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。
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。
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：
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。
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。
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）：16 万美元
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)： 130 万美元
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）：430 万美元
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。
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。
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。」
参考资料：
https://twitter.com/tsarnick/status/1786189377804369942
https://www.youtube.com/watch?v=6RUR6an5hOY
https://twitter.com/zimmskal/status/1786012661815124024
https://symflower.com/en/company/blog/2024/dev-quality-eval-v0.4.0-is-llama-3-better-than-gpt-4-for-generating-tests/
https://techovedas.com/190-million-what-is-the-cost-of-training-ai-models-from-google-to-openai/
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。