AI大模型专题报告：大模型进展2.0
(精选报告来源：幻影视界)
AI大模型市场表现与竞争格局发生变化，Kimi成为国产大模型曙光。
市场上的大模型层出不穷，以Kimi为代表的产品凭借其在长文本处理领域的卓越能力，迅 速成为用户访问量最高的产品，打破了现有竞争格局。Kimi在中文领域对GPT-4、Claude等国际大模型展现出明显优势，并通过不断的技术迭代和用户体验优 化，实现了用户流量的激增和市场的快速扩张。公司认为，Kimi的AI-Native产品核心价值在于提供个性化交互，其长文本上下文处理能力(Long Context)能大 幅减少模型定制成本，解决90%的模型定制问题。
2024年3月下旬，Kimi进一步将上下文处理能力提升至200万汉字，随着用户流量的激增，服务连续进行了5 次扩容。公司在C端致力于将Kimi打造成超级应用，成为AI原生交互的入口；在B端，通过Moonshot AI开放平台提供与OpenAI兼容的API，内测期间已有法 律、游戏阅读等领域应用进行测试，反馈良好。随着Kimi应用访问量的持续增长，预计将再次拉动算力需求的快速增长，推动AI行业的算力基础设施发展。
多模态大模型拉动AI训练、推理算力需求增长
大模型训练算力测算：
- 训练过程可分前向传播（Forward Pass）和反向传播（Backward Pass）。
- 前向传播：输入数据（例如图像、文本等）通过神经网络的各层进行传递，以得到输出结果，包含输入数据与权重矩阵相乘、应用激活函数等操作，目的为将计算网络预测 输出，并将其与实际目标值比较，计算损失函数（Loss Function）的值。
- 反向传播：一种高效计算梯度算法，从输出层开始，沿着网络层次结构向输入层反向传播，计算每个权重的梯度（注：梯度表示权重对损失函数贡献的大小）；同时，在计 算出所有权重的梯度后，使用优化算法更新权重，达到减小损失函数值的目的。
- 计算次数：一次前向传播需要一次计算，一次反向传播需要两次计算（计算梯度+权重更新），则完成一次神经网络迭代需要对所有输入的数据和模型参数进行3次计算；每 一次计算就是矩阵运算，对于一次矩阵运算需要进行一次乘法及加法（共计2次浮点运算），即对于每个Token、每个模型参数，需要进行2 × 3 Flops = 6次浮点运算。以GPT- 3大模型训练为例，模型参数量为175B，训练Token数量为300B，采用稠密（Dense）模型，其需要的训练总算力为175B × 300B × 6 = 3.15/span>23 FLOPs。
- 所需算力卡数量及时间：假设使用业内FLOPS最大的利用率来测算（此处取46.2%），单卡A100 FP16精度下算力为312 TFLOPS，则3.15 /span>23 FLOPs/(312 TFLOPs × 46.2% × 3600s × 24h/天)= 2.53万张A100/天，即若使用1000张A100，大约训练一遍GPT-3需要25.3天。
大模型推理算力测算：
- 推理过程主要包括分词（Tokenize）、嵌入（Embedding）、位置编码（Positional Encoding）、Transformer层、Softmax。推理主要计算量在 Transfomer解码层，对于每个token、每个模型参数，需要进行2 × 1 Flops = 2次浮点运算，则单词推理算力消耗为模型参数量 × （提问Tokens + 回答Tokens） × 2。
- 以GPT-3单次推理为例，假设用户每次提问20 Tokens，ChatGPT回答300 Tokens，模型参数量为175B，则单次推理算力需求为175B × （20 Tokens + 300 Tokens） ×2 = 1.12/span>14 FLOPs，若使用单张A100 GPU进行推理，假设芯片利用率为46.2%，则完成单次所需时间为1.12 /span>14 FLOPs/(312 TFLOPs × 46.2%)=0.78s
图像模态拉动AI算力需求增长
- 图像训练数据大幅提升训练Token量。以BEIT方法为例，单一图片训练素材可以有两种表达形式，即Image Patches和Visual Tokens。
