如何構建可持續的ChatGPT高性能服務器端架構?_風聞

邊緣計算 | 液冷服務器 | GPT-4

深度學習 | AI服務器 | ChatGPT

在上週舉行的發佈會上，OpenAI宣佈推出了GPT-4模型。與之前的版本相比，GPT-4最大的改進是其多模態（multimodal）能力——它不僅能夠閲讀文字，還能識別圖像。值得注意的是，雖然之前有消息稱GPT-4擁有100萬億個參數，但OpenAI並沒有證實這個數字。與其相比，OpenAI更強調GPT-4的多模態能力以及其在各種測試中的表現。

據OpenAI表示，GPT-4在多種基準測試中表現出超過絕大多數人類的水平。例如，在美國律師資格考試Uniform Bar Exam、法學院入學考試LSAT、“美國高考”SAT數學部分和證據性閲讀與寫作部分的考試中，GPT-4的得分高於88%的應試者。

此外，OpenAI正與多家公司合作，將GPT-4結合到他們的產品中，這些公司包括Duolingo、Stripe和Khan Academy等。同時，GPT-4模型也將以API的形式提供給付費版ChatGPT Plus的訂閲用户使用。開發者可以利用這個API打造各種應用。微軟也在宣佈中表示，新款必應搜索引擎將運行於GPT-4系統之上。

在發佈會上，演示人員用草稿本和紙筆畫了一個非常粗糙的草圖，然後拍照告訴GPT-4他需要做一個長這樣的網站，並需要生成網站代碼。令人印象深刻的是，GPT-4只用了10秒鐘便生成了完整的網站代碼，實現了一鍵生成網站的效果。

ChatGPT的高性能運行離不開一個穩定的服務器端架構。建立可持續的服務器端架構，不僅可以保障ChatGPT的穩定性和可靠性，還有助於減少能源消耗、降低成本和支持企業的可持續發展戰略。因此，本文將探討如何構建可持續的ChatGPT高性能服務器端架構。

超越“以往的桎梏”

ChatGPT****突破還是AI延伸？

ChatGPT是一種自然語言處理的技術，可以根據已有的數據訓練模型，從而產生更加真實自然的對話。這種技術的產生自然是延續了之前的AI發展過程，但在某些方面也實現了突破。

**1、ChatGPT具有更強大的對話生成能力。**在早期的AI技術中，基於規則和模式的方式進行對話生成，因此往往會面臨限制和拘束的問題。但GPT系列模型通過大量的語言訓練數據，可以實現更加真實自然，靈活適應對話場景的對話生成。

**2、ChatGPT的訓練方式也有所改變。**在以往，通常需要人工參與到數據標註的過程中，讓機器能夠理解人類語言的含義。但是GPT系列通過無監督訓練的方式，可以從龐大的語言數據中學習人類語言表達的規律和結構，進而實現更加真實、生動的對話生成。

**3、GPT系列模型在處理多語種和多場景對話方面也有優勢。**傳統的AI技術主要適應單一場景，缺乏語言的多樣性。但是，GPT系列模型因其對多種語言訓練的能力，可以處理不同語種之間的對話，也可以應對不同場景的對話需求。

ChatGPT兩年內

發展與展望

聯合研發OpneAI的GPT-4已經開發了三年多，發佈時間不久，它很有可能會在效率上得到大幅提升，但具體將湧現哪些新的代碼能力還不確定。目前尚能確定的是GPT-4將解決像GPT-3.5中存在的一些重要問題，例如優化數據參數比例，提高信息處理和規律發現的效率，以及提高信息輸入的質量等。極有可能會在效率上提升許多，它的推理成本也會大大降低（有可能降低到百倍）。不確定的是GPT-4將有多大的模型規模（它可能比傳言的大模型還大），以及它是否會具備多模態的能力（此前尚未確定，未來也難以預測）。即使模型具備多模態能力，但由於多模態信息很難標準化為文本模式，因此，在ChatGPT對世界進行豐富多彩的想象時，它目前仍然是有限的。

**一、ChatGPT現階段所面臨的很多問題在工程上都有相對簡單的解決方案。**例如：

1、解決“hallucination”問題（ChatGPT偏向於產生不準確的輸出）可以通過優化準確度和引入搜索數據來做矯正，而且人類可以參與判斷過程以增加準確度。此外，在應用ChatGPT時，可以先在人類確定好壞的場景下進行輔助性判斷。

