ChatGPT作為近幾個月持續的熱點話題，熱度不減的背后，是人工智能內容自動生成技術算力需求的水漲船高。一方面，ChatGPT帶動了算力需求增長，另一方面，ChatGPT又對算力支撐提出了更高的要求。

有數據顯示，ChatGPT一次模型訓練需要的總算力消耗是3640PF-days，耗資約1200萬美元，且在運營過程中也需要相當大的開銷。根據國盛證券報告，以ChatGPT在1月的獨立訪客平均數1300萬計算，其對應芯片需求為3萬多片英偉達A100 GPU，大概需要的算力成本為8億美元，每天的電費成本在5萬美元左右。ChatGPT獲得微軟130億美元的投資，是其高算力投入背后的信心支撐。正是有了科技巨頭微軟從資金、未來市場，到算力基礎設施(Azure云)的全方位支持，OpenAI才能夠以獨立創業企業的身份，完成如此巨大的工程。算力要求和參數量級緊密相關，參數量級也是當前衡量大模型訓練質量的一個重要參考。參數量越大，模型越智能，隨之而來的開銷也就越大。這一點形成了GPT類型高門檻的特點。GPT-3之前的版本是開源的，其他創業者比較容易以此為基礎開展新的研發工作。從GPT-4開始，OpenAI開放API以字節流量收費。不論是應用開發，還是在此基礎上進行二次模型開發，都存在較高門檻。

比較有趣的事情是Meta公司的LLaMA源代碼泄露。由此出現了所謂的“羊駝家族”(“Llama”可譯為“羊駝”)大模型，希望獲得開源資源的開發者可以在GPT-3之外獲得一個新的選擇。

“大模型”對算力的高度依賴至少造成兩個重大影響。

一是這已經不是“草根”創業的游戲，也不是以往互聯網創業“Copy To China”的游戲，而是“真刀真槍”的核心能力大比拼，從資金、技術到企業戰略定力的全方位考核。在傳統工業時代，中國從加工業開始，逐漸向高價值的核心技術研發攀升，但實際上距離歐美最先進水平還有一定距離。特別是在材料科學等需要長時間技術積累的類目上，差距依然很大。

進入數字時代，中國產業界的共識變為直接從核心技術研發開始。

美國與中國的科技依存度減弱已成趨勢。雖然現在只是芯片行業受到掣肘， 但是如果“大模型”發展成為生產要素，我們也一定會遇到同樣的問題。因此，中國必須擁有自己的“大模型”核心技術。中國科技企業看到這樣的必然性，對“大模型”進行大投入也成為趨勢。

中小科技企業在沒有能力開發原生“大模型”的情況下，可以利用GPT-3或者LLaMA的開源模型進行開發或二次開發，形成自己的“大模型”。應用開發企業很少會開發原生“大模型”，除非對其應用的銷售市場有極高的信心，否則將屈服于巨大的算力成本壓力，轉而支付API使用費，利用現成模型開發相關應用。

二是“東數西算”建設恰逢其時，可能迎來大商機。

西部地區“綠電”資源豐富，在“東數西算”整體規劃下，西部樞紐主要承擔備份存儲的工作;東部地區在智慧城市、產業互聯網和互聯網服務中的即時計算工作，則放在東部地區的樞紐解決。“大模型”對算力要求巨大，東部IDC大規模占用算力資源，有三大缺點：成本高(東部電費高)、排放高(東部綠電比例小)、擠占低時延需求應用的算力資源，這為西部的算力中心創造了新的商機。

一方面，將“大模型”的訓練計算放在西部地區的IDC，對當地的通信網絡性能提升有更高要求。海量數據的吞吐是一個需要解決的問題，但解決這個問題的成本遠遠小于IDC使用費差異。

另一方面，科技公司巨頭都提出了自己的ESG(環境社會責任)目標，碳排放是其中最重要的指標。“大模型”、大算力，運行就會產生大量的碳排放，對“綠色算力”的需求也就越迫切。