- Image Patches：将图片分成N=HW/P2个展平的2D块，每个image patches会被展平成向量，并对其进行线性变换操作，进而得到一系列展 平的2D块的序列；随后使用类BERT的子监督训练方式（Masked Image Modeling），即随机隐藏部分Image Patches，让模型对隐藏的部分 进行预期，进而不断计算预测的Patches和真实的Patches之间的差异，并将该差异作为Loss函数进行反向传播来更新参数。
- Visual Tokens：BEIT通过DVAE（Discrete Variational Autoencoder，核心原理是试图构建一个从隐变量Z生成目标数据X的模型）中的Image Tokenizer，将单一图片训练素材转化为离散的Tokens（即隐变量），再通过生成器（Decoder）重建原图。
- 图片对训练数据量的提升：
- 以Image Patches方法为例，1张图片可以分割为N=HW/P2个2D块（即视为输入的Tokens），其中（H，W)为输 入图片的分辨率，（P，P)是2D块的大小，在《BEIT: BERT Pre-Training of Image Transformers》实际操作中，有1张224*224大小的 图片分割成16*16大小的2D小块，即单一图片相当于（224*224）/(16*16)=196个Tokens。而在纯文本训练素材中，单一单词约为4/3个 Token，则1张图片（分辨率224*224）约等于147个单词。根据上文所述，AI训练算力需求 = 模型参数量 × 训练Token量 × 6，图片 训练素材的加入，拉动训练Token量的大幅增长，进而大幅提升AI训练算力需求。
- 增量测算：a）数据量：根据《Will we run out of data? An analysis of the limits of scaling datasets in Machine Learning （Pablo等著，2022年）》披露数据，2022年全球图片数量在5/span>10-2/span>11个，我们取中间值（即1 /span>11个），选取常用图片分辨率 （1024×768），则单张图片对应（1024*768）/(16*16)=3072个Tokens，则全部图片对应3.072 /span>14个Tokens。b）算力需求：假设使用 这些图片数据对一个5000亿参数模型进行训练，则对应的AI训练算力需求 = 500B × 3.072 /span>14 × 6 = 9.216e26 FLOPs。c）训练卡 需求：以英伟达H100为例，在FP16精度下算力为1979 TFLOPS，仍假设芯片利用率为46.2%，则9.216 /span>26 FLOPs/(1979 TFLOPs × 46.2% × 3600s × 24h/天 × 30天/月)= 38.89万张H100/月，即完成对图片数据的训练需使用38.89万张H100训练一个月（针对单一模型）， 假设全球有5家厂商使用图片素材进行自研大模型训练，则需要194.45万张H100训练一个月。
视频训练数据大幅提升训练Token量。
以字节跳动最新提出《MagicVideo-V2: Multi-Stage High-Aesthetic Video Generation》方法为例，该 模型是一个多阶段端到端视频生成模型，具体可分为以下4个关键模块：
- Text-to-Image模块（文本到图像）：从给定的文本提示，生成概括所描述场景的高分辨率图像（分辨率为1024*1024）；
- Image-to-Video模块（图像到视频）：通过文本提示和生成的图像创建关键帧（32帧），使得静态图像动态化（分辨率为600*600）；
- Video-to-Video模块（视频到视频）：增强并细化视频帧的内容，并拓展至更高的分辨率（分辨率为1048*1048）；
- Video Frame Interpolation（VFI，帧插值）模块：在关键帧之间插入帧以平滑视频运动（94帧），确保动作流畅和时间一致性。
- 其中，Text-to-Image模块（文本到图像）的训练同前文图像模态训练相似，除了BEIT方法外，OFA等方法亦可得到不错的Text-to-Image模 型。
报告原文节选如下：
本文仅供参考，不代表我们的任何投资建议。【幻影视界】整理分享的资料仅推荐阅读，用户获取的资料仅供个人学习，如需使用请参阅报告原文。