算力爆炸！解析AI公司成本结构：计算资源的挑战与优化

AI奇点网6月8日报道 |AI模型的计算成本

生成式AI模型的推理和训练成本取决于模型的大小和类型。大部分流行的模型采用了基于transformer架构的设计，例如GPT-3、GPT-J和BERT等。尽管transformer的具体推理和训练操作数量是特定于每个模型的，但可以通过一个相对准确的经验法则来估算，该法则仅取决于模型的参数数量、输入和输出令牌的数量。

令牌是短序列，通常对应于单词或单词的一部分。通过使用在线令牌生成器，可以很好地了解令牌的概念。以GPT-3为例，平均令牌长度为4个字符。

对于具有p个输入参数和每个长度为n个标记的输出序列的模型，前向传递（推理）大约需要2np浮点运算(FLOPs)¹。同一模型的训练每个标记大约需要6*p FLOPs（即，额外的向后传递需要另外四次操作²）。通过将此乘以训练数据中的标记数量，可以估算出总训练成本。

此外，transformer的内存要求也取决于模型的大小。对于推理，需要p个模型参数来适应内存。而对于训练，需要为每个参数存储额外的中间值。通过使用更短的浮点数，如16位浮点数，可以优化推理和训练的内存需求。

以下是几种流行模型的大小和计算成本示例。以GPT-3为例，它具有约1750亿个参数，对于输入和输出的1024个令牌，计算成本约为350万亿次浮点运算（即Teraflops或TFLOPs）。像GPT-3这样的模型的训练大约需要3.14*10^23次浮点运算。

计算资源挑战与优化

AI基础设施非常昂贵，因为底层算法问题在计算上非常困难。与使用GPT-3生成单个单词相比，对拥有数百万条目的数据库进行排序，其复杂性微不足道。在选择模型时，需要选择能够满足用途的最小模型。

好消息是，对于transformer，可以很容易地估计特定大小的模型将消耗多少计算和内存资源。因此，在选择硬件时，需要仔细考虑。

AI公司面临的计算资源挑战以及计算成本高的原因。AI模型的计算成本取决于模型的大小和类型，而生成式AI模型的推理和训练成本是关键因素。了解这些挑战和优化策略有助于更好地理解AI领域的计算资源问题，并为AI公司的发展提供指导。