進入2023年，ChatGPT著實讓人類感受了一把被AI支配的恐懼。
它超強的上下文理解，泛化，學習和推理能力，以逼近人類互動體驗的方式呈現出來，讓所有人耳目一新。哪怕它和它的同類競品紛紛暴露出諸多的問題，依然難阻人們每天驚呼一次“奇點”來臨，日日擔心自己的工作被取代，紛紛轉述比爾蓋茨，納德拉和黃仁勛們對ChatGPT的贊賞。各路人馬也紛紛行動起來，最新的是馬斯克，在批評了自己參與創辦但早已沒有股份的OpenAI旗下ChatGPT的安全問題后，隨即傳出他自己正在計劃組隊開發ChatGPT的替代品。
一切都飛快的發展著，這個沉寂了一段時間的行業終于又被焦慮和聒噪籠罩，這給人一種錯覺：
仿佛這場關于ChatGPT的競爭就要在一夜之間決出勝負。
而在這些焦躁里，那些本該更清晰指向這場競爭真正本質的特征——ChatGPT的千億參數，每一次調用的可觀費用，OpenAI坐的多年冷板凳等等——也被用于了制造短期恐慌。這些或主動或無意的討論事實上都在糾結于ChatGPT里“chat”的部分——對商業模式，對可能改變的人類對互聯網的使用習慣以及對錯失新投資或是投機機會的恐慌。
這些焦慮對想把水攪渾而入局的人以及煽動人工智能威脅論的人們來說是喜聞樂見的，但對于真正理性看待這場技術競爭是無益的。
某種意義上，與其說ChatGPT證明了某一條AI研究路線的成功，倒不如說它更大的意義是證明了AI這些年不斷收斂但依然存在多種選擇的各類路線里，最終真的是會走出一條路的：也就是，它第一次證明了這場技術革命真的會到來。
而當我們真的把它當作一場技術革命來看時，就會明白這是一場將持續很久的復雜系統的比拼，也才有可能尋找到真正具備競爭能力的中國參與者，會明白這場新的技術浪潮的競爭不會“濃縮于一個晚上”。
讓Chat的歸Chat，GPT的歸GPT
“ChatGPT是AI的iPhone時刻。”英偉達創始人CEO黃仁勛在近期的一次演講里形容。“iPhone時刻”的說法隨之變得十分流行，它代表了今天對ChatGPT的熱鬧討論里非常流行的思考方式——人們與AI終于找到了最佳交互界面，從此一切新技術都可以用來替代舊應用。而這也成了很多中國的焦慮者參與ChatGPT“創業潮”的通行證。
但這種“iPhone時刻”的說法，有道理，但無益處。
與黃仁勛類似，微軟創始人比爾蓋茨和微軟現在的CEO納德拉也對ChatGPT做了與黃仁勛“互文”般的表達：比爾蓋茨把它的意義比作互聯網的誕生，納德拉說它堪比工業革命。但對這幾家公司在最近這波浪潮里的角色稍加分析，就會明白，通過投資OpenAI而占盡ChatGPT紅利的微軟，和因為ChatGPT而再次進入新的“收稅”模式的英偉達，如此表達的另一層含義，是希望這場技術革命最終建立在它們自己的商業帝國之上。
至少現在來看，iPhone時刻還只是他們的，并不是我們的。
因此跟著這樣的思路去討論是偷懶的且無益的，尤其是作為ChatGPT沒有率先誕生在中國這個事已成事實的今天，它只會讓人們繼續關注被他人定義的“Chat”的部分，著急的去跟著iPhone做應用，最終給iPhone添磚加瓦；它也會讓人們陷入窘迫而難以靜下來，無暇真正了解我們自己“GPT”部分的進展。
在大模型上，一些從業者早已對“iPhone”時刻足夠警惕，對建立在它人底座上的模式創新已有充足反思和警惕，并已付諸了行動。
OpenAI在2020年發布了1750億參數的GPT3，根據公開資料，那之后中國公司和機構發布的超過千億參數規模的大模型包括百度發布的Ernie（文心），華為發布的盤古大模型，和阿里巴巴發布的M6大模型等。
