国信证券：新一轮人工智能创新周期 ChatGPT对算力需求如何？

智通财经APP获悉，国信证券发布研究报告称，当前处在以ChatGPT为主线的新一轮人工智能创新周期，ChatGPT为人工智能产业注入新活力，有望带动AIGC类应用快速爆发，人工智能技术作为驱动数据经济的技术底层，有望迎来新的发展机遇。数据、算力与算法是人工智能时代的三大基石，三者相互促进带动AI+应用快速落地，ChatGPT为首的自然语言处理类技术及应用，有望迎来全面爆发，建议重点关注人工智能相关赛道。

事件：2022年11月30日人工智能实验室OpenAI发布全新聊天机器人模型ChatGPT，其是一款人工智能技术驱动的自然语言处理工具。自从ChatGPT推出以来，受到市场广泛关注，当前每日用户超过1000万人。

国信证券主要观点如下：

Chatgpt成本主要可以拆分成训练和推理两个阶段。

人工智能主要分为计算机视觉和自然语言处理两大基础方向，当前自然语言处理类任务基于大型语言模型(LLM，LargeLanguageModel)演进出了最主流的两个主要方向，BERT(基于Transformer的双向编码器表示技术)和GPT(基于Transformer生成预训练技术)，Google属于BERT技术方向，微软投资的OpenAI属于GPT技术方向。从计算过程上，人工智能计算主要可以分为模型训练与推理两个阶段，针对大语言模型LLM更是如此，随着参数与数据规模的不断增大，将带动拉动算力需求的快速增长。

“token”是当前语言类模型的数据单位。

当前的自回归语言模型是根据token来作为单位进行数据处理和计算，分词(tokenization)就是将句子、段落、文章这类型的长文本分解为以token为单位的数据结构，把文本分词后每个词表示成向量进行模型计算。例如在英文语境下，“happy”可能被分解为“hap”、“-py”两个token，中文语境下，“我很开心”可以分成“我”，“很”，“开心”三个token。

以英伟达DGXA1OO服务器作为计算资源：

(1)单台服务器售价20万美元;(2)采用云服务单天成本约为460美元。根据英伟达官网数据，英伟达超算GPU系列从旧到新包括P100、V100、A100、H100等，其中，DGXA100系列服务器为2020年发布，是当前主流使用的超算服务器，单机有8个A100系列GPU，AI算力性能为5PetaFLOP/s，单机最大功率6.5kw，售价19.9万美元;如果租用云服务，根据亚马逊数据显示，在亚马逊AWS预定一年的A100系列GPU，有8个A100的AWSP4实例的平均成本约19.22美元，一天的平均成本约为461.28美元。

ChatGPT上一个30字的问题需要消耗计算资源0.12PetaFLOP/S。

最常见的Transformer类语言模型在推理过程中每个token的计算成本(以FLOPs为指标)约为2N，其中N为模型参数数量(20年发布的GPT-3拥有1750亿参数，22年谷歌发布的PaLM拥有5400亿参数，由于并未公布当前GPT3.5的参数数量，当前假定参数数量为3000亿)，假设模型的FLOPS利用率约为20%，粗略估计ChatGPT一个30字(假设约40个token，注：在英文语境下，一般1000个token=750个单词)问题需要的算力资源为2*40*3000亿/20%=0.12PetaFLOP/S。

推理成本：为满足当前用户访问产生的推理成本，自建IDC初始投入约在4亿美元，租用云服务每日成本约28万美元。

根据Similarweb的数据，23年1月份当前ChatGPT日活约1300万人，每人平均1000字左右的问题，因此合计产生约130亿字(173.3亿个token)，假设24小时平均分配任务，需要的A100GPU数量为173.3亿*2*3000亿/(20%*24小时*3600秒)=601.75PetaFLOP/S，由于访问流量存在峰值，假定访问峰值是一天均值的5倍，因此共需要602台DGXA100服务器能够满足当前的访问量。

1)自建IDC：服务器成本约占数据中心成本30%左右，为满足当前日常访问需求，前期一次性成本投入约为602*19.9/30%=3.99亿美元;

2)云服务：假设每天租用亚马逊AWS云服务，每天成本为461.28*602=27.77万美元。

训练成本：训练阶段每个Token的训练成本约为6N(推理成本为2N)，由于每年训练成本都在快速下降，此处引用OneFlow的测算结果，在公有云中训练OPENAI的GPT-3模型需花费训练成本约140万美元，Google的PaLM模型需花费训练成本约1120万美元。

预计在ChatGPT结合Bing搜索功能后，其对算力资源的消耗将成数倍增长。

当前ChatGPT模型可以理解为在一个在庞大训练数据集上训练的LLM，它会将训练期间的知识存储到模型参数中。在推理过程中(使用模型生成输出)，LLM无法访问外部知识，仅依靠模型参数进行计算;如果将ChatGPT与搜索功能结合，如Bing等搜索引擎，其计算过程将通过搜索引擎返回多个查询结果，并通过GPT计算生成多个响应，在返回最高分的响应给用户，其对算力资源的消耗将成数倍增长，增长倍数取决于搜索和响应的个数。

风险提示：模型假设不合理对测算结果造成偏差，ChatGPT商业化落地不及预期。

本文源自：智通财经网