中國儲能網(wǎng)訊：英偉達(dá)芯片“倒?fàn)敗眰?，開始不發(fā)朋友圈了。
2023年大模型火熱的時候，“倒?fàn)敗眰兣笥讶Φ漠嬶L(fēng)是“欲購從速、30%定金，有實力的老板來！”到了2024年就變成了“現(xiàn)貨現(xiàn)款、物美價優(yōu)。”甚至有一批人已經(jīng)黯然退場。
以H100整機價格為例，官方售價為30萬美元左右，水貨一度高達(dá)300多萬人民幣，超過50%的利潤空間，讓不少人趨之若鶩，但是現(xiàn)在價格已經(jīng)回落到230萬人民幣左右，再倒賣也就沒什么利潤空間。
其中既有英偉達(dá)芯片更新?lián)Q代的原因，基于Blackwell架構(gòu)的GB200等新品單位算力成本更低；也有算力行業(yè)從過熱到回歸理性的必然，有了GPU并不意味能轉(zhuǎn)換成大模型算力，大家對這一現(xiàn)實的理解，是用真金白銀砸出來的。
大模型之大，動輒需要64/128/256臺服務(wù)器（一臺服務(wù)器8張GPU卡）組成的算力集群來訓(xùn)練。對于志在基礎(chǔ)大模型的廠商來說，萬卡集群成了入門門檻，不僅海外OpenAI、馬斯克的xAI等都在規(guī)劃十萬卡集群，國內(nèi)也同樣走在競逐十萬卡集群的路上。
來自需求端的壓力，也正在重新校正AI算力產(chǎn)業(yè)，首當(dāng)其沖的便是智算中心。作為計算、存儲、網(wǎng)絡(luò)的集合體，智算中心直接反映大模型算力的行業(yè)現(xiàn)狀，而來自一線的聲音趨于一致：智算中心太“多”，大模型不夠用了。
缺算力是真的，空置也是真的
智算中心并不是絕對意義上的“多”，無論從各種視角看，真正適配大模型訓(xùn)練的算力在未來一段時間仍有很大的缺口，大規(guī)模智算中心的建設(shè)不會停止。
以O(shè)penAI為代表，ChatGPT發(fā)布兩年來，大模型產(chǎn)業(yè)發(fā)展的腳步似乎變慢了，不排除這是大模型新一輪爆發(fā)前的蟄伏，在“Scaling Law”（規(guī)模法則）信仰之下，xAI、Meta、OpenAI等巨頭都在積極布局十萬卡乃至更大規(guī)模的智算集群。
例如7月份，馬斯克宣布位于美國田納西州孟菲斯市的超級集群開始投入訓(xùn)練，該集群配備了10萬個英偉達(dá) H100 GPU，被稱為 “世界上最強大的 AI 訓(xùn)練集群”。兩個月后，馬斯克宣布該集群名為 “Colossus（巨人）”，將在未來幾個月內(nèi)再增加 10 萬顆 GPU，其中 5 萬顆將是更為先進的英偉達(dá) H200，Grok 3訓(xùn)練預(yù)計在三到四個月內(nèi)于該集群完成，目標(biāo)是12月發(fā)布。
再看OpenAI，甚至因為算力交付和“鐵桿盟友”微軟產(chǎn)生了分歧。此前微軟與 OpenAI 合作共建一個代號為 “星際之門” 的巨型數(shù)據(jù)中心項目，項目預(yù)計成本超過 1150 億美元，旨在建設(shè)一個配備數(shù)百萬塊 GPU 的超級計算機。據(jù)報道，微軟計劃到2025年底向 OpenAI 提供約 30 萬個英偉達(dá)最新的 GB200。
但是奧爾特曼似乎對微軟的速度還不滿意，在完成66億美元的最新一筆融資后，OpenAI又與甲骨文達(dá)成合作，將在德克薩斯州的一個新數(shù)據(jù)中心租用服務(wù)器，該數(shù)據(jù)中心未來可容納數(shù)十萬個英偉達(dá)GPU。
