2023年人工智能研究公司OpenAI盈亏分析报告(附下载)
今天分享的是人工智能系列深度研究报告：《2023年人工智能研究公司OpenAI盈亏分析报告》。（报告出品方：深度行业分析）
精选报告来源公众：人工智能学派
报告共计：24页
【报告内容摘要如下】
算力与精度的关系
算力与精度的关系：根据YufanLiu等人的论文研究，模型精度每下降10%，算力可能减半。模型的大小由其参数量及其精度决定，精度通常为FP64、FP32、FP16、BF16、TF32、INT8、IN4等，精度下降使得算力承载扩大的同时，也会导致性能在一定程度上下降。根据YufanLiu等人的研究，其模型测试精确度降低到原来的90%左右时，模型被修剪后剩余FLOPs的数量约占原始网络中FLOPs总数的50%。因此，可以通过使用更低的精度来减少GPU需求，具体关系大约为精度每下降10%，所需算力减少到原来的二分之一。
单张A100芯片每日吞吐量测算
单张A100卡的每日吞吐量测算：根据英伟达官网数据，NVIDIADGXA100640GB的服务器，包含8个NVIDIAA10080GBTensorCoreGPU，DGXA100具有高达640GB的总GPU显存，可将大规模训练作业的性能提升高达3倍，并将MIG实例的大小增加一倍，从而从容应对颇为复杂的大任务，以及简单轻松的小任务。据微软官方介绍，每个NDA100v4series虚拟机有8块A100芯片，对于Davinci3模型（GPT-3.5）使用英伟达80G显存的NDA100芯片，若需要大约3个虚拟机，共需要约24块芯片。考虑到高并发和低并发的情况，Davinci3模型在低并发情况下平均每秒可以处理0.28个请求；而在高并发状态下，平均每秒钟可以处理0.34个请求，此时，一张卡每天的吞吐量大约为1224次（0.34*60Secs*60Mins*24Hrs/24GPUCards）。但在实际使用时，若芯片全部打满容易出现崩掉的情况，因此需要考虑芯片的使用效率。
精度和算力的换算
不同模型得分及精度转换：根据TimDettmers等人的论文，团队使用大模型GPT-4当裁判，对不同模型的回答进行打分，以GPT-3.5的成绩作为100%，最终GPT-4自己的得分是114.5%。MichalKosinski的研究表明，GPT-3可以解决70%的心智理论任务，而GPT-3.5解决了93%的任务，以GPT-3.5的成绩作为100，GPT-3的分数约为75（70/93*100）。如果使用分数对精度进行衡量，则GPT-4精度相当于GPT-3.5的1.145倍，GPT-3精度相当于GPT-3.5的0.75倍。
【内容看点】
- 算力的逻辑：“10%的精度 vs 50%的算力”
- Open AI的总体盈亏分析
- Open AI“单用户”盈亏分析
- 如何提高GPT-4付费率
（本“人工智能学派”已获上百家出品方授权。本文仅供参考，不代表我们的任何立场。如需使用相关信息，请参阅报告原文，内容版权归原撰写/出品方所有。）
报告共计：24页
受篇幅限制，仅列举部分内容。
海量精选报告来源公众号“人工智能学派”