困難。這三個問題才是真正的挑戰。在他們看來，有資本儲備、戰略意愿和實踐能力的公司不會超過3家。

GPU芯片數量決定了“智商”

決定AI大模型“智商”的核心因素有三個，計算能力的規模、算法模型的復雜程度、數據的質量和數量。

AI大模型的推理和訓練高度依賴英偉達的GPU芯片。缺少芯片會導致算力不足。計算能力不足意味著無法處理龐大的模型和數據量。最終的結果是AI應用存在智商差距。

3月5日，十四屆全國人大一次會議開幕式后，科技部部長王志剛在全國兩會“部長通道”在接受媒體采訪時表示，ChatGPT作為大模型，將大數據、大算力、強算法有效結合。其計算方法有所改進，特別是在保證算法的實時性和算法質量的有效性方面。“就像發動機一樣，每個人都可以造發動機，只是質量不一樣。踢球就是運球和射門，但要做到像梅西那么好并不容易。”

Nvidia是全球知名的半導體廠商，占據了數據中心GPU市場90%以上的份額。英偉達A100芯片在2020年推出，致力于自動駕駛、高端制造、醫療醫藥行業等AI推理或訓練場景。2022年，英偉達推出了性能更強的新一代產品——H100。A100/H100是目前最強大的數據中心專用GPU，市場上幾乎沒有可擴展的替代品。包括特斯拉、Facebook在內的企業已經使用A100芯片搭建AI計算集群，采購規模超過7000顆。

多位云計算技術人員告訴記者，運行ChatGPT至少需要1萬顆英偉達A100芯片。但是，擁有超過10，000顆GPU芯片的公司不超過5家。其中，最多只有一家公司擁有 10，000 個 Nvidia A100 GPU。

另一位大型服務器廠商人士表示，即使樂觀估計，GPU儲備最大的公司也不超過5萬片，并以來自英偉達的中低端數據中心芯片（如英偉達A10） ） 為主。這些GPU芯片分散在不同的數據中心，一個數據中心通常只配備數千顆GPU芯片。

此外，由于去年8月美國政府開始實施貿易限制，中國企業長期無法獲得NVIDIA A100芯片。現有A100芯片儲備全部為存貨，剩余使用壽命約4-6年。

2022年8月31日，英偉達和AMD兩家半導體公司生產的GPU產品被美國納入限制范圍。Nvidia 的受限產品包括 A100 和 H100，AMD受監管的 GPU 產品包括 MI250。根據美國政府的要求，未來峰值性能等于或超過A100的GPU產品也被限制銷售。

中國企業目前可以獲得的最佳替代品是英偉達的A800芯片。A800被認為是A100的“閹割版”。2022年8月，在A100被禁止在中國市場銷售后，英偉達在當年第三季度推出了專供中國市場使用的A800芯片。這款產品的計算性能與A100基本持平，但數據傳輸速度降低了30%。這會直接影響AI集群的訓練速度和效果。

不過目前A800芯片在中國市場嚴重缺貨。雖然是A100的“閹割版”，但A800在京東官網的售價卻超過了8萬元/件，甚至超過了A100的官方售價（1萬美元/件）。即便如此，A800在京東官網依然處于斷貨狀態。

一位云廠商人士告訴記者，A800的實際售價甚至高于10萬元/片，而且價格還在上漲。A800目前在浪潮、新華三等國內服務器廠商手中屬于稀缺產品，一次只能采購數百枚。

GPU 數量或性能不足直接導致 AI 推理和模型訓練的準確性不足。其結致使中國企業做出類似的對話機器人，機器人的“智商”也會遠低于ChatGPT。國內云廠商高性能GPU芯片的短缺，正成為限制中國版ChatGPT誕生的最直接因素。

成本高企

AI算力和大模型是比云還燒錢的吞金猛獸。

即使有足夠的高性能GPU，中國云廠商也將面臨高昂的硬件采購成本、模型訓練成本和日常運營成本。面對以上成本，有資本儲備、戰略選擇和實際能力的企業不超過3家。

OpenAI 可以做 ChatGPT，背后微軟提供資金和算力。2019 年，微軟向 OpenAI 投資了 10 億美元。2021年，微軟又進行一輪新投資，金額不詳。今年 1 月，微軟宣布未來幾年將向 OpenAI 投資 100 億美元。

對于云廠商來說，AI算力和大模型需要面臨高昂的硬件采購成本、模型訓練成本和日常運營成本。

一是硬件采購成本和智能計算集群建設成本。如果以10000顆英偉達A800 GPU為標配打造智能算力集群，以10萬元/顆的價格計算，光是GPU的采購成本就高達10億元。一臺服務器通常需要4-8顆GPU，一臺搭載A800的服務器成本超過40萬元。國產服務器均價在4萬-5萬元。GPU服務器的成本是普通服務器的10倍以上。服務器采購成本通常占數據中心建設成本的30%，一個智能計算集群的建設成本超過30億元。