超大規(guī)模數(shù)據(jù)中心解決方案運營商秦淮數(shù)據(jù)對鈦媒體APP表示，公司堅定看多智算，預(yù)計2027年開始智算需求進一步爆發(fā)，到2030年100%的推理需求都需要由超大規(guī)模數(shù)據(jù)中心來完成。
賽迪顧問人工智能與大數(shù)據(jù)研究中心高級分析師白潤軒此前表示， 截至2024年上半年，國內(nèi)已經(jīng)建設(shè)和正在建設(shè)的智算中心超過250個，2024年上半年智算中心招投標(biāo)相關(guān)事件791起，同比增長高達(dá)407.1%。
“這表明智算中心的建設(shè)在全國范圍內(nèi)得到了廣泛的關(guān)注和支持。從2023年開始，各地政府加大了對智算中心的投資力度，推動了基礎(chǔ)設(shè)施的發(fā)展?！卑诐欆幷f。
百度智能云AI計算部負(fù)責(zé)人王雁鵬則表示，從需求側(cè)來看，十萬卡是今年大模型競爭的規(guī)模門檻，從技術(shù)角度來看，大模型算力基本估算為模型的大小乘以所需要的數(shù)據(jù)量，“GPT4是萬億參數(shù)，大概用了2-3萬張H卡集群訓(xùn)出來GPT4，按照Scaling Law推算，GPT5的集群卡數(shù)大概在十萬量級，可能是5-10萬之間，參數(shù)級別會提升大概3-5倍?！?
然而，與萬卡算力集群火熱相對應(yīng)的，是大模型市場的“冷清”。
據(jù)經(jīng)濟觀察報統(tǒng)計，截至2024年10月9日，網(wǎng)信辦共通過188項生成式人工智能備案，也就是有188個大模型可以上線提供生成式人工智能服務(wù)。但超過三成的大模型在通過備案后未進一步公開其進展情況；僅有約一成的大模型仍在加速訓(xùn)練模型；接近一半的大模型則轉(zhuǎn)向了AI應(yīng)用的開發(fā)。
這些跡象可以理解為：大模型預(yù)訓(xùn)練需求越來越集中了。
與此同時，國內(nèi)市場相較于海外市場更復(fù)雜。相似之處是算力需求持續(xù)增長，不同之處是算力封鎖、生態(tài)不全，加之前期部分炒貨囤卡的行為，這就導(dǎo)致了一種詭異的狀態(tài)——算力既緊缺又空置。因為，“把GPU卡塞進機房”和“構(gòu)建用于大模型訓(xùn)練所需的算力集群”，是兩個完全不同的概念。
但是，對于智算中心的空置率或者浪費程度，并沒有一個統(tǒng)一的答案。從鈦媒體APP獲得的一份資料可以有個大概感知：上半年國內(nèi)已上線智算中心17億卡時，使用5.6億卡時，利用率32%；另有數(shù)據(jù)顯示，目前算力基礎(chǔ)設(shè)施行業(yè)的平均上架率不足 60%。
算力空置引起各方關(guān)注
“各地前期已經(jīng)建設(shè)了一批智算中心，不管是國產(chǎn)卡還是英偉達(dá)的卡，這些集群都不同程度上存在閑置問題，政府已經(jīng)注意到了這些問題，智算中心的運營主體也也不少出現(xiàn)虧損，在算力挑戰(zhàn)短時間內(nèi)很難解決的情況下，投資節(jié)奏上還是要有所把控?！币晃唤咏男袠I(yè)側(cè)人士對鈦媒體App提到。
國家層面先后推出了十余項政策推進智算中心建設(shè)，例如“東數(shù)西算”“數(shù)字中國建設(shè)整體布局規(guī)劃”等，但上述人士告訴鈦媒體App，最近發(fā)改委已經(jīng)基本明確，如果還要進一步新建智算中心，而且是采購國外卡，能耗指標(biāo)均不予批復(fù)。如果采購國產(chǎn)卡，考慮支持國產(chǎn)創(chuàng)新，并且在東數(shù)西算的八大節(jié)點上，還可以安排能耗指標(biāo)。