2021年，百度基于其已有的ERNIE模型框架，發布了百億參數的對話大模型PLATO-XL，到了最新發布的ERNIE 3.0 Zeus，模型已有千億級參數。結合自身的PaddlePaddle訓練框架，讓Ernie從一開始的對中文語境的優化到現在得到全球研究者越來越多的關注。2021年4月， 華為對外公布了盤古大模型。根據公開資料，其在預訓練階段學習了40TB 的中文文本數據，并也已達到千億級參數規模。
而2021年4月，阿里巴巴達摩院發布的270億語參數語言大模型PLUG，被稱為中文版“GPT-3”。同年阿里巴巴還發布了國內首個千億參數多模態大模型M6。
阿里巴巴的這兩個大模型都在過去幾年繼續進化， 2021年10月，PLUG模型實現2萬億參數 ，2022年11月，它所屬的阿里通義-AliceMind，在中文語言理解領域權威榜單CLUE中首次超越人類成績。而M6在不斷提高著訓練效率，2021年10月，達摩院使用512卡GPU即訓練出全球首個10萬億參數大模型M6，同等參數規模能耗為此前業界標桿的1%。并且，M6還在進一步做多模態的打通。達摩院的諸多模型集成在2022年發布的“通義”大模型系列中。
這些大模型的進步也引來了包括OpenAI在內的同行的關注，OpenAI的前政策主管Jack Clark曾公開點評M6模型，稱它“規模和設計都非常驚人。這看起來像是眾多中國的AI研究組織逐漸發展壯大的一種表現。”
可以看出，中國的參與者并不少，參與的也并不晚，成果也并非乏善可陳，否認這一點是虛無的。而且，但凡親自訓練過大模型的研究者都不難得出結論：最好的方式就是在已有建制的基礎上去繼續加速。
因為今天諸多對AI模型的研究已經發現，大模型許多能力上的驚人突破，并非一個線性的過程，而是會在模型尺寸達到一個量級時發生突然的“進化”，也就是“突現”。不管你喜不喜歡，但事實就是，雖然AI看起來高大上，但它的突破需要的，的確是一次不期而至的“大力出奇跡”。
但如果留意最近一段時間的討論，會發現一些此前曾表示開發出大模型的機構和領頭者或明星科學家，卻選擇跳離這些機構，避而不談曾經高調宣揚的自己已有的進展，放棄更接近突現的節點而去從零開始，背后原因可能不言自明。
一些人抓住“一生一遇”機會的方式，是追隨別人的iPhone時刻而去，試圖重新來過，過度興奮于“chat”高度擬人的實現效果帶來的資本與商業想象力。但那些真正在產業里摸爬的中國科技公司，那些真正花很多年的心血打造自己的大模型的中國人工智能科學家們心里清楚：真正的屬于自己的iPhone時刻，不在眾聲喧嘩之側，不在“chat”本身，而是在“GPT”上，也就是自己曾經多年的辛苦建模、訓練和調參的基礎之上。
只有讓Chat的歸Chat，才能讓GPT的歸GPT，自己的GPT，比什么都重要。
論系統戰，論持久戰
當我們從這種“歷史在一夜之間改變”的興奮脫離出來，會明白大模型的競爭是一場全面戰爭，它像所有歷史上波瀾壯闊的技術變革一樣，也將是曠日持久的。
這種全面戰爭首先體現在它不只是某一個模型的問題，而是一個系統的問題。
在人們津津樂道的微軟借助OpenAI逆襲谷歌的故事里，有些被忽略的是微軟提供給OpenAI的云計算能力對ChatGPT的重要性。
根據公開資料，微軟為OpenAI的GPT3訓練，提供了一個有一萬塊 GPU的分布式集群，并且這些昂貴的計算資源和計算能力也專門為OpenAI做了優化。