**2、對於ChatGPT的記憶力有限問題，**可以使用OpenAI提供的開放接口來解決。特別的，現有的解決方法非常神奇，只需要在提示ChatGPT回答之前，向它説明所提供的內容僅是全部信息的一部分，並要求其在聽完後再回答。

**3、ChatGPT的自我審查能力不僅僅基於規則，更基於理解，**這種基於理解的自我審查能力實際上更加可調節。OpenAI也提出了讓ChatGPT在尊重基本規則的前提下，發言尺度可以根據需求進行調節的願景。

二、ChatGPT的成本會直線下降，尤其inference的成本會小兩個以上數量級

ChatGPT的成本將會直線下降，特別是inference的成本會小兩個以上數量級。 Sam在公開場合曾經説過，ChatGPT的inference成本是幾分錢每條。此外，《Key Takes from ChatGPT and Generative AI.pdf》根據Jefferies Research的詳細調研，ChatGPT的inference大概率是基於閒置x86 CPU而非GPU進行的。

出於對inference和大型語言模型優化空間的理解，我們認為inference成本會直線下降，這一點是非常有可能的。成本的下降意味着應用範圍和數據收集能力的擴大。即使ChatGPT的用户達到了十億DAU的水平（當前的一億DAU的估算也是不準確的），它也能做到免費。最多隻有一些使用次數的限制。New Bing曾一度限制搜索次數為60次，但現在也已經取消了。這些實際使用中的對話無疑將進一步加強ChatGPT的優勢地位。

三、對於ChatGPT的“能力”子模型，可能需要重新訓練，但“知識”子模型只需要通過instruct prompting的方式輸入新知識即可，無需修改已有的pre-trained模型。

對於許多子任務，只要ChatGPT具備了理解能力和知識量，就可以通過對話、引導和教育的方式，不斷調整ChatGPT的表現，讓它在各個子任務中發揮出新的能力。與此相比，過往的AI技術在面臨新的任務時，需要重新訓練模型，而不能像ChatGPT這樣只需要輸入新的知識。

如果以鋼鐵俠3為比喻，ChatGPT就像通用型鎧甲，能夠勝任大部分工作。通過“教育”和“引導”的方式，可以讓ChatGPT在多個領域中完成各種工作，例如給出醫療建議、法律參考、編寫代碼框架、制定營銷方案、提供心理諮詢、擔任面試官等。

需要強調的是，prompting的重要性。微軟的New Bing並沒有對ChatGPT做出太大的修改，而是通過prompting引導ChatGPT進行合理的搜索。在prompting的基礎上，如果要專注於某些方面，例如犧牲對話延續性來提高信息精度，就需要重新訓練模型並進行調整。這可能需要整合其他能力模塊，例如搜索和其他模型的接口，並融合一些工具，就像那些專精型鎧甲一樣。總之，通過不斷錘鍊ChatGPT的能力和使用工具，可以拓展其應用範圍和解鎖更多的可能性。

四、隨着時間的推移，我們預測自助型ChatGPT的Prompting能力將得到大幅提高，並會逐步開放更多功能。

這不僅是商業上的顯而易見的優點，還能讓用户逐步調教屬於自己的ChatGPT，讓其適應自己的偏好並學習獨特的知識（而非僅限於技能的刺激）。此外，儘管 ChatGPT 的模型仍然是閉源的，不同應用層上的競爭力仍然能夠得以開發和提高，解決了僅能向OpenAI提供UI設計的疑慮。想象一下這樣的場景，你的 ChatGPT 能夠記錄你與TA的所有對話，並從你的反饋中逐漸學習。如果你是一個優秀的營銷經理，過了一段時間，你的 ChatGPT 也將獲得比其他人更出色的營銷技能。

五、GPT-4預計能夠大幅提升ChatGPT的能力，在多個領域達到“優秀員工”的水平。

最近的範式革命已經體現了New Bing和ChatGPT之間的巨大差異。我們有充足的理由相信，在以下方面，GPT-4幾乎肯定會有巨大的進步：

**1、大模型、大數據、更優化的參數和數據比例。**這些因素的優化方向很明顯，因為參數越多、數據越多，但是隻有合適的比例才能使模型充分吸收數據知識。

**2、更有針對性的訓練數據集。**OpenAI在“造高質量大數據”上的能力幾乎獨步天下，而經過GPT-3之後的多年摸索，他們已經能夠更好地調整什麼數據對增強什麼模型能力更有用（例如讀取更多代碼和調整多種語言的比例等）。

**3、可能的“能力模塊融合”。**New Bing以ChatGPT為基座並延伸了搜索能力。是否有辦法直接將搜索能力融入預訓練大模型？類似地，可以考慮如何高效地將其他能力融入基於預訓練大模型的 ChatGPT，並結合更多的場景進行調教。因此，預測在接下來的兩年內，基於GPT-4的ChatGPT，在大多數場景下都能夠達到9級員工的水平，擁有更強大的歸納和“理解”能力。