據(jù)了解，目前智算中心主要投資模式，一是政府投資建設(shè)，建設(shè)資金來自地方政府財政資金、專項債券發(fā)行等，建成后所有權(quán)歸政府所有；二是企業(yè)獨立投資建設(shè)，由企業(yè)聯(lián)盟、少數(shù)企業(yè)聯(lián)合、單獨企業(yè)等形式進行投資；三是高?；蚩蒲袡C構(gòu)獨立投資建設(shè)，向師生、研究人員提供免費算力支撐，服務(wù)高校教育場景，這種情況下建設(shè)成本較低。
這其中，有不少智算中心向銀行貸款采購GPU卡，承諾兜底方都是幾家搞基礎(chǔ)大模型的公司，比如阿里巴巴、騰訊、百度等。銀行也很疑惑，大模型公司本身就有云基礎(chǔ)設(shè)施和大量GPU卡，絕大多數(shù)中間商的議價權(quán)和渠道能力還不如這些大廠，怎么讓大廠們加錢采購？
鈦媒體APP獲悉，有地方政府開始斡旋，希望讓云廠商租用閑置的智算中心算力?！拔覀兌疾恢绹鴥?nèi)還有這么多卡，某種意義上，算力稀缺的背后存在一些資源錯配?！鄙鲜鋈耸勘硎尽?
該人士還提到，政府意識到可能會有算力浪費的情況出現(xiàn)，但是，部分地方手握能耗指標(biāo)，和供應(yīng)商拉扯的時間較多，智算中心建得慢，而部分地方建設(shè)得快反而虧損，由此帶來的負(fù)面甚至引起了高層注意。
據(jù)悉，工信部日前面向六個城市定向下發(fā)了關(guān)于智算云服務(wù)試點的批文，希望用公共云的方式，解決前期各地方的智算中心建設(shè)問題，特別是國有資金建設(shè)的一些小散算力中心浪費問題。
近幾個月來，政府側(cè)已經(jīng)出臺多項政策，正強調(diào)有序引導(dǎo)，出清落后產(chǎn)能。
例如《數(shù)據(jù)中心綠色低碳發(fā)展專項行動計劃》發(fā)布，對數(shù)據(jù)中心行業(yè)的區(qū)域布局、能效水效、綠電使用進行了嚴(yán)格、全面的規(guī)定，并提出“全面清理地方高耗能電價優(yōu)惠政策”，輿論普遍認(rèn)為該政策將加速落后產(chǎn)能淘汰，從而改善行業(yè)供給結(jié)構(gòu)，促進行業(yè)良性發(fā)展。
8 月 1 日，《公平競爭審查條例》正式實施，要求各地方政府“沒有法律法規(guī)依據(jù)或國務(wù)院批準(zhǔn)，不得給予特定經(jīng)營者稅收優(yōu)惠”，這意味著盛行已久的地方“以稅引商”模式被按下了暫停鍵，企業(yè)將更關(guān)注經(jīng)營本身，有利于行業(yè)從“卷價格”走向“卷創(chuàng)新”。
云計算行業(yè)也看到了智算中心建設(shè)的問題。阿里云智能科技研究中心主任安琳提到，目前有三種“萬卡集群：
假萬卡集群——公司確實有一萬張AI加速卡（GPU卡），但分布在全國幾個不同的數(shù)據(jù)中心，每個數(shù)據(jù)中心有幾百張或幾千卡，加起來超過萬卡。這種集群是“假萬卡集群”。
偽萬卡集群——擁有一萬張AI加速卡且部署在同一個數(shù)據(jù)中心，但訓(xùn)練特定模型的時候，只有一部分卡實際參與訓(xùn)練。例如：1000卡訓(xùn)練A模型，2000張卡訓(xùn)練B模型，3000張卡訓(xùn)練C模型，4000張卡訓(xùn)練D模型。這種萬卡集群是“偽萬卡集群”。
