Meta训AI 成本已超阿波罗登月 谷歌豪言投资超千亿美元 赛过OpenAI星际之门

　　近日访谈中，LeCun亲口证实：Meta为购入英伟达GPU已经花费了300亿美元，成本超过阿波罗登月。相比之下，微软和OpenAI打造的星际之门耗资1000亿美元，谷歌DeepMind CEO Hassabis则放出豪言：谷歌投入的，比这个数还多!大科技公司们烧起钱来是越来越不眨眼，毕竟，AGI的前景实在是太诱人了。

　　就在刚刚，Meta AI主管Yann LeCun证实：为了买英伟达GPU，Meta已经花了300亿美元，这个成本，已经超过了阿波罗登月计划!

　　300亿美元虽然惊人，但比起微软和OpenAI计划打造的1000亿美元星际之门，这还是小case了。

　　谷歌DeepMind CEO Hassabis甚至放话称：谷歌要砸进的数，比这个还多。

　　这才哪到哪呢。

　　LeCun：Meta买英伟达GPU，的确超过阿波罗登月

　　为 了发展AI，Meta是破釜沉舟了。

　　在这个访谈中，主持人问道：据说Meta购入了50万块英伟达GPU，按照市价算的话，这个价格是300亿美元。所以，整个成本比阿波罗登月项目话要高，对吗?

　　对此，LeCun表示承认：是的，的确如此。

　　他补充道，「不仅是训练，还包括部署的成本。我们面临的最大问题，就是GPU的供给问题。」

　　有人提出质疑，认为这应该不是真的。作为史上最大的推理组织，他们应该不是把所有的钱都花在了训练上。

　　也有人戳破了这层泡沫，表示每个巨头都在撒谎，以此营造「自己拥有更多GPU」的假象——

　　虽然的确在英伟达硬件上投入大量资金，但其实只有一小部分用于实际训练模型。「我们拥有数百万个GPU」的概念，就是听起来好吹牛罢了。

　　当然，也有人提出质疑：考虑通货膨胀，阿波罗计划的成本应该是接近2000-2500亿美元才对。

　　的确，有人经过测算，考虑阿波罗计划1969年的原始价值、根据通货膨胀进行调整的话，它的总成本应该在2170亿或2410亿美元。

　　而沃顿商学院教授Ethan Mollick表示，虽然远不及阿波罗计划，但以今天的美元计算，Meta在GPU上的花费几乎与曼哈顿计划一样多。

　　不过至少，网友们表示，很高兴对巨头的AI基础设施有了一瞥：电能、土地、可容纳100万个GPU的机架。

　　开源Llama 3大获成功

　　此外，在Llama 3上，Meta也斩获了亮眼的成绩。

　　在Llama 3的开发上，Meta团队主要有四个层面的考量：

　　模型架构

　　架构方面，团队采用的是稠密自回归Transformer，并在模型中加入了分组查询注意力(GQA)机制，以及一个新的分词器。

　　训练数据和计算资源

　　由于训练过程使用了超过15万亿的token，因此团队自己搭建了两个计算集群，分别具有24000块H100 GPU。

　　指令微调

　　实际上，模型的效果主要取决于后训练阶段，而这也是最耗费时间精力的地方。

　　为此，团队扩大了人工标注SFT数据的规模(1000万)，并且采用了诸如拒绝采样、PPO、DPO等技术，来尝试在可用性、人类特征以及预训练中的大规模数据之间找到平衡。

　　如今，从最新出炉的代码评测来看，Meta团队的这一系列探索可以说是大获成功。

　　Symflower首席技术官兼创始人Markus Zimmermann在对GPT-3.5/4、Llama 3、Gemini 1.5 Pro、Command R+等130多款LLM进行了全面评测之后表示：「大语言模型的王座属于Llama 3 70B!」

　　- 在覆盖率上达到100%，在代码质量上达到70%

　　- 性价比最高的推理能力

　　- 模型权重开放

　　不过值得注意的是，GPT-4 Turbo在性能方面是无可争议的赢家——拿下150分满分。

　　可以看到，GPT-4(150分，40美元/百万token)和Claude 3 Opus(142分，90美元/百万token)性能确实很好，但在价格上则要比Llama、Wizard和Haiku高了25到55倍。