ChatGPT與GPT

能力壁壘探究

ChatGPT的壁壘來源有以下幾個方面:

**一、GPT-3是閉源的，**OpenAI保持着非常審慎的態度，不可能把ChatGPT開源。因此，國產機器學習依賴於“開源模型國產實現”路徑在ChatGPT上看起來不現實。

**二、模型參數的增加需要強大的工程能力，**同時也需要讓大模型能夠有效地學習到大數據中的知識，如何調教模型產出人類需要的輸出這些問題在OpenAI的博客中都被強調了。需要具備“原理性”思考習慣的工程師參與突破這些工程瓶頸。據悉，OpenAI超高的人才密度成功突破了許多工程瓶頸。因此，需要在上一步工程突破的基礎上進行下一步工程積累。

**三、特定的商業環境下注重實用，**例如字節跳動的推薦算法模型雖然十分大，難度也很大。但是，基於現有模式的持續優化不能形成範式突破。在現實的商業環境下，如果不能為業務提供正反饋，模型的發展會受到極大的阻礙。

**四、Leadership的技術判斷力是稀缺資源。**New Bing與ChatGPT的成功結合被視為罕見的奇蹟，遠超市面上其他人。這方面可遇不可求，不是一個可複製的模式。

**五、數據飛輪已經形成，**ChatGPT是現象級成功的C端產品之一，結合微軟的資源和渠道加成，一上來就卡住了非常好的身位。因此，ChatGPT的使用數據是可以不斷反補模型本身的。ChatGPT的博客也強調了他們的獨特機制，使得數據的使用、理解和生產都有閉環。

ChatGPT

未來AI時代的新工具

ChatGPT的DAU增長現象級，用户反饋也表現出其異常實用。雖然ChatGPT具有極高的娛樂價值想象，但其顯著提升生產力的能力則更為突出。對話和閲讀實際上是一種較高門檻的娛樂方式，多數情況下，豐富性和深度並非是娛樂價值的主要決定因素。因此，我們建議在使用ChatGPT時多着眼於提升生產力上。

此外，需要記住，ChatGPT是一種顛覆式的產品，而不是漸進式的改進。對於科技的早期採用者而言，可能已經無法離開ChatGPT，但對於大眾而言，打開搜索引擎進行搜索甚至已不是普遍習慣，使用清晰合理的提示與ChatGPT進行對話的程度更是偏低。因此，在未來幾年內，ChatGPT取代的更多是各種SaaS、雲、效率工具，如搜索引擎等。

在實際場景應用中，我們應該遵循兩個原則：對症下藥和擇善而從。ChatGPT不等同於搜索引擎和程序，我們應該讓它發揮其所長，而不是去試圖替代其他更為高效的工具或服務。此外，考慮到當前ChatGPT存在明顯的幻覺問題，我們應該保持警惕，不在所有場合盲目相信ChatGPT的結論，而是在需要人工判斷的情況下使用ChatGPT，並由人來審視其結論的真實性。

ChatGPT與人類

從本質上探究兩者的不同

由於腦科學和神經科學發展尚不夠成熟，我們只能從哲學的角度探究人類和ChatGPT這兩者在本質上的不同與相同。

**一、從判斷力的角度來看，**ChatGPT只能從虛擬數字中吸取數字信號，無法與現實世界進行真實交互。只有躬行實踐，才能建立判斷力的根基。

**二、如果只基於數字信號進行推測，ChatGPT很可能會得出錯誤的結論。**例如牛頓發現萬有引力的過程，是基於看到蘋果落地從而預測星星運動的。而當時很多人都認為太陽是繞着地球轉的，如果有一個ChatGPT，很可能會得出錯誤的結論。因此，在日常生活中，識別思維能力，例如“靈感併發、靈光一現”的瞬間，也是很有意義的。