真萬卡集群——單一集群擁有一萬張AI加速卡（如GPU卡），部署在同一個數(shù)據(jù)中心，并且能通過大規(guī)模資源調(diào)度技術(shù)，讓萬卡作為“一臺”計算機，單一模型能在這一萬張卡上同時進行訓(xùn)練。正如100個昆明湖連起來，也訓(xùn)不出一支航母艦隊，大模型也是如此，只有真正的萬卡智算集群，才能訓(xùn)練出國際先進的大模型。
有數(shù)據(jù)中心行業(yè)人士也表示，數(shù)據(jù)中心行業(yè)對內(nèi)卷嚴(yán)重的感知非常明顯，比如很多數(shù)據(jù)中心企業(yè)無條件為客戶預(yù)留資源；簽訂短期租約，客戶擁有隨時調(diào)價調(diào)量的權(quán)益；過度擴大責(zé)任范圍；招投標(biāo)突破合理價格底線等等，這都是一些內(nèi)卷帶來的亂象。
為什么大模型算力會閑置？
在回答這一問題之前，有必要捋清下大模型所需的算力類型。
目前大模型所需的算力主要有三種，其一是超大規(guī)模的大模型訓(xùn)練，需要的算力集群越來越大，智算中心供不應(yīng)求；其二是常規(guī)的大模型訓(xùn)練/微調(diào)，一般的裸金屬或者算力集群都能滿足；其三是推理需求，用云主機等都能滿足，未來需求有望穩(wěn)定增長。
可以看出，除了第一種基礎(chǔ)大模型的訓(xùn)練需求之外，其余的大模型算力需求并不十分緊缺，不用最新的英偉達(dá)GPU卡，國產(chǎn)AI芯片也能頂上，企業(yè)可以在價格、成本、易用性等因素之間尋找平衡點。
ZStack CTO王為提到了一個很有意思的現(xiàn)象，也是國內(nèi)企業(yè)不得已為之的權(quán)宜之計——他表示，企業(yè)對于AI的投入還是相對比較謹(jǐn)慎的，在很多場景下用消費級顯卡，很大程度上解決了大模型非預(yù)訓(xùn)練的需求。
對于云廠商而言，按照正常的生意邏輯，一邊買卡一邊以云服務(wù)的形式賣出去，不會大肆囤卡，其他的囤卡行為顯然沒有充分認(rèn)識到，賣卡這門生意有多難。
租卡也是一種節(jié)省成本的方法，GPU正在更新?lián)Q代，但不是簡單的付租金就行，云廠商還要帶著工程團隊去做大量改造，估算地價、電價等，額外配置交換機、網(wǎng)卡、光纜等，任何資本支出都要盤算是否值得投入。
安琳進一步補充道，智算中心的三大主要門檻包括集群網(wǎng)絡(luò)、任務(wù)調(diào)度、智能運維。王雁鵬也表示，國內(nèi)構(gòu)建10萬卡集群面臨著三大難題，跨地域部署、多芯混訓(xùn)以及集群穩(wěn)定性，這些難題包括技術(shù)和工程上的多重挑戰(zhàn)。
首先是網(wǎng)絡(luò)，大模型催生了一種全新的網(wǎng)絡(luò)需求，此前從未有過，也就沒有相應(yīng)的成熟方案，市面上所有方案都是邊研發(fā)邊使用，可以說，網(wǎng)絡(luò)技術(shù)直接決定集群規(guī)模能建多大。
“幾百G的帶寬，在每一個毫秒范圍內(nèi)正向模型訓(xùn)練帶寬全占滿，下一個毫秒又反向全占滿回來，在人類歷史上的通信，沒碰到過這種需求。
這涉及到諸多軟件硬件，交換機、網(wǎng)卡芯片硬件和軟件設(shè)計，路徑選擇的算法、通信協(xié)議的加速。要干這件事，網(wǎng)卡、交換機甚至中間用的光纜都得專門定制。”安琳說道，阿里云AI高性能網(wǎng)絡(luò)架構(gòu)HPN 7.0成果論文被SIGCOMM2024收錄，成為SIGCOMM歷史上首篇關(guān)于AI智算集群網(wǎng)絡(luò)架構(gòu)的論文。
