AI的物質基礎是機器學習硬件，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，用于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，利用公開信息估計了全球機器學習硬件的現狀和趨勢。

除了傳統硬件廠商英偉達、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年全球機器學習硬件的計算能力示意圖

除了GPU，硬件類型也豐富了起來。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：

1. 總量每年增長43%，價格下降30%。
2. 低精度計算成為主流。
3. 頂級硬件能效每1.9年翻一番。
4. 八年間，訓練大型模型所需的處理器數量增加了20多倍。
5. 全球NVIDIA支持的計算能力平均每10個月翻一番。

關鍵發現：ML硬件的「摩爾定律」

ML硬件每年增長43%

以16位浮點運算衡量，機器學習硬件的性能以每年43%的速度增長，每1.9年翻一番。32位性能也存在類似的趨勢。

優化機器學習數字格式和張量核心提供了額外的改進。

驅動因素還包括晶體管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，并實現了大規模人工智能訓練。

機器學習硬件在不同精度下的峰值計算性能

性價比每年提升30%

每美元性能提升迅速，并且任何給定精度和固定性能水平的硬件每年都會便宜30%。與此同時，制造商不斷推出更強大、更昂貴的硬件。

單位時間單位價格下的FLOP

低精度格式是趨勢

在使用針對人工智能計算優化的張量核心和數據格式時，GPU通常速度更快。

與使用非張量FP32相比，TF32、張量FP16和張量INT8在總體性能趨勢中平均提供約6倍、10倍和12倍的性能提升。

一些芯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，這些改進約占整體性能趨勢改進的一半。隨著開發人員利用這種性能提升，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

根據歷史數據，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2.1x10^12FLOP/s）和NVIDIA H100（每瓦高達1.4x10^12FLOP/s）。即將推出的Blackwell系列處理器可能會更有效率，具體取決于其功耗。

模型也各有所愛

在Epoch的數據集中，NVIDIA A100是用于高引用或最先進人工智能模型的最常用的硬件，自發布以來已用于65個著名ML模型。

其次是NVIDIA V100，用于訓練55個著名模型，其次是谷歌的TPU v3，用于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

訓練集群規模猛增

用于訓練大型語言模型（LLMs）的處理器數量的顯著增長。

• Google NASv3 RL網絡(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和亞馬遜擁有相當于數十萬個NVIDIA H100的AI算力。

這些計算資源既用于他們內部的AI開發，也用于云客戶，包括許多頂級AI實驗室，如OpenAI和Anthropic。

谷歌可能擁有相當于超過一百萬個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，包括其他云公司如Oracle和CoreWeave，計算用戶如特斯拉和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，而其他公司的數據公開較少。

初步工作發現，截至2024年中，谷歌TPU的總算力大約是英偉達芯片的30%。

英偉達每年不止翻一番

自2019年以來，NVIDIA芯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芯片目前占其所有AI硬件總計算能力的77%。按照這種增長速度，舊的芯片型號在其推出后大約4年左右，對累計計算量的貢獻往往會低于一半。

請注意，此分析不包括TPU或其他專用AI加速器，因為這方面的數據較少。TPU可能提供與NVIDIA芯片相當的總計算能力。

按芯片型號分解，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，約相當于400萬個H100。

注意：這些估計基于NVIDIA的收入申報文件，并假設不同時代芯片的分布隨時間變化的模式與AI集群數據集中的模式相同。

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。

但僅考慮數據中心銷售額，而忽略NVIDIA收入報告中「游戲」（Gaming）銷售額帶來的計算能力。

公開數據集

Epoch同時公布了機器學習硬件數據集和數據分析源代碼。

https://epoch.ai/data/machine-learning-hardware-documentation#overview

詳細數據分析流程，參見下列NoteBook。

https://colab.research.google.com/drive/1gbbrKDKFjghUPmH-aSI9ACtb1Iuwg-cR?usp=sharing