今天，著名的SemiAnalysis分析师Dylan Patel和Daniel Nishball，又来爆料行业内幕了。

而整个AI社区，再次被这次的消息所震惊：OpenAI的算力比起谷歌来，只能说是小儿科——

谷歌的下一代大模型Gemini，算力已达GPT-4的5倍！

根据Patel和Nishball的说法，此前屡屡被爆料将成为GPT-4大杀器的谷歌Gemini，已经开始在新的TPUv5 Pod上进行训练了，算力高达~1e26 FLOPS，比训练GPT-4的算力还要大5倍。

如今，凭借着TPUv5，谷歌已经成为了算力王者。它手中的TPUv5数量，比OpenAI、Meta、CoreWeave、甲骨文和亚马逊拥有的GPU总和还要多！

虽然TPUv5在单芯片性能上比不上英伟达的H100，但谷歌最可怕的优势在于，他们拥有高效、庞大的基础设施。

没想到，这篇爆料引来Sam Altman围观，并表示，「难以置信的是，谷歌竟然让那个叫semianalysis的家伙发布了他们的内部营销/招聘图表，太搞笑了。 」

有网友却表示，这仅是一篇评论性文章，并非实际新闻，完全是推测。

不过，此前Dylan Patel参与的两篇稿件，无一例外都被证实，并且引发了业内的轩然大波。无论是谷歌的内部文件泄漏事件（「我们没有护城河，OpenAI也没有」）——

谷歌DeepMind的首席执行官Demis Hassabis在一次采访中确认了谷歌护城河的真实性

还是GPT-4的架构、参数等内幕消息大泄密——

下面让我们来仔细看看，这次的爆料文章，又将带来多少重磅内幕消息。

沉睡的巨人谷歌已经醒来

提出Transformer开山之作「Attention is all you need」的作者之一、LaMDA和PaLM的关键参与者Noam Shazeer，曾受MEENA模型的启发，写过一篇文章。

在这篇文章里，他准确地预言了ChatGPT的诞生给全世界带来的改变——LLM会越来越融入我们的生活，吞噬全球的算力。

这篇文章远远领先于他的时代，但却被谷歌的决策者忽略了。

论文地址：https://arxiv.org/pdf/2001.09977.pdf

现在，谷歌拥有算力王国所有的钥匙，沉睡的巨人已经醒来，他们的向前迭代的速度已经无法阻挡，在2023年底，谷歌的算力将达到GPT-4预训练FLOPS的五倍。

而考虑谷歌现在的基建，到明年年底，这个数字或许会飙升至100倍。

谷歌是否会在不削减创造力、不改变现有商业模式的基础上在这条路上继续深耕？目前无人知晓。

「GPU富豪」和「GPU穷人」

现在，手握英伟达GPU的公司，可以说是掌握了最硬的硬通货。

OpenAI、谷歌、Anthropic、Inflection、X、Meta这些巨头或明星初创企业，手里有20多万块A100/H100芯片，平均下来，每位研究者分到的计算资源都很多。

个人研究者，大概有100到1000块GPU，可以玩一玩手头的小项目。

CoreWeave已经拿英伟达H100抵押，用来买更多GPU

而到2024年底，GPU总数可能会达到十万块。

现在在硅谷，最令顶级的机器学习研究者自豪的谈资，就是吹嘘自己拥有或即将拥有多少块GPU。

在过去4个月内，这股风气越刮越盛，以至于这场竞赛已经被放到了明面——谁家有更多GPU，大牛研究员就去哪儿。

Meta已经把「拥有世界上第二多的H100 GPU」，直接拿来当招聘策略了。

与此同时，数不清的小初创公司和开源研究者，正在为GPU短缺而苦苦挣扎。

因为没有足够虚拟内存的GPU，他们只能虚掷光阴，投入大量时间和精力，去做一些无关紧要的事。

他们只能在更大的模型上来微调一些排行榜风格基准的小模型，这些模型的评估方法也很支离破碎，更强调的是风格，而不是准确性、有用性。

他们也不知道，只有拥有更大、更高质量的预训练数据集和IFT数据，才能让小开源模型在实际工作负载中得到改进。

「谁将获得多少H100，何时获得H100，都是硅谷现在的顶级八卦。」OpenAI联合创始人Andrej Karpathy曾经这样感慨

是的，高效使用GPU很重要，许多GPU穷人把这一点忽视了。他们不关心规模效应的效率，也没有有效利用自己的时间。

到明年，世界就会被350万H100所淹没，而这些GPU穷人，将彻底与商业化隔绝。他们只能用手中的游戏用GPU来学习、做实验。

大部分GPU穷人仍然在使用密集模型，因为这就是Meta的Llama系列模型所提供的。

如果不是扎克伯格的慷慨，大部分开源项目会更糟。

如果他们真的关心效率，尤其是客户端的效率，他们会选择MoE这样的稀疏模型架构，并且在更大的数据集上进行训练，并且像OpenAI、Anthropic、Google DeepMind这样的前沿LLM实验室一样，采用推测解码。

