全球AI算力報告出爐，LLM最愛A100！Google坐擁超100萬H100等效算力
新智元報導
編輯：KingHZ
【新智元導讀】全球有多少AI算力？算力增長速度有多快？在這場AI「淘金熱」中，都有哪些新「鏟子」？AI初創企業Epoch AI發佈了最新全球硬件估算報告。
AI的物質基礎是機器學習硬件，例如圖形處理單元（GPU）和張量處理單元（TPU）。
據不完全統計，目前全球超過140款AI加速器，用於開發和部署深度學習時代的機器學習模型。
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習硬件的現狀和趨勢。
除了傳統硬件廠商英偉達、AMD等紛紛推出加速卡，一些新興勢力開始「造芯」，算力持續提升。
2008至2024年全球機器學習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）。
報告的主要結論，總結如下：
總量每年增長43%，價格下降30%。
低精度計算成為主流。
頂級硬件能效每1.9年翻一番。
八年間，訓練大型模型所需的處理器數量增加了20多倍。
全球NVIDIA支持的計算能力平均每10個月翻一番。
關鍵發現：ML硬件的「摩亞定律」
ML硬件每年增長43%
以16位浮點運算衡量，機器學習硬件的性能以每年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。
優化機器學習數字格式和張量核心提供了額外的改進。
驅動因素還包括晶體管數量的增加和其他半導體制造技術的進步，以及針對AI工作負載的專門設計。這種改進降低了每FLOP的成本，提高了能源效率，並實現了大規模人工智能訓練。
機器學習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，並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，製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化的張量核心和數據格式時，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，這些改進約佔整體性能趨勢改進的一半。隨著開發人員利用這種性能提升，使用較低精度格式（尤其是張量FP16）訓練的模型已經變得很常見。
能效每1.9年翻一番
根據歷史數據，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2.1×10^12FLOP/s）和NVIDIA H100（每瓦高達1.4×10^12FLOP/s）。即將推出的Blackwell系列處理器可能會更有效率，具體取決於其功耗。
模型也各有所愛
在Epoch的數據集中，NVIDIA A100是用於高引用或最先進人工智能模型的最常用的硬件，自發佈以來已用於65個著名ML模型。
其次是NVIDIA V100，用於訓練55個著名模型，其次是Google的TPU v3，用於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練模型最受歡迎的GPU。
不同加速器訓練的知名模型數量
2019年至今，不同領域大模型訓練所需算力比較訓練集群規模猛增
用於訓練大型語言模型（LLMs）的處理器數量的顯著增長。
-
Google NASv3 RL網絡(2016):使用了800個GPU進行訓練。
-
Meta Llama 3.1 405B(2024):使用了16,384個H100 GPU進行訓練。
這意味著在短短八年間，訓練大型模型所需的處理器數量增加了20多倍。
四大「算力帝國」？
Google、微軟、Meta和亞馬遜擁有相當於數十萬個NVIDIA H100的AI算力。
這些計算資源既用於他們內部的AI開發，也用於雲客戶，包括許多頂級AI實驗室，如OpenAI和Anthropic。
Google可能擁有相當於超過一百萬個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，包括其他雲公司如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Google、微軟、Meta和亞馬遜，因為他們可能擁有最多的計算能力，而其他公司的數據公開較少。
初步工作發現，截至2024年中，GoogleTPU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芯片目前佔其所有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後大約4年左右，對累計計算量的貢獻往往會低於一半。
請注意，此分析不包括TPU或其他專用AI加速器，因為這方面的數據較少。TPU可能提供與NVIDIA芯片相當的總計算能力。
按芯片型號分解，發現目前大約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，約相當於400萬個H100。
注意：這些估計基於NVIDIA的收入申報文件，並假設不同時代芯片的分佈隨時間變化的模式與AI集群數據集中的模式相同。
英偉達23-24年季度財報此外，報告發現自2019年以來，計算能力的累計總和（考慮折舊）每年增長2.3 倍。
但僅考慮數據中心銷售額，而忽略NVIDIA收入報告中「遊戲」（Gaming）銷售額帶來的計算能力。
公開數據集
Epoch同時公佈了機器學習硬件數據集和數據分析源代碼。
https://epoch.ai/data/machine-learning-hardware-documentation#overview
詳細數據分析流程，參見下列NoteBook。
https://colab.research.google.com/drive/1gbbrKDKFjghUPmH-aSI9ACtb1Iuwg-cR?usp=sharing
參考資料：
https://epoch.ai/data/machine-learning-hardware
