ChatGPT4的超高“智力”，依靠什么来养成？
在ChatGPT的GPT-3.5推出的第105天之后，它的新“大脑”GPT-4已经把美国的模拟律师资格考试考到前10%了，并且顺利的在美国高考题（SAT考试）中，拿到了进入哈佛大学的成绩。
ChatGPT怎么变聪明了？依靠的是什么？
GPT-4的成绩单（图来源于网络）
今天A君想要和大家简单聊聊，关于ChatGPT的“大脑”运作的关键。
ChatGPT中被大家关注最多的语言能力，其实就是GPT的语言模型。最近新推出的GPT-4，就相当于这个AI的“大脑”。
而这个新的大脑要比GPT-3.5的更加“大”，单词输出限制提高到了25000个单词。“神经元”（计算系统）更多，能计算识别更多的文字内容，甚至是图片内容，所以“智力”也就更高。
当ChatGPT的“大脑”工作时，大脑中的“神经元”就会运作，也就会产生数据参数，而更多的参数产生，往往就会带来更精细的结果。
普通计算机处理数据的CPU（图片来源网络）
2018年的GPT，参数量是1.17亿。
2019年的GPT-2，参数量是15亿。
2020年的GPT-3，乃至后来基于GPT-3.5的ChatGPT，参数量是1750亿。
2023年最近发布的GPT-4，虽然官方没有公布具体参数量，但一定是千亿级别的参数量。
当我们在和AI进行互动且抛出问题的时候，屏幕那边的ChatGPT，是怎么做这道题的？
比如我们在对话框里问AI：“AI的智力是什么水平？”
作为一个人工智能，ChatGPT从一开始答题的思路，会和我们一样：先看问题。
但是看完后，它会把这个问题分解、排列。再去网上抓数据对比，看看都有哪些地方出现了“AI的智力”相关的内容。
同时再用它那上亿个参数的“脑子”分析计算，正确内容的可能性。把所有搜集到的数据，根据上下文，进行新的排列、组合，最后把概率最高的答案选出来，在对话框里回复你。
所以你以为人工智能在利用它的智慧回答你，其实它在用它的“体力”来回答你。
在一个足够大的数据库中，它会用最快速的方式，把可能性最高的答案找出来。
所以一个聪明的AI，一定是能在单位时间内，做足够多的事情。（AI比人卷太多了）
而人干一天活，消耗三顿饭，AI干一天的活，要消耗多少的算力？
简单来说，当AI的那颗上千亿级别参数“大脑”运转起来的时候，可能要花掉北上广深的几套房子。（全是钞能力）
一些服务器的样貌（图片来源网络）
比如Open AI，微软专门为其打造了一台超级计算机，用来在公有云上训练超大规模的人工智能模型。其中这台超级计算机拥有28.5万个CPU核心，超过1万颗GPU。
以目前比较主流的英伟达A100芯片为例，一颗价格约8万元。每颗8万元，一共要1万颗，光是芯片的花费，就在8亿元以上。
图片来源网络
所以初步估算，要达到相应的算力，训练一次的成本：以GPT-3.5为模型的ChatGPT模型，都要460万到500万美元。
在国内，云计算技术人士公认的一个说法是，1万枚英伟达A100芯片是做好AI大模型的算力门槛。
据OpenAI测算，自2012年以来，全球头部AI模型训练算力需求3-4个月翻一番，每年头部训练模型所需算力增长幅度高达10倍。
但，与此同时，这种算力快速的增长的需求也必将对传统的摩尔定律形成冲击：
摩尔定律认为：芯片计算性能大约每18-24个月翻一番，因此两者间的不匹配势必将带来对算力基础设施需求的快速增长。
相比之下，AI算力需求主要拆落到训练和推理两个主要方面：
1、训练方面：根据OpenAI训练集群模型估算结果作为参考，1746亿参数的GPT-3模型大约需要375-625台8卡DGX A100服务器（对应训练时间10天左右），对应A100 GPU数量约3000-5000张。
2、推理方面：以A100 GPU单卡单字输出需要350ms为基准计算，假设每日访问客户数量为2,000万人，单客户每日发问ChatGPT应用10次，单次需要50字回答，则每日消耗GPU的计算时间为972,222个运行小时，对应的GPU需求数量为40,509个。
而这一切，还没有包括每天都要用掉的几万美金电费，和线下需要购买“机房”的成本。比如算力和数据的成本，就要近20亿元人民币。
而GPT-4, 作为“更聪明”的“大脑”，算力成本又是一个新的台阶。这些，全部都是“聪明”的价格，也是使用高性能计算要付出的成本。
最后提一嘴：我们青椒云云桌面，也可以用来做AI“大脑”的部署，所以青椒云桌面=半个AI“大脑”，使用青椒云=使用“人工智能” 哈哈哈哈哈哈哈哈哈～
