原标题：ChatGPT 凭何强大？透视支撑其性能背后真实的算力秘密！

ChatGPT 一经问世便引燃了人工智能领域的新热潮！借助文字方式对话问答，ChatGPT 可以快速基于用户的问题，完成包括自动文本生成、自动摘要等相对复杂的语言工作，逼真程度令人惊讶。也正是因为其强大的功能，上线不到两个月，ChatGPT 的全球活跃用户就突破一亿大关。如此惊人的增长速度，不说后无来者，起码在短时间之内这一纪录应该很难被打破。

但是同时，我们也不乏听到有担忧的声音出现：若连创意创作都已经无法阻拦人工智能，以后岂不是万千行业都要被彻底颠覆与重构？但归根到底，还是那句老话：没有强大和经济的算力，一切都无从谈起！

正如亚马逊云科技首席执行官 Adam Selipsky 所言：“生成式 AI 有可能会改变整个产业，但是它所需的成本和专业知识，使得除了少数几家公司之外，几乎所有公司都无法使用这项技术。”

亚马逊云科技，探寻算力突破

现在，正是算力爆发的时代。以 ChatGPT 等 AI 大模型的发展为例，其算力需求大致是每两个月就会增加一倍。这样的增长要求，即便是实现了翻倍的摩尔定律也难以企及，更不消说巨大的成本需求。

据测算，ChatGPT 的单次回复至少要花费1美分。在未成为“爆款”前，满足当时100多万用户的需求，公司每天至少需要10万美元运行成本。然而当用户数高达数亿之后，每年的成本支出就将超过50亿美元。在这种情况下，想要成百上千倍地提升算力，必然需要全新的算力平台。

而亚马逊云科技正在全力探索算力的创新与突破。2月28日，市场调研机构 Counterpoint 最新公布的服务器 CPU 报告显示，亚马逊云科技3.16%的市场份额较2021年提升了近一倍。“星星之火，可以燎原”的例证，实际上在计算领域也是被一再验证过的。亚马逊云科技的 Amazon Graviton 没有对外出售，完全用于对外提供云服务,为云计算带来更加普惠的算力。

在亚马逊云科技 2022 re:Invent 全球大会上，亚马逊云科技自研的基于 Arm 架构 CPU 芯片 Amazon Graviton 发布了增强的第三代版本 Amazon Graviton3E，并将之用于更多的计算实例。Amazon Graviton 不仅仅是 Amazon EC2 的基础，也是亚马逊云科技托管服务如容器等的基础，在使用这些服务的时候，也可以享受到 Amazon Graviton 带来的性价比提升。

尤其值得称道的，是亚马逊云科技正在不断提高针对 ML（机器学习）场景的 Amazon Trainium Inferentia 芯片，在其产品和服务中的渗透率，使其扩展为使用内部加速器支持基于 ML 的实例，这代表着从通用计算向特定工作负载的转变。

机器学习正在深刻影响，并且推动着关乎我们工作和生活方方面面的突破。从传统企业到创新企业，每一家公司都在使用机器学习技术解决生存与发展的相关问题。

自研芯片，加速人工智能落地

“不管是智能语音、自动驾驶，抑或是最近火热的 AI 绘画，所有的 AI 发展都使得机器学习模型变得越来越复杂。”在日前的一场交流中，亚马逊云科技的技术专家这样表示。

过去几年里，模型的规模不断扩充，参数更是从数亿增加到数千亿个之多，训练和部署这些日益复杂的机器学习模型的高成本，正在将很多企业，尤其是小型创新公司拒之门外。

从2017年起，亚马逊云科技的工程师团队就注意到这样的趋势。在他们看来，如果不去尽快满足客户的需求，那么机器学习带来的高昂成本，很快就会成为客户不能承受之重。

为此，在芯片的设计和构建方面，亚马逊云科技推出了譬如 Amazon Graviton 系列、Amazon Trainium 、Amazon Inferentia，以及 Amazon Nitro 系统等自研芯片。

• Amazon Trainium

机器学习的芯片差不多每两年或每几年就会有一倍或数倍的提升，但仍然不足以跟上训练模型复杂度的提升。替代的解决办法就是利用分布式多处理器，通过一个网络进行协同计算、协同训练。亚马逊云科技专门为云中高性能模型训练而搭建的 Trn1 实例最多可以搭载16颗专门用于机器学习训练的 Amazon Trainium 芯片，512GB 加速器内存和 800GBps 的网络带宽。

