GPT-5的训练,需要5万张H100加持。英伟达GPU已成为各大AI公司开发大模型的首选利器。然而,Sam Altaman自曝GPU很缺,竟不希望太多人用ChatGPT。
“谁将获得多少H100,何时获得H100,都是硅谷中最热门的话题。”
OpenAI联合创始人兼职科学家Andrej Karpathy近日发文,阐述了自己对英伟达GPU短缺的看法。
近来,社区广为流传的一张图「我们需要多少张GPU」,引发了众多网友的讨论。
根据图中内容所示:
- GPT-4可能在大约10000-25000张A100上进行了训练
- Meta大约21000 A100
- Tesla大约7000 A100
- Stability AI大约5000 A100
- Falcon-40B在384个A100上进行了训练
– Inflection使用了3500和H100,来训练与GPT-3.5能力相当的模型
另外,根据马斯克的说法,GPT-5可能需要30000-50000个H100。
此前,摩根士丹利曾表示GPT-5使用25000个GPU,自2月以来已经开始训练,不过Sam Altman之后澄清了GPT-5尚未进行训。
不过,Altman此前表示,
我们的GPU非常短缺,使用我们产品的人越少越好。
如果人们用的越少,我们会很开心,因为我们没有足够的GPU。
在这篇名为「Nvidia H100 GPU:供需」文章中,深度剖析了当前科技公司们对GPU的使用情况和需求。
文章推测,小型和大型云提供商的大规模H100集群容量即将耗尽,H100的需求趋势至少会持续到2024年底。
那么,GPU需求真的是遇到了瓶颈吗?
01 各大公司GPU需求:约43万张H100
当前,生成式AI爆发仍旧没有放缓,对算力提出了更高的要求。
一些初创公司都在使用英伟达昂贵、且性能极高的H100来训练模型。
马斯克说,GPU在这一点上,比药物更难获得。
Sam Altman说,OpenAI受到GPU的限制,这推迟了他们的短期计划(微调、专用容量、32k上下文窗口、多模态)。
Karpathy 发表此番言论之际,大型科技公司的年度报告,甚至都在讨论与GPU访问相关的问题。
上周,微软发布了年度报告,并向投资者强调,GPU是其云业务快速增长的「关键原材料」。如果无法获得所需的基础设施,可能会出现数据中心中断的风险因素。
这篇文章据称是由HK发帖的作者所写。
他猜测,OpenAI可能需要50000个H100,而Inflection需要22,000个,Meta可能需要 25k,而大型云服务商可能需要30k(比如Azure、Google Cloud、AWS、Oracle)。
Lambda和CoreWeave以及其他私有云可能总共需要100k。他写道,Anthropic、Helsing、Mistral和Character 可能各需要10k。
作者表示,这些完全是粗略估计和猜测,其中有些是重复计算云和从云租用设备的最终客户。
整体算来,全球公司需要约432000张H100。按每个H100约35k美元来计算,GPU总需求耗资150亿美元。
这其中还不包括国内,大量需要像H800的互联网公司。
还有一些知名的金融公司,比如Jane Street、JP Morgan、Two Sigma等,每家都在进行部署,从数百张A/H100开始,扩展到数千张A/H100。
包括OpenAI、Anthropic、DeepMind、谷歌,以及X.ai在内的所有大型实验室都在进行大型语言模型的训练,而英伟达的H100是无可替代的。
02 H100为什么成首选?
H100比A100更受欢迎,成为首选,部分原因是缓存延迟更低和FP8计算。
因为它的效率高达3倍,但成本只有(1.5-2倍)。考虑到整体系统成本,H100的性能要高得多。
从技术细节来说,比起A100,H100在16位推理速度大约快3.5倍,16位训练速度大约快2.3倍。
A100 vs H100速度
H100训练MoE
H100大规模加速
大多数公司购买H100,并将其用于训练和推理,而A100主要用于推理。
但是,由于成本、容量、使用新硬件和设置新硬件的风险,以及现有的软件已经针对A100进行了优化,有些公司会犹豫是否要切换。
03 GPU 并不短缺,而是供应链问题
英伟达的一位高管表示,问题不在于 GPU 短缺,而在于这些 GPU 如何进入市场。
英伟达正在正在开足马力生产GPU,但是这位高管称,GPU的产能最主要受到的是供应链的限制。
芯片本身可能产能充足,但是其他的组件的产能不足会严重限制GPU的产能。
这些组件的生产要依赖整个世界范围内的其他供应商。
不过需求是可以预测的,所以现在问题正在逐渐得到解决。
GPU芯片的产能情况
首先,英伟达只与台积电合作生产H100。英伟达所有的5nmGPU都只与台积电合作。
未来可能会与英特尔和三星合作,但是短期内不可能,这就使得H100的生产受到了限制。
根据爆料者称,台积电有4个生产节点为5nm芯片提供产能:N5,N5P,N4,N5P
而H100只在N5或者是N5P的中的4N节点上生产,是一个5nm的增强型节点。