　　具体来说，在Java中，Llama 3 70B成功识别出了一个不容易发现的构造函数测试用例，这一发现既出人意料又有效。

　　此外，它还能70%的时间编写出高质量的测试代码。

　　GPT-4 Turbo在生成测试代码时倾向于加入一些明显的注释，但这在高质量的代码编写中通常是需要避免的。

　　测试代码的质量大大受到微调的影响：在性能测试中，WizardLM-2 8x22B比Mixtral 8x22B-Instruct高出30%。

　　在生成可编译代码的能力方面，较小参数的模型如Gemma 7B、Llama 3 8B和WizardLM 2 7B表现不佳，但Mistral 7B却做得很好。

　　团队在评估了138款LLM之后发现，其中有大约80个模型连生成简单测试用例的能力都不可靠。

　　如果得分低于85分，就意味着模型的表现不尽如人意。不过，上图并未完全反映评测中的全部发现和见解，团队预计将在下个版本中进行补充

　　详细评测可进入下面这篇文章查看：

　　评测地址：https://symflower.com/en/company/blog/2024/dev-quality-eval-v0.4.0-is-llama-3-better-than-gpt-4-for-generating-tests/

　　想要赢得人工智能战争，代价昂贵到惨烈

　　如今，各大科技公司都在付出昂贵的代价，争取打赢这场AI战争。

　　让AI变得更智能，科技巨头们需要花费多少资金?

　　谷歌DeepMind老板Demis Hassabis在半个月前的TED大会上做出了预测：在开发AI方面，谷歌预计投入1000多亿美元。

　　作为谷歌人工智能计划最中心、最灵魂的人物，DeepMind实验室的领导者，Hassabis的这番言论，也表达了对OpenAI的毫不示弱。

　　根据The Information报道，微软和OpenAI计划花1000亿美元打造「星际之门」，这台超算预计包含数百万个专用服务器芯片，为GPT-5、GPT-6等更高级的模型提供动力。

　　当Hassabis被问及竞争对手花在超算上的巨额成本时，他轻描淡写地指出：谷歌的花费可能会超出这个数字。

　　我们现在不谈具体的数字，不过我认为，随着时间的推移，我们的投资会超过这个数。

　　如今，生成式AI的热潮已经引发了巨大的投资热。

　　根据Crunchbase的数据，仅AI初创企业，去年就筹集了近500亿美元的资金。

　　而Hassabis的发言表明，AI领域的竞争丝毫没有放缓的意思，还将更加白热化。

　　谷歌、微软、OpenAI，都在为「第一个到达AGI」这一壮举，展开激烈角逐。

　　1000亿美元的疯狂数字

　　在AI技术上要花掉超千亿美元，这1000亿都花会花在哪里呢?

