AIGC爆火的背后，我们更需要算力“新基建”

如果你是一名科技迷兼玩家，那么你一定听说过《骑马与砍杀2》最近出现的NPC对话MOD，在它的加持下，NPC不再是只会重复“直到我的膝盖中了一箭”的复读机，也跳出了靠预置选项交互的限制，而是与活人一般与玩家输入的文本实时交流，甚至还注意到了人物身份而使用了敬语。

在MOD的加持下，原本只是“工具人”的各色NPC不仅拥有了姓名，还自动生成了符合游戏和个人设定的履历及开放式对话。

赋予NPC灵魂的神奇MOD背后，是OpenAI最新推出的人工智能聊天机器人——ChatGPT（Chat Generative Pre-trained Transformer，聊天生成型预训练变换模型），这款推出两个月即达到1亿用户量的应用，已经创下了用户增长最快的世界纪录。

除了可以透过人类自然对话方式进行交互，ChatGPT还可以用于相对复杂的语言工作，包括（剧本、歌词、企划等）自动文本生成、自动问答、自动摘要等在内的多种任务，甚至可以写出相似于真人程度的文章，或帮助程序员编写程序。

如果你对游戏和聊天都不感兴趣，那么作为一名LSP，你一定也看过下面这类神秘“小姐姐”的靓照。

是的，它们也都是AI自动生成的产物。

2022年，被称为AIGC元年。顾名思义，AIGC（AI-generated content）区别于传统的UGC（User-generated content用户生产内容）、PGC（Professional-generated content专家生产内容）、OGC（Occupationally-generated Content职业生产内容），将内容生产的工作交给AI，让它们在模型和算法的引领下替人舞文弄墨、妙笔生花，甚至是制造以假乱真的视频。

从2022年9月AI绘画爆火，到11月30日OpenAI正式发布ChatGPT，AIGC的强大正掀起一场新的科技革命。

无论是堪称通过图灵测试的ChatGPT，还是以假乱真的AI绘画，其背后均离不开算法与模型。2014年，人工智能专家Ian Goodfellow以CNN（Convolutional Neural Networks深度卷积神经网络）为基础，创造性地令两组神经网络产生对抗：生成网络产生“假”数据，并试图欺骗判别网络；判别网络对生成数据进行真伪鉴别，试图正确识别所有“假”数据。在两者的对抗中，强大的“造假能力”逐渐演化出来，并用于图像合成等场景。

这便是GAN（Generative Adversarial Network生成式对抗网络）诞生的故事，作为21世纪最强大的算法模型之一，GAN从2015年起被投入实际应用中。同一年，OpenAI在美国硅谷诞生，并向AGI（Artificial General Intelligence通用人工智能）研究发力，致力于让AI成为改变人类生活的新技术。

和AlphaGo、智能驾驶等决策式AI所不同的是，AIGC又被称为“生成式AI”，它所擅长的是根据已有条件进行缝合式创作、模仿式创新，堪称究极“缝合怪”。它的诞生与进化，离不开大模型的突破；而大模型的突破，又堪称“大力出奇迹”的典范。

简而言之，如果将AI看作不谙世事的婴儿，让它认识世界的过程，就是不断将样本打上标签后让其记忆的过程。AI发展早期，所有的样本标签都需要人工标注，再喂给AI学习，效率低下不说，还无法处理复杂情况。

随着Transformer架构的诞生与发展，NLP（Natural Language Processing自然语言处理）有了长足进步。基于Transformer架构的GPT系列等预训练模型，从需要人工标注数据迈向无监督学习，逐步替代了GAN等模型。

有了高效算法和强大算力的支持，AI能处理的样本数量及难度指数型上升，进入无需人工干预的时代，而样本参数量达到一定量级产生质变后，具备高度泛用性的大模型便应运而生，并进一步反哺样本的采集和分析，达到自我进化。

问渠哪得清如许，为有源头活水来。大模型的建立与大量数据的训练学习，在AI进化之路上相辅相成，缺一不可。如果把AI模型比作人的大脑，那参数就相当于大脑中神经元的数量。伴随着“神经元”数量平均每3、4个月倍增一次的增长速度而来的，则是同样水涨船高的训练成本。

据OpenAI测算，自2012年起，全球头部AI模型训练算力需求每3-4个月翻一番，每年头部训练模型所需算力增长幅度高达10倍，而ChatGPT训练阶段总算力消耗约为3640 PF-days（以每秒计算一千万亿次为标准，一共需要计算3640天）。

公开信息显示，2018年6月，OpenAI发布的首代GPT参数量仅为1.17亿个，而ChatGPT背后的GPT-3.5模型已增加至1750亿个参数，多过人脑拥有的860亿个神经元数目，预训练数据量也从5GiB增加到45TiB。

