AI的物質(zhì)基礎(chǔ)是機器學(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，目前全球超過140款A(yù)I加速器，用于開發(fā)和部署深度學(xué)習(xí)時代的機器學(xué)習(xí)模型。

Epoch AI帶來了全球算力的估計報告，利用公開信息估計了全球機器學(xué)習(xí)硬件的現(xiàn)狀和趨勢。

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

2008至2024年全球機器學(xué)習(xí)硬件的計算能力示意圖

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

報告的主要結(jié)論，總結(jié)如下：

1. 總量每年增長43%，價格下降30%。
2. 低精度計算成為主流。
3. 頂級硬件能效每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支持的計算能力平均每10個月翻一番。

關(guān)鍵發(fā)現(xiàn)：ML硬件的「摩爾定律」

ML硬件每年增長43%

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

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

驅(qū)動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)的進步，以及針對AI工作負(fù)載的專門設(shè)計。這種改進降低了每FLOP的成本，提高了能源效率，并實現(xiàn)了大規(guī)模人工智能訓(xùn)練。

機器學(xué)習(xí)硬件在不同精度下的峰值計算性能

性價比每年提升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便宜30%。與此同時，制造商不斷推出更強大、更昂貴的硬件。

單位時間單位價格下的FLOP

低精度格式是趨勢

在使用針對人工智能計算優(yōu)化的張量核心和數(shù)據(jù)格式時，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。

一些芯片甚至實現(xiàn)了更大的加速。例如，H100在INT8時的速度比在FP32時快59倍。

自推出以來，這些改進約占整體性能趨勢改進的一半。隨著開發(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。

能效每1.9年翻一番

根據(jù)歷史數(shù)據(jù)，頂級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2.1x10^12FLOP/s）和NVIDIA H100（每瓦高達1.4x10^12FLOP/s）。即將推出的Blackwell系列處理器可能會更有效率，具體取決于其功耗。

模型也各有所愛

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

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

然而，估計NVIDIA H100到2023年底的銷量已超過A100，因此它可能在不久的將來成為訓(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)練大型語言模型（LLMs）的處理器數(shù)量的顯著增長。

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

谷歌、微軟、Meta和亞馬遜擁有相當(dāng)于數(shù)十萬個NVIDIA H100的AI算力。

這些計算資源既用于他們內(nèi)部的AI開發(fā)，也用于云客戶，包括許多頂級AI實驗室，如OpenAI和Anthropic。

谷歌可能擁有相當(dāng)于超過一百萬個H100的計算能力，主要來自他們的TPU。

微軟可能擁有最大的NVIDIA加速器庫存，約為50萬個H100當(dāng)量。

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

之所以重點介紹谷歌、微軟、Meta和亞馬遜，因為他們可能擁有最多的計算能力，而其他公司的數(shù)據(jù)公開較少。

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芯片的30%。

英偉達每年不止翻一番

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

也就是說，全球NVIDIA組成的計算能力平均每10個月翻一番。

Hopper這一代NVIDIA AI芯片目前占其所有AI硬件總計算能力的77%。按照這種增長速度，舊的芯片型號在其推出后大約4年左右，對累計計算量的貢獻往往會低于一半。

請注意，此分析不包括TPU或其他專用AI加速器，因為這方面的數(shù)據(jù)較少。TPU可能提供與NVIDIA芯片相當(dāng)?shù)目傆嬎隳芰Α?/span>

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

目前估計NVIDIA GPU可提供4e21 FLOP/s的計算能力，約相當(dāng)于400萬個H100。

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

英偉達23-24年季度財報

此外，報告發(fā)現(xiàn)自2019年以來，計算能力的累計總和（考慮折舊）每年增長2.3 倍。

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

公開數(shù)據(jù)集

Epoch同時公布了機器學(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

詳細數(shù)據(jù)分析流程，參見下列NoteBook。

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