此图表假设，无法融合每个操作、注意力机制所需的内存带宽、硬件开销相当于参数读取，都会导致效率低下。实际上，即使使用优化的库，比如英伟达的FasterTransformer库，总开销甚至还会更大

处于劣势的公司应该把重点放在提高模型性能或减轻token到token延迟上，提高计算和内存容量要求，减少内存带宽，这些才是边缘效应所需要的。

他们应该专注于在共享基础架构上高效地提供多个微调模型，而不必为小批量模型付出可怕的成本代价。

然而，事实却恰恰相反，他们却过于关注内存容量限制或量化程度太高，却对模型实际质量的下降视而不见。

总的来说，现在的大模型排行榜，已经完全乱套了。

虽然闭源社区还有很多人在努力改进这一点，但这种开放基准毫无意义。

出于某种原因，人们对LLM排行榜有一种病态的痴迷，并且为一些无用的模型起了一堆愚蠢的名字，比如Platypus等等。

在以后，希望开源的工作能转向评估、推测解码、MoE、开放IFT数据，以及用超过10万亿个token清洗预训练数据，否则，开源社区根本无法与商业巨头竞争。

现在，在大模型之战的世界版图已经很明显：美国和中国会持续领先，而欧洲因为缺乏大笔投资和GPU短缺已经明显落后，即使有政府支持的超算儒勒·凡尔纳也无济于事。而多个中东国家也在加大投资，为AI建设大规模基础设施。

当然，缺乏GPU的，并不只是一些零散的小初创企业。

即使是像HuggingFace、Databricks（MosaicML)，以及Together这种最知名的AI公司，也依然属于「GPU贫困人群」。

事实上，仅看每块GPU所对应的世界TOP级研究者，或者每块GPU所对应的潜在客户，他们或许是世界上最缺乏GPU的群体。

虽然拥有世界一流的研究者，但所有人都只能在能力低几个数量级的系统上工作。

虽然他们获得了大量融资，买入了数千块H100，但这并不足以让他们抢占大部分市场。

你所有的算力，全是从竞品买的

在内部的各种超级计算机中，英伟达拥有着比其他人多出数倍的GPU。

其中，DGX Cloud提供了预训练模型、数据处理框架、向量数据库和个性化、优化推理引擎、API以及英伟达专家的支持，帮助企业定制用例并调整模型。

如今，这项服务也已经吸引了来自SaaS、保险、制造、制药、生产力软件和汽车等垂直行业的多家大型企业。

即便是不算上那些未公开的合作伙伴，仅仅是由安进（Amgen）、Adobe、CCC、ServiceNow、埃森哲（Accenture）、阿斯利康（AstraZeneca）、盖蒂图片社（Getty Images）、Shutterstock、晨星（Morningstar）、Evozyne、Insilico Medicine、Quantiphi、InstaDeep、牛津纳米孔（Oxford Nanopore）、Peptone、Relation Therapeutics、ALCHEMAB Therapeutics和Runway等巨头组成的这份比其他竞争对手要长得多的名单，就已经足够震撼了。

考虑到云计算的支出和内部超级计算机的建设规模，企业从英伟达这里购买的似乎比HuggingFace、Together和Databricks所能够提供的服务加起来还要多。

作为行业中最有影响力的公司之一，HuggingFace需要利用这一点来获得巨额投资，建立更多的模型、定制和推理能力。但在最近一轮的融资中，过高的估值让他们并没有得到所需的金额。

