不做大模型，就沒有算力用。這是ChatGPT點燃AI風口後，國內某top3高校AI實驗室的殘酷現狀。同一個實驗室裡，非大模型團隊6人用4塊3090卡，比起同實驗室的大模型團隊10個人用10塊A800卡，本就已經不算富裕。

現在，校企合作也更偏愛大模型。去年11月ChatGPT發布後，與非大模型團隊合作的企業驟減，近期找上門的，也是張口就問：

“你們做大模型不？”

做，有高校和企業的通力支持；不做？那就只能眼睜睜看著算力花落別家。

哪怕某量化私募基金的有10000張A100卡，還對高校研究團隊開放申請，也不見得能落一張到你頭上。

“要是我們組能分到一些就好了。”看到這條微博，非大模型團隊帶隊的數據科學方向博士小哥羨慕不已，因為缺算力，他都愁得快仰天長嘯了：我們也值得投資啊！！！

現在，大夥爭先恐後撲向ChatGPT背後GPT-3.5般的各種大模型，算力流向亦然。

其他AI領域本就不足的算力更荒了，尤其是國內學界手裡的算力分配下來，貧富差距肉眼可見。

一整個實驗室就4塊3090卡

巨大規模算力以月為單位的租用成本，對研究團隊來說不是小數目。大模型正當其道，學界研究大模型的實驗室或團隊擁有算力資源的優先分配權。

就拿小哥在學校的親身體驗來說，在他們研究室，大模型小組10個人有10塊A800卡可用，而另一個研究傳統機器學習方向的實驗室，整個實驗室只有4塊3090卡。

擁抱主流趨勢是一重原因，另一重原因是實驗室需要運轉和維護的經費，獲得撥款的一種形式是申請國家項目，但必要步驟是提供論文成果。

雙重原因下，本就不多的算力資源，不得不優先分配給大模型這樣熱門且相對容易出成果的研究。哪怕對學界來說，訓一個大模型其實練不太動——因為數據、算力和資金都有些捉襟見肘。

為了獲得更多的資源，有的非大模型實驗室甚至額外專門成立研究大模型的團隊。

當然，想要獲得資金和資源，校企合作也是不可或缺的一種方式。

這種推動產研融合的重要支撐形式持續已久，2020年，KDD中校企合作論文佔比超過50%，這個比例在ICCV中達到45%。

舉例來說，2021年，清華大學KEG、PACMAN（並行與分佈式計算機系統）、NLP等實驗室著手推進訓練千億參數的稠密模型，但團隊用於訓練模型的計算資源並不充足。最終，校外企業智譜AI租用了近百台A100的服務器，免費提供所需算力，這才有了雙語預訓練語言大模型GLM-130B的誕生。

GLM-130B的任務表現

但在眾人爭先恐後撲向GPT-3.5般大模型的當下，非大模型團隊開始不太好談這類合作了。

去年11月ChatGPT發布後，與小哥所在團隊洽談校企合作事宜的公司數量急劇減少。在其他高校，AI領域的非大模型團隊也總是面臨企業詢問，“要不要/會不會做大模型”。

本就稀缺的算力，在學界有成為追逐熱點的砝碼的傾向，算力資源分配的馬太效應由此逐漸擴大，帶給學術研究很大困擾。

ChatGPT加劇算力分配貧富分化

算力是AI飛速發展必不可少的指標，2018年，OpenAI發布的報告中點出一個算力趨勢：

自2012年以來，AI訓練任務所運用的算力每3.43個月就會翻倍。到2018年，AI算力需求增長了30萬倍。

產學研對算力需求暴增，我們能提供的算力有多少？

據中國算力集團統計，截至2022年6月底，我國數據中心機架使用總規模超過590萬標準機架，服務器規模約2000萬台，算力總規模排名全球第2。

這個排名還算不錯，但攤開來看仍舊遠遠不夠，畢竟放眼全球，沒有哪個國家不是嗷嗷待哺，等著更多的算力資源“投餵”。

再退一步講，買得起顯卡，擁有的算力上去了，電費也是天文數字。

況且我國還有特殊情況——

開放原子開源基金會業務發展部部長朱其罡在本月舉辦的CCF YOCSEF上發言闡述現狀稱，超算領域的核心技術，一個是IBM LSF超算系統，一個是開源系統。目前，國內多數超算中心都基於開源系統做封裝，但這個版本調度資源的效率和能力都有很大的提升空間。

以及，因為眾所周知的原因，A100、H100這倆目前性能最強的GPU，還沒找到可規模替代的方案。

英偉達A100顯卡

綜上，算力不夠已是積弊，但ChatGPT時代，算力需求劇烈擴張，除了大量訓練算力，大量推理算力也需要支撐。

所以現在的情況是，因為ChatGPT顯示出大模型的推理能力，訓練和研究大模型的算力需求增加；同時因為大模型熱度爆棚，蜂擁至大模型的算力資源也增加。

分配給大模型領域的算力資源豐富起來，其他AI領域缺衣少食的情況逐漸加劇，研發能力受到掣肘。

可以說，ChatGPT成為如今的AI屆白月光後，加劇了算力分配的貧富分化。

這般“富”甲一方的大模型，是不是AI研究路徑上最好的？還沒人能夠回答。

但值得引起注意和重視的是，GPT系列為首的大模型不應該吸引全部目光，整個AI領域還有各種各樣的研究方向，還有更加細分的垂直領域，以及帶來更多生產力的模型和產品。

當ChatGPT的熱度趨於平緩，學界的算力資源分配差距會縮小嗎？

所有非大模型方向的實驗室和團隊，恐怕都在期待之中。