2023年2月20日，复旦大学自然语言处理实验室发布了中国首个类ChatGPT模型MOSS，发布当晚因为流量过大一度瘫痪。复旦科研团队坦承，“MOSS的英文回答水平比中文高，因为它的模型基座学习了3000多亿个英文单词，中文词语只学了约300亿个。”

目前，MOSS的最大短板是中文水平不够高，主要原因是互联网上中文网页干扰信息如广告很多，清洗难度很大。为此，复旦大学自然语言处理实验室正在加紧推进中文语料的清洗工作，并将清洗后的高质量中文语料用于下一阶段模型训练。复旦科研团队相信，这将有效提升模型的中文对话能力。

如此庞大的模型背后，投入的运营资金自然是天文数字。正如前面所提到的，AI模型的每一次训练，都需要输入极其庞大的样本数据，AI进入无监督学习时代后，所需样本更是如恒河沙数。半导体产业分析机构SemiAnalysis估算，应用ChatGPT的一次性训练费用约为8.4亿美元，每天的硬件维护费为69.4万美元，每次对话费用为0.36美分。按此估算，ChatGPT一亿的月活用户每个月只做一次对话，每月也至少需要5682万美元（约合3.86亿元人民币）的维护费。

AI训练的费用之所以如此高昂，与其所需的GPU算力密不可分。2023年2月12日，国盛证券在报告《ChatGPT 需要多少算力》 中，以当年1月平均每天约有1300万独立访客使用ChatGPT进行估算，得出所需的英伟达A100 GPU需求为3万多片，仅初始投入成本就约为8亿美元，每日电费在5万美元左右，而这只是AI所需算力的九牛一毛。

随着国内外厂商相继入局研发AI大模型，对算力的需求只会水涨船高，同时，由于A100芯片在国内被禁售，研发难度更是大幅度提升。

AI爆炸式发展的当下，如何把握先机？云算力共享平台——深脑链（DeepBrainChain）给出了一个可能的答案：基于区块链技术构建分布式网络，将散落闲置的GPU算力汇聚起来，令星星之火成燎原之势。

说起深脑链（DBC）的运作逻辑，或许可以追溯到起源于1999年的SETI@home（Search for Extraterrestrial Intelligence at home，在家探索外星文明）项目，由美国加州伯克利大学发起的该项目，旨在利用参与者的闲置算力，分析射电望远镜在扫描宇宙时收集到的信号，以寻找地外生命，可谓算力“众筹”的滥觞。

恪于“黑暗森林”法则，或许我们穷其一生都无法与外星人有真正的接触，但若将分布式计算与区块链相结合，辅以推动人类长足进步的美好愿景，深脑链（DBC）便应运而生。

具体运作上，深脑链（DBC）首先解决的是算力问题，通过区块链挖矿机制，深脑链的矿工因为挖矿利益而保持在线，持续提供AI有效算力，并累积形成一个庞大的算力池。

此时，AI企业可以支付DBC也就是深脑币，租用算力来验证算法，训练模型。对于算力需求者而言，比起自行高价采购硬件，租用GPU服务器拥有不可比拟的优势：一是按需使用，性价比高；二是云平台带来的高可迁移性，只要能上网就能顺利使用。

与此同时，深脑链（DBC）还设计了一系列安全交易产品，利用区块链的公开性、可追溯性和不可逆改这三大特性，分离数据拥有权和使用权，保护AI训练时的数据隐私，也解决了AI产业的买卖信任问题。同时，深脑链的去中心化特性也保证了系统的安全。它通过将计算能力分散到网络中的许多节点，避免了对单一中心的依赖，实现了更高的安全性和可靠性。

此外，深脑链（DBC）不仅提供了高效的算力资源，还为开发者提供了一个完整的开发环境，方便开发人员快速部署和扩展应用。

基于种种优势，目前深脑链（DBC）已广泛运用于人工智能、无人驾驶、云游戏、视觉渲染、生物制药等各种场景。

如果说，挖取比特币（BTC）、莱特币（LTC）等加密数字货币的行为，是“为了挖矿而挖矿”，在“利己”的基础上“顺便”帮助维护这一全球性支付网络；那么参与深脑链（DBC）云GPU算力平台，则更多地带上“利他”的属性。换句话说，参与者得到的不再是饱受争议甚至遭部分国家强力封禁的虚拟货币，更是在真切帮助世界进步。

人工智能技术已经进入普适时代，很多事情都可以由人工智能代替人类来完成，大大提高生产力。正如深脑链（DBC）在其愿景中所描绘的一样，站在未来的基点上，构建一个无限可扩展的高性能分布式算力网络，将成为AI+元宇宙时代最重要的计算基础设施。而对于算力“新基建”的前瞻性投入，也将助力参与者在AI新纪元占得先机。