Databricks虽然可以凭借着数据和企业关系迎头赶上。但问题在于，如果想要为超过7,000个客户提供服务，就必须将支出增加数倍。

不幸的是，Databricks无法用股票来购买GPU。他们需要通过即将开始的私募/IPO来进行大规模融资，并进一步用这些现金来加倍投资于硬件。

从经济学的角度来看有些奇怪，因为他们必须先建设，然后才能引来客户，而英伟达同样也在为他们的服务一掷千金。不过，这也是参与竞争的前提条件。

这里的关键在于，Databricks、HuggingFace和Together明显落后于他们的主要竞争对手，而后者又恰好是他们几乎所有计算资源的来源。

也就是说，从Meta到微软，再到初创公司，实际上所有人都只是在充实英伟达的银行账户。

那么，有⼈能把我们从英伟达奴役中拯救出来吗？

是的，有⼀个潜在的救世主——谷歌。

谷歌算⼒之巅，OpenAI不及一半

虽然内部也在使用GPU，但谷歌的手中却握着其他「王牌」。

其中，最让业界期待的是，谷歌下一代大模型Gemini，以及下一个正在训练的迭代版本，都得到了谷歌⽆与伦⽐的⾼效基础设施的加持。

早在2006年，谷歌就开始提出了构建人工智能专用基础设施的想法，并于2013年将这一计划推向高潮。

他们意识到，如果想大规模部署人工智能，就必须将数据中心的数量增加一倍。

因此，谷歌开始为3年后能够投入生产的TPU芯片去做准备。

最著名的项目Nitro Program在13年发起，专注于开发芯片以优化通用CPU计算和存储。主要的目标是重新思考服务器的芯片设计，让其更适合谷歌的人工智能计算工作负载。

自2016年以来，谷歌已经构建了6种不同的AI芯片，TPU、TPUv2、TPUv3、TPUv4i、TPUv4和TPUv5。

谷歌主要设计这些芯片，并与Broadcom进行了不同数量的中后端协作，然后由台积电生产。

TPUv2之后，这些芯片还采用了三星和SK海力士的HBM内存。

在介绍Gemini和谷歌的云业务之前，爆料者先分享了关于谷歌疯狂扩张算力的一些数据——各季度新增加的⾼级芯⽚总数。

对于OpenAI来说，他们拥有的总GPU数量将在2年内增加4倍。

而对于谷歌来说，所有人都忽视了，谷歌拥有TPUv4（PuVerAsh）、TPUv4 lite，以及内部使⽤的GPU的整个系列。

此外，TPUv5 lite没有在这里算进去，尽管它可能是推理较⼩语⾔模型的主⼒。

如下图表中的增长，只有TPUv5（ViperAsh）可视化。

即使对他们的能力给予充分肯定，谷歌的算力也足以让所有人都傻了眼。

实际上，谷歌拥有的TPUv5比OpenAI、Meta、CoreWeave、甲骨文和亚马逊拥有的GPU总和还要多。

并且，谷歌能够将这些能力的很大一部分出租给各种初创公司。

当然，就每个芯片方面的性能来说，TPUv5与H100相比有显著的差距。

撇开这点不说，OpenAI的算力只是谷歌的一小部分。与此同时，TPUv5的构建能够大大提升训练和推理能⼒。

此外，谷歌全新架构的多模态大模型Gemini，一直在以令人难以置信的速度迭代。

据称，Gemini可以访问多个TPU pod集群，具体来讲是在7+7 pods上进行训练。

爆料者表示，初代的Gemini应该是在TPUv4上训练的，并且这些pod并没有集成最大的芯片数——4096个芯⽚，而是使用了较少的芯片数量，以保证芯片的可靠性和热插拔。

如果所有14个pod都在合理的掩模场利用率（MFU）下使⽤了约100天，那么训练Gemini的硬件FLOPS将达到超过1e26。

作为参考，爆料者在上次「GPT-4架构」文章中曾详细介绍了GPT-4模型的FLOPS比2e25稍高一点。

而⾕歌模型FLOPS利⽤率在TPUv4上⾮常好，即使在⼤规模训练中，也就是Gemini的第⼀次迭代，远远⾼于GPT-4。

尤其是，就模型架构优越方面，如增强多模态，更是如此。

真正令人震惊的是Gemini的下一次迭代，它已经开始在基于TPUv5的pod上进⾏训练，算力高达~1e26 FLOPS，这比训练GPT-4要大5倍。

据称，第⼀个在TPUv5上训练的Gemini在数据⽅⾯存在⼀些问题，所以不确定谷歌是否会发布。

这个~1e26模型可能就是，公开称为Gemini的模型。

再回看上⾯的图表，这不是⾕歌的最终形态。⽐赛已经开始了，而⾕歌有着巨⼤的优势。

如果他们能够集中精力并付诸实施，至少在训练前的计算规模扩展和实验速度方面，他们终将胜出。

他们可以拥有多个比OpenAI最强大的集群，还要强大的集群。谷歌已经摸索了一次，还会再来一次吗？

当前，⾕歌的基础设施不仅满⾜内部需求，Anthopic等前沿模型公司和⼀些全球最⼤的公司，也将访问TPUv5进⾏内部模型的训练和推理。

⾕歌将TPU迁移到云业务部门，并重新树立了商业意识，这让他们赢得了一些大公司的青睐果断战斗。

未来几个月，你将会看到谷歌的胜利。这些被推销的公司，有的会为它的TPU买单。

参考资料：

https://www.semianalysis.com/p/google-gemini-eats-the-world-gemini