Trn1 是拥有高性价比的深度学习实例，与基于 GPU 的类似实例相比，训练成本降低了50%。以一个具备万亿级参数的大模型进行两周训练为例，GPU 服务器 P3dn 需要600个实例，最新一代 GPU 实例 P4d 需要128个实例，但 Trn1 只需要用96个实例。

亚马逊云科技 2022 re:Invent 全球大会上推出了一款基于 Trn1 的网络优化型实例 Trn1n，进一步把网络带宽增加一倍，从 800GBps 跃升到 1600GBps，其强大的网络吞吐能力能够将超过1万个 Amazon Trainium 芯片构建在一个超大规模集群里，并在集群中进行模型的并行训练。

• Amazon Inferentia

除训练外，大模型也需要超高的推理能力。所以亚马逊云科技构建了 Inf1 实例，用自研的推理芯片 Amazon Inferentia 提供支持，实现低延时低成本的推理。Inf1 实例和 GPU 的实例相比，每次推理成本可以降低70%。

作为一种专门用于机器学习推理及驱动的服务器芯片，Amazon Inferentia 与同类基于 GPU 的服务器相比，提供了无与伦比的性价比价值、更高的吞吐量和更低的延迟。

亚马逊云科技 re:Invent 全球大会还推出了下一代自研推理芯片 Amazon Inferentia2 以及基于此的 Amazon EC2 Inf2 实例。这是唯一一个专门为大型 Transformer 模型分布式推理建立的实例。与 Inf1 实例相比，它提供高达4倍的吞吐量，降低多达10倍的延迟，与基于 GPU 的实例相比，每瓦性能提升高达45%，同时也支持诸如 GPT 类型的大型复杂模型，并且可以用单实例实现1750亿参数模型的推理。

除了高性能和低成本之外，Amazon Inferentia 系列芯片与实例在减碳方面表现卓越，符合全球绿色可持续发展的生态命题。

• 创新实践

Finch Computing 是一家软件初创公司，致力于使人类生成的文本具有机器可读性。然而，由于机器学习带来的高昂成本，使得该公司不得不强行减缓他们的前进步伐。Amazon Inferentia 的推出，让 Finch Computing 的管理者为之眼前一亮，该公司迅速将其计算密集型模型从原有的 GPU，迁移到 Amazon Inferentia，他们的回报也是立竿见影——其推理成本足足降低了80%以上。

就这样，通过以极低的成本提供强大的性能，Amazon Inferentia 为客户的创新开辟出全新的途径。

云端算力，助力 AIGC 一路狂飙

人工智能的火热出圈，最早是从去年游戏设计师杰森·艾伦通过 Midjourney 平台创作的画作赢得艺术类比赛一等奖开始。然而，这幅《太空歌剧院》却是人工智能的作品。尽管业界不乏“艺术创造性工作不应受到机器影响”这样的声音，但是丝毫也不影响一波 AIGC 热潮的到来。

AIGC（AI Generated Content，人工智能自动生成内容），是继专业生产内容（PGC, Professional-generated Content）、用户生产内容（UGC, User-generated Content）之后的新型内容创作方式。

在创意、表现力、迭代、传播、个性化等方面，AIGC 能够充分发挥技术优势，打造出新的数字内容生成与交互形态，现有的 AI 绘画、AI 写作，以及前面所说的 ChatGPT 等，都属于 AIGC 的具体表现形式。

当然，AIGC 并不是只用于聊天、绘画，必然会在大量的探索和尝试之后，转向更有价值的行业应用领域，从而对经济和社会发展产生巨大的影响力。从这一点来说，强大和经济的算力支撑，同样是 AIGC 深入发展的必要前提。

通过在芯片、服务等方面的不断创新，亚马逊云科技帮助广大客户更深入了解和探索 AIGC 在各个领域的实践，实现 AIGC 的关键趋势洞察和快速落地。

展望未来，亚马逊云科技愿继续通过提供强大、经济且绿色的通用与智能算力，针对企业未来发展中面临的超大型复杂模型计算、高昂成本等共性问题，共同推进高效和经济的算力应用，支持客户实现卓越的业务创新，获得更多的投资回报与效益，加速迈向商业成功！