第二，模型訓練的成本。如果算法模型要足夠準確，則需要進行多輪算法模型訓練。一家外資云廠商的資深技術人員告訴記者，ChatGPT一個完整的模型訓練成本超過1200萬美元（約合人民幣8000萬元）。如果進行10次完整的模型訓練，成本將高達8億元。GPU芯片的價格是公開的，算力成本相對容易衡量。但是，大型AI模型還需要進行數據采集、人工標注、模型訓練等一系列工作。這些軟成本很難簡單計算。具有不同效果的模型具有不同的最終成本。

第三，日常運營成本。數據中心的模型訓練會消耗網絡帶寬和電力資源。此外，模型訓練還需要算法工程師負責調優。上述成本也以數十億美元計算。

也就是說，進入AI算力和AI規模化賽道，前期的硬件采購和集群建設成本高達數十億元。后期的模型訓練、日常運營、產品研發等成本也高達數十億元。某管理咨詢公司的技術戰略合作伙伴告訴記者，生成人工智能的投資規模高達百億。

微軟大規模采購GPU構建智能計算集群，在業務邏輯上是可行的。2022年，微軟在云計算基礎設施上的支出超過250億美元。當年微軟的營業利潤達到828億美元，而微軟的云營業利潤超過400億美元。微軟的云盈利超過支出，在AI算力和大規模模型業務上的大規模投入與微軟的財務狀況相匹配。

微軟AI計算有產品、有客戶、有收入，形成新的增長點。微軟客戶通常會在云上租用數千個高性能 GPU 進行語言模型學習，以此使用他們自己的生成 AI。

微軟擁有 Azure ML 和 OpenAI。Azure ML 有 200 多家客戶，包括制藥公司拜耳和審計公司畢馬威。Azure ML 連續四個季度收入增長超過 100%。微軟云甚至形成了“云-企業軟件-AI計算”三個旋轉的增長曲線。其中，公有云Azure營收增速約為30%-40%，軟件業務營收增速約為50%-60%，AI算力營收增速超過100%。

中國企業對云基礎設施的資本支出有限，投資智能計算集群和AI大模型需要分流有限的預算支出。更大的挑戰不僅是中短期內無法盈利，還會虧損更多。

科技公司的資本支出通常用于購買服務器、建設數據中心、購買園區用地等固定資產。以亞馬遜為例，2022年的資本支出為580億美元，其中超過50%用于投資云基礎設施。阿里、騰訊、百度最近一個財年的資本支出情況，發現3家公司的數據分別為533億元、622億元、112億元。

三家公司均未披露投資云基礎設施的資本支出。假設這3家公司和亞馬遜一樣，50%的資本支出用于投資云基礎設施，數據分別為266億元、311億元、56億元。資本支出充裕的公司投資數十億美元能負擔得起，但對于資本支出不足的企業來說是一種負擔。

國內已經宣布建設智能計算集群的企業有阿里云、華為、百度等，但智能計算集群的GPU芯片數量未知。2022年，各大云廠商都把增加毛利、減少虧損作為戰略重點。現階段購買高性能GPU和構建智能計算集群需要巨大的投資。不僅會加重損失，還需要依靠群體輸血。這考驗企業管理層的戰略意志。

大模型高昂，先做小模型

華為、阿里、騰訊、字節跳動、百度都有云服務，理論上有中國版ChatGPT的實力。

云計算業內人士指出，幾家有能力的公司也會有實際的戰略考慮。比如騰訊、百度、字節跳動有云，數據量也很大，但云業務虧損，長期資金儲備和戰略意志存疑。華為依靠自研升騰芯片建立了大模型技術，但受“斷供”影響，無法獲得英偉達的GPU芯片，作為硬件廠商，缺乏互聯網公司的數據積累。

由于以上限制，目前能夠實現AI大模型商業化的公司寥寥無幾。到最后，同時具備資本儲備、戰略意志和實踐能力的企業將屈指可數。

目前，沒有一家中國云廠商像微軟那樣擁有數萬顆A100/H100芯片。目前中國云廠商的高性能GPU算力不足。更務實的觀點是，即使中國云廠商真的獲得了10000顆NVIDIA高性能GPU，也不應該簡單地投入中國版ChatGPT這一熱門應用場景。

在算力資源緊缺的情況下，可以優先投資行業市場，為企業客戶提供服務。一位管理咨詢公司的技術戰略合作伙伴認為，ChatGPT只是一個對話機器人，商業應用場景的展示暫時有限。用戶規模越大，成本越高，損失越大。如何在細分領域將AI算力和大模型商業化，是獲得正現金流的關鍵。

中國市場AI算力規模化商業模式仍處于起步階段。目前，國內已有少量自動駕駛、金融等領域客戶開始使用AI算力。例如，小鵬汽車目前使用阿里云的智能計算中心進行自動駕駛模型訓練。

一位數據中心產品經理認為，國內銀行金融客戶在反欺詐中大量使用模型訓練技術，通常只需要租用數百個性能較低的GPU訓練模型即可。也是AI計算和模型訓練，是一種成本更低的方案。事實上，通用的大規模模型并不能解決特定行業的問題，金融、汽車、消費等各個領域都需要行業模型。

中國沒有足夠的高性能 GPU 來進行大規模 AI 模型訓練，所以可以先在細分領域做小模型。人工智能技術的飛速發展已經超出了人們的認知。對于中國企業來說，根本之道還是要堅持持續布局從而達成戰略性發力。

審核編輯 ：李倩