**三、如果只是歸納現有知識，ChatGPT很可能比人類做得更好。**但是創造互聯網上不存在的新知識，才是ChatGPT做不到的。

**四、從理解人的角度來看，人類能夠理解人性，而不需要通過調研、問卷和網絡資料。**同時，通過現實世界的實踐，人類能夠帶來關於人性的增量理解。這是ChatGPT所無法達到的。這暗示着，在真正理解人類時，要去真實世界進行實踐，而不是去人云亦云地重複套路。

ChatGPT探索對算力的需求

AI模型對算力的需求主要體現在訓練和推理兩個層面。當前主流的人工智能算法通常可分為“訓練”和“推理”兩個階段。賽迪數據顯示，2022年中國數字經濟爆發強大的增長動能，比上年增長20.7%，較2021年提高2.9個百分點，遠超世界平均水平，數字經濟規模達到45.5萬億元，規模超排名第三的德國一倍有餘，數字經濟發展水平穩居全球第二位，數字經濟規模超過彰顯出數字經濟大國姿態。近年來中國也在積極推動數字產業創新能力加快提升，推進產業數字化轉型提檔加速，與美國在數字經濟競爭力上的差距也逐漸縮小。

訓練階段

對人工智能模型進行調整和優化的過程，以達到預期的準確度。為了讓模型更準確，訓練階段通常需要處理大量的數據集，採取反覆迭代的計算方式，需要耗費大量的計算資源。推理階段是在完成訓練階段後，應用已建立的人工智能模型進行推理或預測輸入數據的輸出結果。

推理階段

相比訓練階段對計算能力畢竟要求不那麼高，但由於訓練出來的人工智能模型需要多次用於推理任務，因此推理運算的總計算量依然很可觀。

ChatGPT的算力需求場景可以根據實際應用進一步拆分為預訓練、Finetune和日常運營三個階段。預訓練階段通過大量無標註的文本數據來訓練模型的基礎語言能力，得到基礎大模型，例如GPT-1、GPT-2和GPT-3。Finetune階段在基礎大模型的基礎上，進行監督學習、強化學習和遷移學習等二次或多次訓練，以優化調整模型參數量。日常運營階段基於用户輸入信息，加載模型參數進行推理計算，並實現最終結果的反饋輸出。

預訓練階段：單次算力需求取決於模型參數量，最高可達3640 PFlop/s-day

ChatGPT是一個語言模型，其架構基於Transformer。Transformer架構由編碼和解碼模塊組成，其中GPT只使用解碼模塊。 此外，Transformer還包含三個層級：前饋神經網絡，自注意力機制層和自注意力掩碼層，這些層級都相互作用，以實現模型的高效性。

**自注意力機制是Transformer中最重要的部分之一，**其主要作用是計算某個單詞對於所有單詞的權重（即Attention）。通過這種方式，模型能夠更好地理解文本內在關係，以及對輸入之間的關係實現高效學習。自注意力機制層還允許模型進行更大規模的並行計算，這使得計算效率得到了大大的提升。

**前饋神經網絡層提供高效的數據信息存儲和檢索。**在這個層面上，模型能夠有效地處理大規模的數據集並實現高效計算。

掩碼層是為了在自注意力機制中過濾右側未出現的單詞。 這種遮蔽允許模型只能注意到文本中已經展示的內容，從而保證了計算的準確性。

與之前的深度學習框架相比，Transformer架構具有明顯的優勢。Transformer架構的並行計算能力更強，能夠大大提高計算效率。這使得GPT可以訓練更大更復雜的語言模型，並且可以更好地解決語言處理問題。

Transformer解碼模塊拆解

根據先前的數據，預計日常運營每月需要約7034.7 PFlop/s-day的算力。用户交互也需要算力支持，每次互動成本約0.01美元。根據ChatGPT官網近一個月（2023年1月17日至2月17日）總訪問量達8.89億次，因此2023年1月OpenAI為ChatGPT支付的運營算力成本約為890萬美元。另外，Lambda表示，訓練一次1746億參數的GPT-3模型所需的算力成本超過460萬美元；而OpenAI表示，訓練一次1746億參數的GPT-3模型所需的算力約為3640 PFlop/s-day。我們假設單位算力成本不變，因此ChatGPT單月運營所需的算力約為7034.7PFlop/s-day。