　　首先，开发成本的大头，就是芯片。

　　目前这一块，英伟达还是说一不二的老大。谷歌Gemini和OpenAI的GPT-4 Turbo，很大程度上还是依赖英伟达GPU等第三方芯片。

　　模型的训练成本，也越来越昂贵。

　　斯坦福此前发布的年度AI指数报告就指出：「SOTA模型的训练成本，已经达到前所未有的水平。」

　　报告数据显示，GPT-4使用了「价值约7800万美元的计算量来进行训练」，而2020年训练GPT-3使用的计算量，仅为430万美元。

　　与此同时，谷歌Gemini Ultra的训练成本为1.91亿美元。

　　而AI模型背后的原始技术，在2017年的训练成本仅为900美元。

　　报告还指出：AI模型的训练成本与其计算要求之间存在直接关联。

　　如果目标是AGI的话，成本很可能会直线上升。

　　1.9亿美元：从谷歌到OpenAI，训练AI模型的成本是多少

　　说到这里，就让我们盘一盘，各大科技公司训练AI模型所需的成本，究竟是多少。

　　最近的《人工智能指数报告》，就披露了训练迄今为止最复杂的AI模型所需要的惊人费用。

　　让我们深入研究这些成本的细分，探讨它们的含义。

　　Transformer（谷歌）：930美元

　　Transformer模型是现代AI的开创性架构之一，这种相对适中的成本，凸显了早期AI训练方法的效率。

　　它的成本，可以作为了解该领域在模型复杂性和相关费用方面进展的基准。

　　BERT-Large（谷歌）：3.288美元

　　与前身相比，BERT-Large模型的训练成本大幅增加。

　　BERT以其对上下文表征的双向预训练而闻名，在自然语言理解方面取得了重大进展。然而，这一进展是以更高的财务成本为代价的。

　　RoBERTa Large（Meta）：160美元

　　RoBERTa Large是BERT的一个变体，针对稳健的预训练进行了优化，其训练成本的跃升，反映了随着模型变得越来越复杂，计算需求也在不断提高。

　　这一急剧增长，凸显了与突破人工智能能力界限相关费用在不断上升。

　　LaMDA (谷歌): $1.3M美元

　　LaMDA旨在进行自然语言对话，代表了向更专业的AI应用程序的转变。

　　训练LaMDA所需的大量投资，凸显了对为特定任务量身定制的AI模型需求的不断增长，后者就需要更广泛的微调和数据处理。

　　GPT-3 175B（davinci）（OpenAI）：$4.3M

　　GPT-3以其庞大的规模和令人印象深刻的语言生成能力而闻名，代表了AI发展的一个重要里程碑。

　　训练GPT-3的成本，反映了训练如此规模的模型所需的巨大算力，突出了性能和可负担性之间的权衡。

　　Megatron-Turing NLG 530B (微软/英伟达): $6.4M

　　训练Megatron-TuringNLG的成本，说明了具有数千亿个参数的更大模型的趋势。

　　这种模型突破了AI能力的界限，但带来了惊人的训练成本。它大大提高了门槛，让业领导者和小型参与者之间的差距越拉越大。

　　PaLM（540B）（谷歌）：$12.4M

　　PaLM具有大量的参数，代表了AI规模和复杂性的巅峰之作。

　　训练PaLM的天文数字成本，显示出推动AI研发界限所需的巨大投资，也引发了人们的质疑：这类投资真的是可持续的吗?

　　GPT-4 (OpenAI): $78.3M

　　GPT-4的预计训练成本，也标志着人工智能经济学的范式转变——AI模型的训练费用达到了前所未有的水平。

　　随着模型变得越来越大、越来越复杂，进入的经济壁垒也在不断升级。此时，后者就会限制创新，和人们对AI技术的可得性。

　　Gemini Ultra（谷歌）：$191.4M

　　训练Gemini Ultra的惊人成本，体现了超大规模AI模型带来的挑战。

　　虽然这些模型表现出了突破性的能力，但它们的训练费用已经达到了天文数字。除了资金最充足的大公司之外，其余的企业和组织都被挡在了壁垒之外。

　　芯片竞赛：微软、Meta、谷歌和英伟达争夺AI芯片霸主地位

　　虽然英伟达凭借长远布局在芯片领域先下一城，但无论是AMD这个老对手，还是微软、谷歌、Meta等巨头，也都在奋勇直追，尝试采用自己的设计。

　　5月1日，AMD的MI300人工智能芯片销售额达到10亿美元，成为其有史以来销售最快的产品。

　　与此同时，AMD还在马不停蹄地加大目前供不应求的AI芯片的产量，并且预计在2025年推出新品。

　　4月10日，Meta官宣下一代自研芯片，模型训练速度将获巨大提升。

　　Meta训练和推理加速器(MTIA)专为与Meta的排序和推荐模型配合使用而设计，这些芯片可以帮助提高训练效率，并使实际的推理任务更加容易。

　　同在4月10日，英特尔也透露了自家最新的AI芯片——Gaudi 3 AI的更多细节。

　　英特尔表示，与H100 GPU相比，Gaudi 3可以在推理性能上获得50%提升的同时，在能效上提升40%，并且价格更便宜。

　　3月19日，英伟达发布了「地表最强」AI芯片——Blackwell B200.

　　英伟达表示，全新的B200 GPU可以凭借着2080亿个晶体管，提供高达20 petaflops的FP4算力。

　　不仅如此，将两个这样的GPU与一个Grace CPU结合在一起的GB200.可以为LLM推理任务提供比之前强30倍的性能，同时也可大大提高效率。

　　此外，老黄还曾暗示每个GPU的价格可能在3万到4万美元之间。

　　2月23日，英伟达市值一举突破2万亿美元，成为了首家实现这一里程碑的芯片制造商。

　　同时，这也让英伟达成为了美国第三家市值超过2万亿美元的公司，仅次于苹果(2.83万亿美元)和微软(3.06万亿美元)。

　　2月22日，微软和英特尔达成了一项数十亿美元的定制芯片交易。

　　据推测，英特尔将会为微软生产其自研的AI芯片。

　　2月9日，《华尔街日报》称Sam Altman的AI芯片梦，可能需要高达7万亿美元的投资。

　　「这样一笔投资金额将使目前全球半导体行业的规模相形见绌。去年全球芯片销售额为5270亿美元，预计到2030年将达到每年1万亿美元。」