AI行业买英伟达GPU 花的钱比赚的多17倍 有人却表示很合理
AI行业买英伟达GPU 花的钱比赚的多17倍 有人却表示很合理 上个周末，机器学习社区围绕这个数字热烈地讨论了起来。明星创业公司，几周估值翻倍：但没有收入由知名投资人 Peter Thiel 支持的 AI 初创公司 Cognition Labs 正在寻求 20 亿美元估值，新一轮融资在几周之内就将该公司的估值提高了近六倍。在如今火热的生成式 AI 领域里，Cognition 是一家冉冉升起的新星。如果你对它还不太熟悉，这里有它的两个关键词：国际奥赛金牌团队，全球首位 AI 程序员。Cognition 由 Scott Wu 联合创立，其团队组成吸引眼球，目前只有 10 个人，但包含许多国际信息学奥林匹克竞赛的金牌选手。Cognition Labs 的团队，CEO Scott Wu（后排身穿衬衣）只有 27 岁。该公司在今年 3 月推出了 AI 代码工具 Devin，号称“第一位接近人类的 AI 程序员”，能够自主完成复杂的编码任务，例如创建自定义的网站。从开发到部署，再到 debug，只需要人类用自然语言给需求，AI 就能办到。该新闻很快就登上了众多媒体的头条，也成为了热搜：一些投资者表示，Devin 代表了人工智能的重大飞跃，并可能预示着软件开发的大规模自动化之路已经开启。Cognition 虽然神奇，但它并不是个独苗。最近一段时间，生成式 AI 展现了超乎想像的吸金能力。去年 12 月，总部在法国的 Mistral 获得了 4.15 亿美元融资，估值达到 20 亿美元，比前一年夏天的一轮融资增长了大约七倍。3 月初，旨在挑战Google网络搜索主导地位的 AI 初创公司 Perplexity 也传来新一轮融资的消息，新估值有望达到近 10 亿美元。而在这其中，作为一家旨在提供 AI 自动代码工具的创业公司，Cognition 去年才开始研发产品，目前并没有获得有意义的收入数字。今年初，在 Founders Fund 牵头的一轮 2100 万美元融资中，该公司的估值达到了 3.5 亿美元。据介绍，美国著名创业投资家、创办 Founders Fund 的 Peter Thiel 帮助领导了对 Cognition 的投资。Peter Thiel 是全球畅销书《从 0 到 1：开启商业与未来的秘密》的作者，身家 71 亿美元。AI 编写代码看起来是一个有前途的大模型应用方向，其他提供类似产品的公司也看到了增长势头。上个季度，微软的代码工具 GitHub Copilot 用户数量增长了 30% 达到 130 万。Magic AI 是 Cognition 的竞争对手，2 月份获得了 1.17 亿美元的投资。国内也有一些代码生成自动化工具的初创企业，在生成式 AI 技术爆发后正在加速行业落地。尽管出现了令人鼓舞的增长迹象，新公司的估值也不断膨胀，但这种快速发展也引发了人们对于出现泡沫的担忧 到目前为止，很少有初创公司能够展示他们如何赚钱，想要收回开发生成式 AI 的高昂成本，似乎还没有门道。在 3 月的一次演讲中，红杉资本（Sequoia Capital）有投资人估计 AI 行业去年为了训练大模型，仅在英伟达芯片上就花费了 500 亿美元，而换来的收入是 30 亿美元。所以说，不算电费，开销是收入的 17 倍。怎么样，今年还玩得起吗？出路在哪如今生成式 AI 技术的爆发，可谓验证了强化学习先驱 Richard S. Sutton 在《苦涩的教训》中的断言，即利用算力才是王道。黄仁勋两周前在 GTC 上也曾表示：“通用计算已经失去动力，现在我们需要更大的模型、更大的 GPU，需要将 GPU 堆叠在一起…… 这不是为了降低成本，而是为了扩大规模。”但是在千亿、万亿参数量的大模型出现之后，通过提升规模来提升智能的方法是否还可以持续，是一个无法回避的问题。更何况现在的大模型已经很贵了。华尔街日报的文章迅速引起大量讨论。有网友认为：“资本支出通常就是一次性的，而投资的收入却是日积月累的。生成式 AI 刚刚起步，其后续的经济收益可能是巨大的。”但这种乐观的观点很快遭到反驳，另一位网友指出：“资本的支出的确是一次性的，但 GPU 会相对较快地贬值。”为什么说 GPU 会快速贬值呢？虽然较老版本的 GPU 也不会停止支持 CUDA（英伟达推出的运算平台）等等，但与 H100 相比，V100 的能源消耗是巨大的浪费。毕竟同样也是在 3 月份，英伟达已经发布了全新一代 AI 加速的 GPU Blackwell 系列。近八年来，AI 算力增长了一千倍。如果使用 V100 可以赚钱，那当然没问题。然而，如诸多媒体报道所述，对大多数公司来说，现阶段运行大模型并没有转化为实际收入。另一方面，看看现在大模型每周都在推陈出新的状态，即使几年前的 GPU 在算力角度看可以接受，但大模型也在“快速折旧”。七年后的 AI，用现在的基础设施能支撑吗？此外，如果一家公司花费大量成本来购买 V100，试图跟上生成式模型的趋势，那么可能就会出现研究团队雇佣成本不足的问题，那么最终可能还是无法做出有实际应用、经济收益的产品。值得注意的是，许多 LLM 都需要额外的处理层来消除幻觉或解决其他问题。这些额外的层显著增加了生成式模型的计算成本。这不是 10% 的小幅增长，而是计算量增长了一个数量级。并且许多行业可能都需要这种改进。图源：Reddit 用户 @LessonStudio从行业的角度讲，运行生成式大模型需要大型数据中心。英伟达已经非常了解这个市场，并持续迭代更新 GPU。其他公司可能无法仅仅投资数百亿美元来与之竞争。而这些 GPU 需求还只是来自各大互联网公司的，还有很多初创公司，例如 Groq、Extropic、MatX、Rain 等等。最后，也有人给出了这种夸张投入的“合理性”：坐拥大量现金的微软、Google和 Meta，他们因为反垄断法规而无法继续收购，因而只能选择将资金投入 AI 技术发展。而 GPU 支出的折旧，可以作为损失避免缴纳更多税款。但这就不是创业公司所要考虑的事了。无论如何，竞争会决出胜者。无论花掉多少钱，成为第一可能就会带来潜在的收益……但是什么样的收益，我们还无法作出预测。难道，生成式 AI 真正的赢家是英伟达？ ... PC版： 手机版：
在Telegram中查看相关推荐
🔍 发送关键词来寻找群组、频道或视频。
启动SOSO机器人