其次是調(diào)度，算力集群規(guī)模小，網(wǎng)絡(luò)當(dāng)然簡單，但是效率和規(guī)模就沒有競爭力，如何讓計算任務(wù)靈活的在硬件資源調(diào)度，資產(chǎn)利用率就能越高，算力價格就可以做到更低。
傳統(tǒng)思路是按照硬件資源做調(diào)度，先監(jiān)測算力卡是否空閑，如果閑著了就給他扔一個任務(wù)過去，這是最簡單且效率極低的調(diào)度，云計算行業(yè)早已經(jīng)進化到按任務(wù)來調(diào)度，可以監(jiān)測到每一張卡上每一個任務(wù)的進程，然后根據(jù)任務(wù)進程分配新的任務(wù)。
安琳強調(diào)，“不是簡單地給算力卡安排任務(wù)，而是把更細(xì)顆粒度的一個個不同的計算任務(wù)在這些卡間做調(diào)度，需要很多的工程技術(shù)能力積累，這也是為什么現(xiàn)在全世界做得好的AI公司，基本上都屬于云計算公司。”
最后是運維，在以前的計算中，算力卡壞了可以很快將其隔離，然后繼續(xù)用其他卡運行，現(xiàn)在大模型有很多瞬時故障，在毫秒級時間有抖動，一次通信過程中的抖動和丟包，就會導(dǎo)致GPU利用率下降50%。據(jù)安琳介紹，阿里云已經(jīng)升級到毫秒級檢測，及時從集群里隔離故障算力。
此外，國內(nèi)企業(yè)構(gòu)建算力集群還面臨著一個現(xiàn)實的困難：芯片。
國內(nèi)企業(yè)面臨算力供應(yīng)不穩(wěn)定的挑戰(zhàn)，較難構(gòu)建單一大規(guī)模訓(xùn)練集群。
現(xiàn)實情況是，企業(yè)內(nèi)部會出現(xiàn)同一廠商不同代際芯片，或者不同廠商芯片共存的情況。這些芯片如何進行混部訓(xùn)練，同時保證混部訓(xùn)練的效率也是難題。
此外，隨著芯片集成度的不斷提高，芯片的故障率也會相應(yīng)上升，英偉達(dá)H系列芯片的故障率比A系列高3-4倍。并且算力集群規(guī)模越大，其故障率就越高。按照H系列芯片的故障率水平，十萬卡集群每20分鐘就會出現(xiàn)故障。較高的故障率對穩(wěn)定性訓(xùn)練保障提出了更高的要求。
王雁鵬介紹，包括百度在內(nèi)的國內(nèi)廠商正在破解這些難題。在跨地域方面，針對由于傳輸距離變長所產(chǎn)生的高延遲，百舸4.0已經(jīng)構(gòu)建了十萬卡級別的超大規(guī)模HPN高性能網(wǎng)絡(luò)，通過提供更高效的拓?fù)浣Y(jié)構(gòu)、更優(yōu)的多路徑負(fù)載均衡策略及通信策略，能夠?qū)崿F(xiàn)幾十公里的跨地域通信。同時，在通信效率上，通過優(yōu)化的擁塞控制算法、集合通信算法策略，將帶寬有效率提升至95%，實現(xiàn)了完全無阻塞。最后，通過10ms級別超高精度網(wǎng)絡(luò)監(jiān)控，保障了網(wǎng)絡(luò)穩(wěn)定性。
智算中心，從內(nèi)卷走向有序
對于智算中心的建設(shè)是否過于超前，不同人有不同看法。一方認(rèn)為，國內(nèi)智算中心還無法擺脫海外生態(tài)體系，需要三到五年的過渡期，在此過程中，大規(guī)模加速建設(shè)智算中心必然會帶來大量浪費。
