揭开ChatGPT的算力面纱：高精度GPGPU是核心
一、ChatGPT对基础科技的启示录
ChatGPT的诞生不仅是人工智能发展的奇异点，还是一个重要的里程碑。因为它（他/她）首次让人类见证了被造物打破启发性（Heuristic）壁垒的时刻。
人工智能（AI）成型于1970年代，是一整套算法和理念的系统性理论。伴随人类对数据处理能力的提高，模拟神经网络并通过训练和推理的机器学习方式逐渐成为了主流。然而，在AI界定当中，除了大家熟知的图灵测试之外，还有一个争论一直困扰着人类。那就是启发性壁垒。所谓启发性壁垒，通俗地讲，就是认为作为人类创造物的AI无法具备人类一样的创作灵感。这是由于AI是基于已知的数据库而训练的，能否像人类一样对未知领域有研究性思维是存疑的焦点。直至5年前，Alpha Zero诞生时，才让人类首次看到了打破启发性壁垒的希望。当时，Alpha Zero掌握了没有教给它的相关概念和知识，在未知领域获得了推理结论，并依靠这些人类棋谱没有的棋路，战胜了人类。如今，ChatGPT之所以能够火爆全球的原因之一就是具备了更广泛的创作性（或者说，打破了启发性壁垒）。上线短短两个月就斩获了1亿月活跃用户，成为史上增长最快的消费级应用。而另一方面，人类对ChatGPT的危机感也恰恰就是来自于它自身的启发性。特别是，ChatGPT可以为用户提供部分人类都难以做到的创作性工作，例如文章撰写、程序编写等等。
综上所述，ChatGPT的出现不再是传统意义上的计算机智能化助手，而是从根本思维上颠覆了人类社会的未来走向。当我们揭开ChatGPT的面纱，你会发现它（她/他）的开发逻辑是近些年逐步替代了RNN(循环神经网络)和 CNN(卷积神经网络) 的Transformer架构语言模型。相较于RNN，Transformer引入了自我注意力(Self-attention)机制，结合算法优化可以实现并行运算，大量节约训练时间。可以看出，Transformer作为AI算法的进化是计算机软件层面的一个发展。因此，为了支撑这种算法的不断进化，需要一整套通用算力系统，而不是把大量资源投入到执行特定已知算法的专用芯片（ASIC，Application Specific Integrated Circuit）当中。换句话说，要想诞生ChatGPT这样的革命性成果，需要构建的是由高精度GPGPU（通用协处理器）+ CPU（中央处理器）的通用异构计算体系，让各种尝试和各种创新在通用体系上自由生长。而事实上，ChatGPT也正是在这种由高精度GPGPU组成的异构计算体系中诞生的。
在我国，过热的AI应用技术已经迎来了瓶颈，很多AI公司走向了AI专用芯片的道路。这种走向固化硬件的环境只能带来应用层面的发展，而无法带来革命性进步。在旧地图中，找不到新地址；没有通用化的计算沃土，也就没有了基础科技的发展。这也就是为什么《三体》中的“智子”锁死地球的基础科学，而对应用科技相对放任的缘故。因此，我们应该感谢ChatGPT的诞生，它让我们理性地思考AI的发展方向和未来竞争力，让我们不再为计算机视觉等应用层面的AI成就而欢呼。更让我们戒骄戒躁，认识到构建通用型算力的重要性。在过去的几年中，我们已经错失了通用量子计算机的“霸权”奇异点，又在去年相继失去了可控核聚变和生成型人工智能的先机。那么，支撑基础科技奇异点的的高精度GPGPU到底是一种什么样的存在呢？
二、揭开ChatGPT的算力面纱
所谓GPGPU是一种弱化GPU的图形显示能力，而将全部资源投入并行计算的处理器。同时，高精度GPGPU需要复杂的高精度设计，又需要先进工艺制程的加持，是我们国家至今所欠缺的领域。高精度GPGPU同时拥有超高算力、极低能耗、及极强的可编程性。因此，高精度GPGPU不仅可以适配各种AI算法，更能为AI与各行业的融合发展提供沃土。因此，由高精度GPGPU构成的异构计算体系支撑了整个工业、科研、国防和民生十余个领域的数字化智能化发展。从国际巨头英伟达（NVIDIA）的财报当中可以看出，其旗舰GPGPU产品（用于高性能计算和人工智能的新型数据中心）占总收入的50%以上，是支撑英伟达公司高达近3.5万亿人民币市值的最大一块业务，同时也是该公司最强劲增长的业务板块之一。除了得益于近5年来在计算解决方案的深耕，英伟达建立的辐射20余个行业的广泛市场根基就是基于这种可以全精度覆盖（特别是高精度）的GPGPU旗舰产品。反观我国的GPGPU发展，起步较晚，存在高精度壁垒。纵观全国，目前有一家成立于2019年的“北京红山微电子技术有限公司”能够提供与美国英伟达（NVIDIA）和超微（AMD）一样的全精度GPGPU。此外，另有中科海光推出的DCU产品，能够作为并行计算加速芯片覆盖到64位高精度，但其分类并不是GPGPU。2020年之后，我国的投资界兴起了对GPU/GPGPU的投资热潮，有不下十余家的企业大规模融资。然而，根据各家的测试数据和官网信息，这些企业当中的绝大多数（除上述的北京红山微电子技术有限公司之外）尚未打破高精度GPGPU的壁垒。由于精度壁垒和应用能力的不足，造成了国产GPGPU在应用市场受到重挫，很多GPU/GPGPU公司甚至无法实现销售，使得整个投资市场骤然降温。此外，很多国产GPU/GPGPU公司为了短期成型，采购了海外的第三方设计IP，实质上仅做了SoC（System on a Chip）的工作，并没有掌握GPGPU的设计核心。甚至有些公司的GPGPU无法达到32位精度，连支撑ChatGPT的训练都不充分。一时间，中国国产的GPGPU成为了市场的怪谈，越来越多的谣言更加误导了市场。
