生成式AI终于爆发！亚马逊云科技构建多款实例降低大模型成本
（全球TMT2023年3月8日讯）经过60余年的等待，生成式AI（Generative AI）终于爆发了。
早在1957年，莱杰伦·希勒和伦纳德·艾萨克森就完成了历史上第一支由计算机创作的弦乐四重奏《伊利亚克组曲》。而生成式AI真正走向产业化发展则是在2022年。这一年，Stability AI获得超过一亿美元的融资，估值突破十亿美元，并选择亚马逊云科技作为首选云供应商，其提供的开源AI模型Stable Diffusion可以根据用户输入的文字自动生成图片。Stability AI由此成为生成式AI领域第一家独角兽企业。
Gartner预计，到2025年，大型企业机构对外营销信息中的合成信息比例将从2022年的不到2%上升到30%。
在生成式AI方面，亚马逊云科技已经深耕了很长时间，拥有成熟的生成式AI专属解决方案，既提供经过广泛验证且易于部署的先进AI算法模型，又提供丰富且高性价比的云端资源以优化成本，旨在帮助游戏、电商、媒体、影视、广告、传媒等行业快速构建生成式AI应用通路，打造AI时代的领先生产力。
"从AI技术发展来看，生成式AI开启了一次范式变迁。大模型、多模态、高算力和海量数据将主导新一轮科技范式的发展，为内容、营销、游戏等行业带来颠覆性创新。"亚马逊云科技大中华区产品部总经理陈晓建表示，"亚马逊云科技广泛而深入的生成式AI专属解决方案，以先进的性能、更优的性价比和全面的服务赋能千行百业，助力各个规模的企业拥抱生成式AI的浪潮。"
降低成本，让生成式AI触手可及
亚马逊云科技认为，目前生成式AI模型主要集中在文本和图片生成，正在逐步渗透到音频和视频内容生成，未来将出现越来越多的跨模态/多模态内容生成。通用大模型更容易引发热议，但对企业而言，针对特定场景的模型在成本和准确度方面都更具优势，也是目前企业主要采用的模型。芯片性能和高质量训练既是生成式AI爆发的基础，也是其实现飞跃式发展的瓶颈。
之前模型的参数量级可能是千级或百万级，但今天拥有十亿百亿级参数的模型比比皆是，下一代模型有可能会朝着万亿级参数级别去发展。因此，降低大模型的成本至关重要。
虽然，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。
2022亚马逊云科技re:Invent全球大会推出了一款基于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。
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%。
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。
行业先行者的最佳实践
以AI绘画走红全球的Stability AI备受瞩目，其开源AI模型Stable Diffusion自2022年8月推出以来，已经被全球超过20万开发者下载和授权。在算力需求方面，Stable Diffusion模型所需的算力硬件成本已超过5000万美元。
Stability AI利用亚马逊云科技上的大规模GPU集群和Amazon Trainium机器学习训练芯片组成的高性能计算集群来训练其生成式AI基础模型，并通过云上模型训练的弹性来优化成本，最终将其使用的GPT-NeoX等开源语言模型的训练时间和成本减少58%。