Finetune階段：預計ChatGPT單月Finetune的算力需求至少為1350.4PFlop/s-day

ChatGPT是一種需要不斷進行Finetune模型調優的模型，以確保它處於最佳應用狀態。這個調優的過程需要開發者對模型參數進行調整，以確保輸出內容不是有害和失真的，並基於用户反饋和PPO策略對模型進行大規模或小規模的迭代訓練。這一過程中需要的算力將為OpenAI帶來成本，具體的算力需求和成本金額取決於模型的迭代速度。

預計ChatGPT單月Finetune算力需求至少為1350.4PFlop/s-day。根據IDC的預測，在2022年中國人工智能服務器負載中，推理和訓練的比例分別為58.5%和41.5%。如果假設ChatGPT對推理和訓練的算力需求分佈與之保持一致，且已知單月運營需要算力7034.7 PFlop/s-day、一次預訓練需要算力3640 PFlop/s-day，那麼我們可以進一步假設每月最多進行一次預訓練。由此我們計算得ChatGPT單月Finetune算力成本至少為1350.4PFlop/s-day。

從 GPT-1 的 1.17 億到 GPT-2 的 15 億，超 10 倍的參數差距帶來了性能上的飛躍。這似乎意味着，隨着容量和參數量的增多，模型性能還有更大的潛力——因此，2020 年 GPT-3 的參數量翻了 100 倍：1750 億，其預訓練數據量也高達 45TB（GPT-2 是 40GB，GPT-1 約 5 GB）。事實證明，海量參數確實讓 GPT-3 具備了更強大的性能，它在下游任務表現的非常好。即便是複雜的 NLP 任務，GPT-3 也表現驚豔：可以模仿人類寫作，編寫 SQL 查詢語句、React 或 JavaScript 代碼等。回顧 GPT-1 、GPT-2 和 GPT-3 這一路的發展，許多人對 GPT-4 寄予厚望，甚至還有傳言稱 GPT-4 的參數量將高達 100 萬億。

鑑於人類反饋機制下，模型需要不斷獲得人類指導以實現參數調優，所以模型調整可能會多次進行。這需要的算力成本將會更高。

ChatGPT服務器

種類有哪些？

一、中國服務器發展現狀

各國加快提升數字經濟發展水平，傳統行業的數字化進程加速，企業的數字化智慧化需求旺盛，尤其是5G、大數據、人工智能等新興技術領域快速發展，持續賦能服務器行業。

1、高算力需求帶動服務器行業迎來發展新機遇

算力作為一種核心生產力，應用在互聯網、政務、金融等各領域場景隨着元宇宙、Web3.0等新概念的出現，更復雜的計算場景產生高算力需求。推動服務器產品向更高計算性能方向升級。

2、大型數據中心建設加快服務器市場規模增長

大規模數據中心建設是全球服務器市場增長的主要動力、北美、亞大西歐等全球大部分地區的數據中心服務器採購持續增長。

二、ChatGPT需要的服務器：AI訓練型服務器+AI推理型服務器

邊緣計算需要大量機器處理高負載請求，而傳統的CS模式已經無法滿足這一需求。當前的互聯網架構正在向以CDN服務為核心的CES模式轉變，但CES模式在邊緣上處理非結構化數據存儲和處理的需求方面存在侷限性。因此，引入Edge端以解決無法處理業務的問題。在AI訓練場景下，由於計算量和數據類型的變化，C-E-S也無法滿足需求，因此計算架構在迴歸到C-S，並朝向高效率並行計算的方向演變。

計算架構演變過程

作為硬件核心，服務器面對不同的計算場景，而計算架構變化是服務器技術演進的關鍵。隨着雲計算、邊緣計算和AI訓練等計算架構的出現，服務器需求也在不斷變化。單一服務器更加關注個體性能，而云數據中心服務器更關注整體性能。邊緣計算對數據交互實時性的要求更高，並需要更多的服務器設施。AI服務器主要用於人工智能訓練，使用向量/張量數據類型，並通過大規模並行計算來提高效率。