而英伟达需要和苹果,高通和AMD共享这个节点的产能。
而台积电晶圆厂需要提前12个月就对各个客户的产能搭配做出规划。
如果之前英伟达和台积电低估了H100的需求,那么现在产能就会受到限制。
而爆料者称,H100到从生产到出厂大约需要半年的时间。
而且爆料者还援引某位退休的半导体行业专业人士的说法,晶圆厂并不是台积电的生产瓶颈,CoWoS(3D堆叠)封装才是台积电的产能大门。
H100内存产能
而对于H100上的另一个重要组件,H100内存,也可能存在产能不足的问题。
与GPU以一种特殊方式集成的HBM(High Bandwidth Memory)是保障GPU性能的关键组件。
爆料者援引一位业内人士的说法:
主要的问题是 HBM。制造它是一场噩梦。由于 HBM 很难生产,供应也非常有限。生产和设计都必须按照它的节奏来。
HBM3内存,英伟达几乎都是采用SK Hynix的产品,可能会有一部分三星的产品,应该没有镁光的产品。
英伟达希望SK Hynix能提高产能,他们也在这么做。但是三星和镁光的产能都很有限。
而且制造GPU还会用到包括稀土元素在内的许多其他材料和工艺,也会成为限制GPU产能的可能因素。
04 GPU芯片未来的情况会怎么发展
英伟达的说法
英伟达只是透露,下半年他们能够供应更多的GPU,但是没有提供任何定量的信息。
我们今天正在处理本季度的供应,但我们也为下半年采购了大量供应。
我们相信下半年的供应量将大大高于上半年。
– 英伟达首席财务官 Colette Kress 在2023年2月至4月的财报电话会议上透露
接下来会发生什么?
GPU的供应问题现在是一个恶性循环,稀缺性导致GPU拥有量被视为护城河,从而导致更多的GPU被囤积起来,从而加剧稀缺性。
– 某私有云负责人透露
H100的下一代产品何时会出现?
根据英伟达之前的线路图,H100的下一代产品要在2024年末到2025年初才会宣布。
在那个时间点之前,H100都会是英伟达的旗舰产品。
不过英伟达在此期间内会推出120GB水冷版的H100。
而根据爆料者采访到的业内人士称,到2023年底的H100都已经卖完了!!
05 如何获得H100的算力?
就像前边英伟达的高管提到的,H100的GPU所提供的算力,最终要通过各个云计算提供商整合到产业链中去,所以H100的短缺,一方面是GPU生成造成的。
另一个方面,是算力云提供商怎么能有效地从英伟达获得H100,并通过提供云算力最终触及需要的客户。
这个过程简单来说是:
算力云提供商向OEM采购H100芯片,再搭建算力云服务出售给各个AI企业,使得最终的用户能够获得H100的算力。
而这个过程中同样存在各种因素,造成了目前H100算力的短缺,而爆料的文章也提供了很多行业内部的信息供大家参考。
H100的板卡找谁买?
戴尔,联想,HPE,Supermicro和广达等OEM商家都会销售H100和HGX H100。
像CoreWeave和Lambda这样的GPU云提供商从OEM厂家处购买,然后租给初创公司。
超大规模的企业(Azure、GCP、AWS、Oracle)会更直接与英伟达合作,但也会向OEM处购买。这和游戏玩家买显卡的渠道似乎也差不多。但即使是购买DGX,用户也需要通过OEM购买,不能直接向英伟达下订单。
交货时间
8-GPU HGX 服务器的交付时间很糟糕,4-GPU HGX 服务器的交付时间就还好。
但是每个客户都想要 8-GPU 服务器!
初创公司是否从原始设备制造商和经销商处购买产品?
初创公司如果要获得H100的算力,最终不是自己买了H100插到自己的GPU集群中去。
他们通常会向Oracle等大型云租用算力,或者向Lambda和CoreWeave等私有云租用,或者向与OEM和数据中心合作的提供商(例如 FluidStack)租用。
如果想要自己构建数据中心,需要考虑的是构建数据中心的时间、是否有硬件方面的人员和经验以及资本支出是否能够承担。
租用和托管服务器已经变得更加容易了。如果用户想建立自己的数据中心,必须布置一条暗光纤线路才能连接到互联网 - 每公里 1 万美元。大部分基础设施已经在互联网繁荣时期建成并支付了费用。租就行了,很便宜。
– 某私有云负责人
从租赁到自建云服务的顺序大概是:按需租云服务(纯租赁云服务)、预定云服务、托管云服务(购买服务器,与提供商合作托管和管理服务器)、自托管(自己购买和托管服务器))。
大部分需要H100算力的初创公司都会选择预定云服务或者是托管云服务。
大型云计算平台之间的比较
而对于很多初创公司而言,大型云计算公司提供的云服务,才是他们获得H100的最终来源。
云平台的选择也最终决定了他们能否获得稳定的H100算力。
总体的观点是:Oracle 不如三大云可靠。但是Oracle会提供更多的技术支持帮助。
其他几家大型云计算公司的主要差异在于:
Prev Chapter:ChatGPT爆火这半年:热钱、巨头与监管
Next Chapter:接棒ChatGPT,今年最具爆发力的赛道来了!