如今，任何有關(guān)人工智能的討論都必然會(huì)涉及ChatGPT的崛起，這是一款基于OpenAI的GPT系列大型語言模型(LLM)構(gòu)建的無處不在的聊天機(jī)器人。但是，如何在數(shù)據(jù)中心滿足這種生成式人工智能技術(shù)的需求呢?

　　這款聊天機(jī)器人于去年年底推出，并以其內(nèi)容生成功能引起轟動(dòng)。人們正在使用ChatGPT和其他供應(yīng)商的競(jìng)爭(zhēng)機(jī)器人來回答復(fù)雜的問題，以及自動(dòng)化編寫軟件代碼和制作營(yíng)銷文案等任務(wù)。

　　但由于這種生成式人工智能技術(shù)固有的所有可能性，充分利用基礎(chǔ)模型的潛力一直很困難。大多數(shù)模型都是根據(jù)公開數(shù)據(jù)進(jìn)行訓(xùn)練的，這使得它們不太適合特定的企業(yè)應(yīng)用，例如查詢敏感的內(nèi)部文檔。

　　企業(yè)希望這些模型能夠處理企業(yè)內(nèi)部數(shù)據(jù)。但這是否意味著企業(yè)必須全力以赴、從頭開始構(gòu)建?讓我們深入了解一下。

　　構(gòu)建大型語言模型：數(shù)據(jù)中心中成本高昂之事

　　構(gòu)建LLM的任務(wù)需要多個(gè)步驟，例如GPT-3或GPT-4，首先需要進(jìn)行大量的計(jì)算訓(xùn)練，這需要數(shù)百甚至數(shù)千個(gè)昂貴的GPU在數(shù)據(jù)中心服務(wù)器中聚集在一起，持續(xù)數(shù)周或數(shù)月。

　　隨著模型規(guī)模的增加，訓(xùn)練和再訓(xùn)練所需的GPU數(shù)量也會(huì)增加。例如，Google必須插入6144個(gè)芯片來訓(xùn)練其5400億參數(shù)的PaLM模型。這一過程還需要高級(jí)培訓(xùn)技術(shù)和工具方面的專業(yè)知識(shí)，例如Microsoft DeepSpeed和Nvidia MegaTron-LM，而這些在組織中可能并不容易獲得。

　　訓(xùn)練完成后，這些芯片就需要在模型上持續(xù)運(yùn)行推理，這進(jìn)一步增加了成本。從這個(gè)角度來看，如果只使用500臺(tái)Nvidia DGX A100多GPU服務(wù)器(通常用于LLM訓(xùn)練和推理)，每臺(tái)售價(jià)19.9萬美元，就意味著該項(xiàng)目的支出約為1億美元。除此之外，服務(wù)器產(chǎn)生的額外功耗和熱量輸出將增加總擁有成本。

　　這是對(duì)數(shù)據(jù)中心基礎(chǔ)設(shè)施的大量投資，特別是對(duì)于那些不是專門的人工智能組織、只希望LLM加速某些業(yè)務(wù)用例的企業(yè)來說。

　　人工智能時(shí)代數(shù)據(jù)中心的理想方法

　　除非企業(yè)擁有獨(dú)特的高質(zhì)量數(shù)據(jù)集，可以創(chuàng)建具有堅(jiān)實(shí)競(jìng)爭(zhēng)優(yōu)勢(shì)的模型，值得投資。否則最好的方法是針對(duì)組織自身數(shù)據(jù)(企業(yè)文檔、客戶電子郵件等)的特定用例，對(duì)現(xiàn)有開源LLM進(jìn)行微調(diào)。

　　一個(gè)很好的反例是BloombergGPT模型。這是Bloomberg從頭開始訓(xùn)練的一個(gè)包含500億個(gè)參數(shù)的[模型]……有多少組織可以自信地聲稱其擁有相同數(shù)量的獨(dú)特高質(zhì)量數(shù)據(jù)?其實(shí)，沒有那么多。

　　另一方面，微調(diào)是一個(gè)更輕量級(jí)的過程，只需要一小部分時(shí)間、預(yù)算和精力。

　　如果企業(yè)確實(shí)看到從頭開始構(gòu)建LLM的價(jià)值，那么就應(yīng)該從小規(guī)模開始，使用托管云基礎(chǔ)設(shè)施和機(jī)器學(xué)習(xí)(ML)服務(wù)，而不是立即購買昂貴的GPU進(jìn)行現(xiàn)場(chǎng)部署。

　　云還提供了更多培訓(xùn)選項(xiàng)可供選擇，不僅包括Nvidia GPU，還包括AMD和Intel的GPU，以及Google TPU和AWS Trainium等客戶加速器。

　　另一方面，如果當(dāng)?shù)胤�律或法�?guī)強(qiáng)制要求遠(yuǎn)離云端，現(xiàn)場(chǎng)部署GPU等加速硬件將是默認(rèn)的首選。

　　規(guī)劃仍然是關(guān)鍵

　　在急于為特定領(lǐng)域的LLM和基于其的應(yīng)用投資GPU、技能或云合作伙伴之前，技術(shù)決策者必須通過與企業(yè)中的其他領(lǐng)導(dǎo)者和主題專家合作來制定明確的戰(zhàn)略。專注于決策的業(yè)務(wù)案例，大致了解此類工作負(fù)載當(dāng)前和未來的需求將會(huì)很有幫助。

　　通過這種規(guī)劃，企業(yè)可以做出明智的決定，決定何時(shí)以及如何投資培訓(xùn)LLM。這包括選擇什么樣的硬件、可以在哪里使用其他人開發(fā)的現(xiàn)有模型，以及誰可能是人工智能之旅的合適合作伙伴等方面。

　　人工智能/機(jī)器學(xué)習(xí)的發(fā)展速度令人難以置信……如果以傳統(tǒng)的面向未來的思維方式來對(duì)待這些新技術(shù)，那么解決方案很可能會(huì)相對(duì)較快地過時(shí)。所涉及的技術(shù)和硬件的特殊性意味著，更好的選擇可能是首先開發(fā)解決方案前景，并相應(yīng)地升級(jí)數(shù)據(jù)中心。

　　在沒有正當(dāng)理由的情況下，人們很容易相信采用新技術(shù)的炒作和趨勢(shì)，但這無疑會(huì)導(dǎo)致失望，并可能拒絕企業(yè)未來可以從中受益的實(shí)際用例。更好的方法是保持頭腦冷靜，投入時(shí)間了解相關(guān)技術(shù)，并與利益相關(guān)者合作，評(píng)估可以從集成中獲得的好處。