同一技術路線下，服務器面向數據處理需求持續迭代。覆盤主流服務器發展歷程來看，隨着數據量激增、數據場景複雜化，不同類型服務器發展驅動力也有所差異。具體來看：

傳統的通用服務器發展較為緩慢，主要是通過處理器時鐘頻率、指令集並行度、核數等硬件指標的提升來優化其性能。相比之下，雲計算服務器快速發展成熟，這一過程始於20世紀80年代，隨後在VMware Workstation、亞馬遜AWS等產品的推出，以及OpenStack開源項目的出現下加速了。目前，雲計算在全球範圍內已經比較普及，許多公司都使用流行的雲服務提供商（如AWS、Azure、Google Cloud等）來存儲和處理數據。邊緣計算服務器概念於2015年孵化，近年來已出現諸如AWS Greengrass、谷歌GMEC等邊緣計算平台。隨着越來越多的設備（如可穿戴設備和智能家居設備）連接到互聯網，邊緣計算技術的需求也日益增長。最後，AI服務器是為人工智能和機器學習工作量身定製的，其硬件架構更加適合對訓練算力的需求。隨着人工智能的應用變得越來越廣泛，AI服務器的需求也在增加。

三、雲計算服務器：大規模數據處理需求下的商業模式變革

雲計算服務器的出現是為了滿足數據量激增所帶來的高性能計算需求。傳統通用服務器通過提高硬件指標提升性能，但隨着CPU工藝和單個CPU核心數量接近極限，無法滿足數據量激增的性能需求。相比之下，雲計算服務器採用虛擬化技術，將計算和存儲資源進行池化，把原本物理隔離的單台計算資源進行虛擬化和集中化處理，並以集羣化處理來達到單台服務器所難以實現的高性能計算。此外，雲計算服務器的計算能力可以通過增加虛擬化服務器的數量來進行擴展，突破單個服務器硬件限制，應對數據量激增所帶來的性能需求。

雲計算服務器實際上節約了部分硬件成本，並降低了算力採購門檻。在過去，大規模數據處理成本極高，主要因為通用服務器的購置和運維成本居高不下。而傳統服務器通常包含處理器摸塊、存儲模塊、網絡模塊、電源、風扇等全套設備。雲計算服務器體系結構精簡，省去重複的模塊，提高了利用率。此外，雲計算服務器針對節能需求，將存儲模塊進行虛擬化，並去除了主板上的非必要硬件，降低了整體計算成本。另外，流量計費模式也有助於許多廠商負擔算力開支，降低了算力採購門檻。

四、邊緣服務器：高數據密度和帶寬限制下保證低時延

邊緣計算是一種在雲計算基礎之上引入邊緣層的計算模式。它位於靠近物或數據源頭的網絡邊緣，通過提供計算、存儲和網絡等資源來協助應用程序。邊緣計算基於一個新的體系架構，引入了邊緣層，使得雲服務可以擴展到網絡邊緣。在這個體系架構中，終端層由物聯網設備組成，這些設備位於最靠近用户的地方，負責收集原始數據並上傳至上層進行計算；邊緣層則由路由器、網關、邊緣服務器等設備組成，這些設備由於距離用户較近，可以運行延遲敏感型應用程序，滿足用户對低時延的要求；雲層則由高性能服務器等設備組成，可以處理複雜的計算任務。

邊緣計算架構

邊緣計算相對於雲計算具有實時性、低成本和安全性等優勢。它將計算任務從雲計算中心部分或全部遷移到離用户更近的網絡邊緣進行處理，從而提高了數據傳輸性能和處理的實時性。同時，邊緣計算還可以避免遠距離傳輸數據帶來的成本問題，並降低雲計算中心的計算負載。此外，邊緣計算將大部分數據在本地設備和邊緣層設備中處理，減少上傳至雲端的數據量，降低了數據泄露的風險，因此具備更高的安全性。

五、AI服務器：更適合深度學習等AI訓練場景

在現代AI領域中，由於大規模的計算需求，普通的CPU服務器已經不能滿足需求。相較於CPU，GPU（圖形處理單元）具備更適合進行大規模並行計算的架構設計，因此AI服務器採用GPU架構來提高計算性能。

與通用服務器不同的是，AI服務器為異構服務器。意味着它可以使用不同的組合方式來提高計算性能，例如使用CPUGPU、CPUTPU、CPU其他加速卡等，但是以GPU提供計算能力為主要方式。

以ChatGPT模型為例，它採用了並行計算的方式。相比於RNN模型，它能夠為輸入序列中的任何字符提供上下文，從而不僅精度更高，而且可以一次處理所有輸入，而不是一次只處理一個詞。

