文章轉載於新智元
AI的物質基礎是機器學習硬體，例如圖形處理單元（GPU）和張量處理單元（TPU）。
據不完全統計，目前全球超過140款AI加速器，用於開發和部署深度學習時代的機器學習模型。
Epoch AI帶來了全球算力的估計報告，利用公開資訊估計了全球機器學習硬體的現狀和趨勢。
除了傳統硬體廠商英偉達、AMD等紛紛推出加速卡，一些新興勢力開始「造芯」，算力持續提升。
2008至2024年全球機器學習硬體的計算能力示意圖
除了GPU，硬體型別也豐富了起來。比如，出現了專門處理張量計算的TPU（張量處理單元，Tensor Processing Unit）。
報告的主要結論，總結如下：
-
總量每年增長43%，價格下降30%。
-
低精度計算成為主流。
-
頂級硬體能效每1.9年翻一番。
-
八年間，訓練大型模型所需的處理器數量增加了20多倍。
-
全球NVIDIA支援的計算能力平均每10個月翻一番。
1
關鍵發現：ML硬體的「摩爾定律」
ML硬體每年增長43%
以16位浮點運算衡量，機器學習硬體的效能以每年43%的速度增長，每1.9年翻一番。32位效能也存在類似的趨勢。
最佳化機器學習數字格式和張量核心提供了額外的改進。
驅動因素還包括電晶體數量的增加和其他半導體制造技術的進步，以及針對AI工作負載的專門設計。這種改進降低了每FLOP的成本，提高了能源效率，並實現了大規模人工智慧訓練。
機器學習硬體在不同精度下的峰值計算效能
價效比每年提升30%
每美元效能提升迅速，並且任何給定精度和固定效能水平的硬體每年都會便宜30%。與此同時，製造商不斷推出更強大、更昂貴的硬體。
單位時間單位價格下的FLOP
低精度格式是趨勢
在使用針對人工智慧計算最佳化的張量核心和資料格式時，GPU通常速度更快。
與使用非張量FP32相比，TF32、張量FP16和張量INT8在總體效能趨勢中平均提供約6倍、10倍和12倍的效能提升。
一些晶片甚至實現了更大的加速。例如，H100在INT8時的速度比在FP32時快59倍。
自推出以來，這些改進約佔整體效能趨勢改進的一半。隨著開發人員利用這種效能提升，使用較低精度格式（尤其是張量FP16）訓練的模型已經變得很常見。
能效每1.9年翻一番
根據歷史資料，頂級GPU和TPU的能效每1.9年翻一番。
就tensor-FP16格式而言，效率最高的加速器是Meta的MTIA（每瓦高達2.1×10^12FLOP/s）和NVIDIA H100（每瓦高達1.4×10^12FLOP/s）。即將推出的Blackwell系列處理器可能會更有效率，具體取決於其功耗。
模型也各有所愛
在Epoch的資料集中，NVIDIA A100是用於高引用或最先進人工智慧模型的最常用的硬體，自發布以來已用於65個著名ML模型。
其次是NVIDIA V100，用於訓練55個著名模型，其次是谷歌的TPU v3，用於47個。
然而，估計NVIDIA H100到2023年底的銷量已超過A100，因此它可能在不久的將來成為訓練模型最受歡迎的GPU。
不同加速器訓練的知名模型數量
2019年至今，不同領域大模型訓練所需算力比較
訓練叢集規模猛增
用於訓練大型語言模型（LLMs）的處理器數量的顯著增長。
-
Google NASv3 RL網路(2016):使用了800個GPU進行訓練。 -
Meta Llama 3.1 405B(2024):使用了16,384個H100 GPU進行訓練。
這意味著在短短八年間，訓練大型模型所需的處理器數量增加了20多倍。
四大「算力帝國」？
谷歌、微軟、Meta和亞馬遜擁有相當於數十萬個NVIDIA H100的AI算力。
這些計算資源既用於他們內部的AI開發，也用於雲客戶，包括許多頂級AI實驗室，如OpenAI和Anthropic。
谷歌可能擁有相當於超過一百萬個H100的計算能力，主要來自他們的TPU。
微軟可能擁有最大的NVIDIA加速器庫存，約為50萬個H100當量。
大量的AI計算能力由這四家公司以外的集團共同擁有，包括其他雲公司如Oracle和CoreWeave，計算使用者如特斯拉和xAI，以及各國政府。
之所以重點介紹谷歌、微軟、Meta和亞馬遜，因為他們可能擁有最多的計算能力，而其他公司的資料公開較少。
初步工作發現，截至2024年中，谷歌TPU的總算力大約是英偉達晶片的30%。
英偉達每年不止翻一番
自2019年以來，NVIDIA晶片的總可用計算能力大約每年增長2.3倍，從而能夠訓練越來越大的模型。
也就是說，全球NVIDIA組成的計算能力平均每10個月翻一番。
Hopper這一代NVIDIA AI晶片目前佔其所有AI硬體總計算能力的77%。按照這種增長速度，舊的晶片型號在其推出後大約4年左右，對累計計算量的貢獻往往會低於一半。
請注意，此分析不包括TPU或其他專用AI加速器，因為這方面的資料較少。TPU可能提供與NVIDIA晶片相當的總計算能力。
按晶片型號分解，發現目前大約77%的NVIDIA FLOP/s來自Hopper代際的GPU，如H100。
目前估計NVIDIA GPU可提供4e21 FLOP/s的計算能力，約相當於400萬個H100。
注意：這些估計基於NVIDIA的收入申報檔案，並假設不同時代晶片的分佈隨時間變化的模式與AI叢集資料集中的模式相同。
英偉達23-24年季度財報
此外，報告發現自2019年以來，計算能力的累計總和（考慮折舊）每年增長2.3 倍。
但僅考慮資料中心銷售額，而忽略NVIDIA收入報告中「遊戲」（Gaming）銷售額帶來的計算能力。
1
公開資料集
Epoch同時公佈了機器學習硬體資料集和資料分析原始碼。
https://epoch.ai/data/machine-learning-hardware-documentation#overview
詳細資料分析流程，參見下列NoteBook。
https://colab.research.google.com/drive/1gbbrKDKFjghUPmH-aSI9ACtb1Iuwg-cR?usp=sharing
參考資料：
https://epoch.ai/data/machine-learning-hardware