部分国内外旗舰GPGPU（红框内覆盖全精度）列表
来源：中信证券报告，官网公开信息
根据IDC数据，2021年，GPU/GPGPU服务器以91.9%的份额占我国加速服务器市场的主导地位；NPU、ASIC和FPGA等非GPU加速服务器仅占比8.1%。高精度GPGPU在加速硬件能力上的优势比较明显，在深度学习训练方面最为适用，对美国英伟达的依存度极高。
我国高性能及AI服务器中各类加速芯片占比
来源：IDC
三、打破关于高精度GPGPU的几大谣言
谣言1：高精度（64位）无用论
目前高精度GPGPU芯片（含FP64/FP32）对我国芯片领域仍然是项“卡脖子”技术，这是因为64位高精度GPGPU设计异常复杂，在同等浮点计算能力的情况下，64位计算精度的设计区域大，逻辑门难度较32位精度设计呈指数级递增。
在AI的训练方面，由于大模型训练成本极高（GPT-3训练成本约为460万美元/次），为提高模型准确性，降低再训练风险，因此对单次大模型的训练精度要求极高，更高的训练精度可以降低代码出错的频率，提升模型训练效率。
因为采用不同位数的浮点数的表达精度不一样，所以造成的计算误差也不一样，对于需要处理的数字范围大而且需要精确计算的科学计算来说，更需要采用高精度GPGPU的双精度浮点计算能力（FP64），可覆盖工业、科研与国防等所有应用领域。
因此，具备全精度覆盖能力的GPGPU（特别是高精度）将辐射人工智能（AI）与高性能计算（HPC）的所有领域，意味着AI的统计推理和高性能计算（HPC）的第一性原理相结合，是两种传统研究范式应用的叠加。这种叠加正是多个万亿级市场的数字化及智能化根基，包括药物设计、新材料、航空航天、自动驾驶、基因工程和新能源领域。
因此，从GPU龙头企业英伟达的旗舰产品白皮书中可以看出，其对64位高精度浮点计算的布局占25%，对64/32位高精度区域的布局占整个芯片的约一半左右，是市场反应在产品上的缩影，更是该公司旗舰产品核心中的核心。
以ChatGPT应用的美国英伟达公司高精度GPGPU举例：
谣言2：ChatGPT等AI只需要低精度,甚至是整数精度
人工智能深度学习模型需要处理两大任务，即训练和推理。 训练需要密集的计算得到模型，没有训练，就不可能会有推理。由于国内绝大多数GPU/GPGPU的精度普遍偏低，因此市场上流传了低精度主导AI的错误言论。过分强调低精度覆盖的AI推理而忽视高精度的训练，则严重误导了市场的发展方向。
AI训练的时候因为要保证前后向传播，每次梯度的更新是很微小的，这个时候需要相对较高的精度。一般来说需要Float型，如FP32，32位的浮点型来处理数据，如果用低精度来训练则代码出错的概率较高。推理对精度的要求没有那么高，可以用低精度，如FP16，也可以用8位的整型（INT8）来做推理，研究结果表明没有特别大的精度损失，但是需要综合考虑功耗、速度等其它问题。
谣言3：国产GPU/GPGPU兼容英伟达的CUDA生态
CUDA（Compute Unified Device Architecture，统一计算设备架构）是由 NVIDIA于2007年推出的通用并行计算架构，专为图形处理单元 (GPU) 上的通用计算开发的并行计算平台和编程模型。借助 CUDA，开发者能够利用 GPU 的强大性能显著加速计算应用。由于CUDA易于编程和性能飞跃，加上拥有广泛而丰富的生态系统，CUDA让NVIDIA的GPU生态圈迅速成型。
由于CUDA的闭源特性，以及快速的更新，后来者很难通过指令翻译等方式完美兼容，即使部分兼容也会有较大的性能损失，导致在性价比上持续落后NVIDIA。另一方面，CUDA毕竟是NVIDIA的专属软件栈，包含了许多NVIDIA GPU硬件的专有特性，这部分在其他厂商的芯片上不能得到体现。因此对于国内厂商来说，还是需要构建自主的软硬件生态。
综上所述， ChatGPT使用了约1万颗英伟达高精度GPGPU来训练AI模型。随着参数量和语料库指数级的扩容，ChatGPT类人工智能需要更充足的算力支持其处理数据，同时需要投入更多高性能的算力芯片来处理千亿级别参数量。随着ChatGPT的横空出世，人工智能作为人类创造物首次打破了启发性壁垒。在可预见的未来，通用型人工智能必将深入到各行各业，成为人类社会变革的新动力。为迎接这个时代的来临，我们应在覆盖全行业全智能化的基础上充分布局。因此，发展我国自己的高精度GPGPU，并基于此构建并行计算生态已刻不容缓。