從GPU的計算方式來看，GPU架構採用了大量的計算單元和超長的流水線，因此與CPU相比，可以進行大吞吐量的並行計算。這種計算能力特別適合進行大規模AI並行計算。

深度學習主要進行矩陣向量計算，AI服務器處理效率更高。從ChatGPT模型結構來看，基於Transformer架構，ChatGPT模型採用注意力機制進行文本單詞權重賦值，並向前饋神經網絡輸出數值結果，這一過程需要進行大量向量及張量運算。而AI服務器中往往集成多個AI GPU，AI GPU通常支持多重矩陣運算，例如卷積、池化和激活函數，以加速深度學習算法的運算。因此在人工智能場景下，AI服務器往往較GPU服務器計算效率更高，具備一定應用優勢。

六、ChatGPT需要的芯片：CPU+GPU、FPGA、ASIC

GPT模型訓練需要大算力支持，或將帶來AI服務器建設需求。我們認為，隨着國內廠商陸續佈局ChatGPT類似產品，GPT大模型預訓練、調優及日常運營或將帶來大量算力需求，進而帶動國內AI服務器市場放量。以GPT-3 175B模型預訓練過程為例，據OpenAI，進行一次GPT-3 175B模型的預訓練需要的算力約3640 PFlop/s-day。我們假設以浪潮信息目前算力最強的AI服務器NF5688M6（PFlop/s）進行計算，在預訓練期限分別為3、5、10天的假設下，單一廠商需採購的AI服務器數量分別為243、146、73台。

AI大模型訓練需求火熱，智能算力規模增長有望帶動AI服務器放量。據IDC數據，以半精度（FP16）運算能力換算，2021年中國智能算力規模約155.2EFLOPS。隨着AI模型日益複雜、計算數據量快速增長、人工智能應用場景不斷深化，未來國內智能算力規模有望實現快速增長。IDC預計2022年國內智能算力規模將同比增長72.7%至268.0 EFLOPS，預計2026年智能算力規模將達1271.4 EFLOPS，2022-2026年算力規模CAGR將達69.2%。我們認為，AI服務器作為承載智能算力運算的主要基礎設施，有望受益於下游需求放量。

總結

ChatGPT是一個高性能的文件傳輸協議，需要一個可持續的服務器端架構來支持它的持續發展。以下是一個簡單的指南：

一、瞭解客户需求

在構建任何服務器端架構之前，需要知道客户的需求。你需要考慮的問題包括：

**1、用户數量：**預計有多少用户使用服務？

**2、數據量：**每個用户將存儲多少數據？預計服務將處理多少數據？

**3、設備類型和平台：**用户將使用哪些設備和平台來訪問服務？

二、選擇正確的基礎架構

選擇正確的基礎架構對於構建可持續的服務器端架構至關重要。其中一些常見的選擇包括：

**1、物理服務器：**這是在本地運行服務器的經典方式。這需要購買服務器硬件和管理基礎架構。

2、虛擬專用服務器（VPS）：VPS是在共享物理服務器上運行的虛擬服務器。大多數雲服務商都提供VPS。

**3、雲計算：**雲計算允許你根據實際使用情況逐步擴展和縮小基礎架構。其中一些提供商包括Amazon Web Services（AWS）、Microsoft Azure和Google Cloud Platform（GCP）。

三、設計可擴展的架構

在設計你的服務器端架構時，你需要考慮如何擴展它以處理更多的流量和用户。其中一些關鍵考慮因素包括：

**1、橫向擴展：**這是向系統添加更多服務器以處理更多流量和用户的過程。

**2、縱向擴展：**這是將相同的服務器升級以處理更多流量和用户的過程。

**3、負載均衡：**這是將請求分配給多個服務器以減輕負載的過程。

**4、緩存：**這是將請求的結果存儲在內存中以提高響應速度的過程。

四、確保安全和可靠性

在構建任何服務器端架構時，安全和可靠性都是至關重要的。這意味着你需要考慮以下事項：

**1、數據備份和恢復：**你需要定期備份數據，以防止數據丟失，並在必要時能夠快速恢復數據。

**2、安全性：**你需要確保你的服務器端架構是安全的，包括使用安全的傳輸協議、對數據進行加密等。

**3、監控和警報：**你需要設置監控和警報系統，以便在服務器出現問題時及時得到通知。

可持續的ChatGPT高性能服務器端架構需要考慮多個因素，包括用户需求、基礎架構選擇、可擴展性設計以及安全和可靠性保障。通過綜合評估這些要素並採取相應的措施。