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

這款聊天機器人于去年年底推出，并以其內容生成功能引起轟動。人們正在使用ChatGPT和其他供應商的競爭機器人來回答復雜的問題，以及自動化編寫軟件代碼和制作營銷文案等任務。

但由于這種生成式人工智能技術固有的所有可能性，充分利用基礎模型的潛力一直很困難。大多數模型都是根據公開數據進行訓練的，這使得它們不太適合特定的企業(yè)應用，例如查詢敏感的內部文檔。

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

構建大型語言模型：數據中心中成本高昂之事

構建LLM的任務需要多個步驟，例如GPT-3或GPT-4，首先需要進行大量的計算訓練，這需要數百甚至數千個昂貴的GPU在數據中心服務器中聚集在一起，持續(xù)數周或數月。

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

訓練完成后，這些芯片就需要在模型上持續(xù)運行推理，這進一步增加了成本。從這個角度來看，如果只使用500臺Nvidia DGX A100多GPU服務器(通常用于LLM訓練和推理)，每臺售價19.9萬美元，就意味著該項目的支出約為1億美元。除此之外，服務器產生的額外功耗和熱量輸出將增加總擁有成本。

這是對數據中心基礎設施的大量投資，特別是對于那些不是專門的人工智能組織、只希望LLM加速某些業(yè)務用例的企業(yè)來說。

人工智能時代數據中心的理想方法

除非企業(yè)擁有獨特的高質量數據集，可以創(chuàng)建具有堅實競爭優(yōu)勢的模型，值得投資。否則最好的方法是針對組織自身數據(企業(yè)文檔、客戶電子郵件等)的特定用例，對現有開源LLM進行微調。

一個很好的反例是BloombergGPT模型。這是Bloomberg從頭開始訓練的一個包含500億個參數的[模型]……有多少組織可以自信地聲稱其擁有相同數量的獨特高質量數據?其實，沒有那么多。

另一方面，微調是一個更輕量級的過程，只需要一小部分時間、預算和精力。

如果企業(yè)確實看到從頭開始構建LLM的價值，那么就應該從小規(guī)模開始，使用托管云基礎設施和機器學習(ML)服務，而不是立即購買昂貴的GPU進行現場部署。

云還提供了更多培訓選項可供選擇，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，如果當地法律或法規(guī)強制要求遠離云端，現場部署GPU等加速硬件將是默認的首選。

規(guī)劃仍然是關鍵

在急于為特定領域的LLM和基于其的應用投資GPU、技能或云合作伙伴之前，技術決策者必須通過與企業(yè)中的其他領導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)務案例，大致了解此類工作負載當前和未來的需求將會很有幫助。

通過這種規(guī)劃，企業(yè)可以做出明智的決定，決定何時以及如何投資培訓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/機器學習的發(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待這些新技術，那么解決方案很可能會相對較快地過時。所涉及的技術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，并相應地升級數據中心。

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