另一方認(rèn)為，海外封鎖只會愈發(fā)嚴(yán)峻，國產(chǎn)算力生態(tài)必須加速成熟，相比于國家戰(zhàn)略的競爭，超前建設(shè)帶來的一些小問題是可以接受的。有消息顯示，受到美方要求，臺積電被迫采取臨時策略，將暫停向大陸AI算力芯片客戶供應(yīng)7nm工藝及以下更先進制程的代工服務(wù)。
目前來看，囤積英偉達(dá)卡的確帶來一部分算力浪費，如上所述，很多購卡方不具備智算中心所需的網(wǎng)絡(luò)、調(diào)度和運維能力。一位智算中心技術(shù)專家直言，“之前太多的投機倒把，很多都不是干這個行業(yè)的，覺得囤貨就能掙錢，把它塞到一個機房里面去，穩(wěn)定性，各種容錯，亂七八糟的問題都解決不了，造成了很多浪費。
國產(chǎn)算力也同樣存在問題，該專家談及國產(chǎn)AI算力的浪費時感慨，“華為的運營能力太強，在大家還沒有準(zhǔn)備好用國產(chǎn)卡和用華為的時候，花了大力氣搞算力場、智算中心，運營商建了大幾萬卡的集群，它的芯片距離客戶開箱即用，到真正能用好還有一些距離，接下來會有更多的國產(chǎn)芯片進來，這個問題會進一步放大?！?
“但是對于整體國產(chǎn)卡這件事情我比較樂觀，基于大模型時代算力格局變化。原來的模型非常分散，CUDA生態(tài)非常厲害是因為要兼容那么多模型，現(xiàn)在大模型比較收斂的情況下，大家的主流框架是一樣的；同時英偉達(dá)又這么貴，再考慮到算力可獲得性問題，大家就會更愿意嘗試用國產(chǎn)卡。”他補充表示。
近日，《科技日報》也頭版刊登了全國政協(xié)委員張云泉署名文章《智算中心建設(shè)不可盲目跟風(fēng)》，文章強調(diào)，智算中心的建設(shè)需要巨額資金投入，而投資回報卻不確定。
文章表示，由于智算技術(shù)更新迭代很快，智算中心的生命周期一般只有5至10年，如果沒有強大的技術(shù)儲備和升級能力，就可能陷入不斷投入?yún)s無法跟上技術(shù)發(fā)展步伐的困境。另外，智算中心的運營管理離不開專業(yè)的技術(shù)人才和高效的管理團隊，否則就可能無法發(fā)揮其應(yīng)有作用，甚至出現(xiàn)設(shè)備閑置、資源浪費等問題。由此看來，智算中心該不該建、能不能建、什么時候建、建在哪里，需要科學(xué)、穩(wěn)慎決策，絕不能頭腦發(fā)熱、一哄而上“趕時髦”?？偟脑瓌t應(yīng)當(dāng)是，在市場需求明確且可持續(xù)的情況下，因地制宜、按需建設(shè)、適當(dāng)超前。
一些地方也加強了對智算中心運營的要求，比如山東德州價值約2億元的“全國一體化工業(yè)大數(shù)據(jù)山東云中心省會經(jīng)濟圈區(qū)域分中心數(shù)據(jù)機房‘德智未來’智算中心項目”，就在招標(biāo)文件中明確寫明了“采用設(shè)計施工采購運營一體化的模式建設(shè)”，要求運營期限不低于5年，并規(guī)定了項目驗收投運后每年算力的最低收益。
王為也表示，從政策角度上看，政府對智算中心的要求比以前多，以前是先把智算中心建起來就行，現(xiàn)在建設(shè)初期就會找好的運營方，或者建設(shè)與運營一體，保證算力的使用率。
“去年算力消耗以訓(xùn)練為主，目前看消解不了算力中心的算力，很多大模型廠商手里囤的算力也不少，一些大模型廠商也減少了預(yù)訓(xùn)練，不太需要對外租很大的算力了?，F(xiàn)在很多智算中心也開始找一些推理的場景，研究落地應(yīng)用，使用端會更分散，整個市場應(yīng)該會更健康?！彼f。