微軟的云計算Azure，為OpenAI建立和部署了多個大規模的高性能計算（HPC）系統，根據一些研究數據，微軟Azure“與其他云服務對手相比，為每個GPU提供了近2倍的計算吞吐量，并且由于其網絡和系統軟件的優化，可以近乎線性地擴展到數千個GPU。在模型推理方面，微軟Azure更具成本效益，每美元的推理能獲得2倍的性能。”
這說明類似ChatGPT的大模型是AI+云計算的全方位競爭，需要超大規模智算平臺對芯片、系統、網絡、存儲到數據進行全盤系統優化。
這些作為基礎設施的計算平臺提供的不只是高效率的支持，往后更多的甚至是定制化的支持——一丁點的算力浪費，都會是這場競爭里致命的成本。
這種復雜的系統是以云計算為代表的新技術發展到極高復雜度階段的結果，而中國科技公司在這個技術周期里生長出來的技術自覺和為此付出的長期努力，讓它們也擁有了自己的復雜系統，從而也有了參與這場ChatGPT競爭的“入場券”。
其中能力最為完備的當屬阿里巴巴，因為云、數據、系統和芯片。
阿里云的飛天智算平臺在去IOE的過程中誕生，逐漸成長為一個超大規模的高性能計算集群，并且已是國內唯一能實現萬卡規模的AI集群。它在一個超大規模高性能網絡中，構建了一個可以持續進化的智能算力系統，與此同時，阿里云自研的高性能集合通信庫ACCL和自研的網絡交換機也建立了無擁塞、高性能的集群通訊能力。
據公開資料，飛天智算平臺的千卡并行效率達90%。針對數據密集型場景的大規模集群，還進行了數據IO優化，通過自研KSpeed和RDMA高速網絡架構，最高可將存儲IO性能提升10倍，將時延顯著降低了90%。此外飛天智算平臺的機器學習平臺PAI，專門針對AI大模型推理和訓練場景進行針對性優化，可將計算資源利用率提高3倍以上，AI訓練效率提升11倍，推理效率提升6倍。阿里的M6模型，在訓練階段使用的正是阿里云機器學習PAI平臺自研的分布式訓練框架EPL(Easy Parallel Library)。
這場全面戰爭還體現在，它并不是一場比拼誰更接近標準答案的戰爭。
大模型本身也是一個精妙的系統，它不會只有一個答案，甚至無法只有一個答案。一個例證就是，ChatGPT的真正復現到今天依舊無人實現。一方面，是技術本身越來越閉源，另一方面，真正實現性能突破的許多關鍵環節，有時真的是一種藝術性的存在，或者更直白的說，是碰運氣的過程，因此沒有答案可抄。
比如，根據GPT3的論文，這個模型的大小和數據量，是根據OpenAI自己的擴展規律決定，因此對于另外一個模型，哪怕是同樣的算力條件，模型和數據的配比也可以有不同的思路，GPT3最終的配方是1750億參數和2500億token的數據，而另一個知名的類似模型，DeepMind 旗下的Chinchilla，則是1100億參數和5000億token，但后者在一些性能上也與GPT3不相上下。也就是，任何一種“配方”都很難直接使用，它很大程度取決于基礎模型的特點，很多時候在那些模型的論文里簡單的一句結論，背后就是巨大的試錯成本。
這是挑戰，但也是機遇所在：能最極致的做好“軟硬件結合”的模型和平臺，就有機會用最適合自己的配方更進一步。
最典型的當屬英偉達。當幾乎所有的模型訓練都需要在它的硬件上完成，最能發揮硬件性能的軟件框架自然也最可能由英偉達制造。英偉達發布的NeMo Megatron 就曾宣稱僅用11天就完成了 GPT-3的訓練，還和微軟合作，在6周內完成了 Megatron 的一個5300億參數模型的訓練。
同樣的，阿里云的計算硬件，軟件平臺和大模型的全方位系統優化，也帶來效率的提升。通義-M6已經實現使用512位GPU在10天內訓練出具有可用水平的10萬億模型的能力，相比GPT-3，同等參數規模能耗僅為其1%，此外達摩院研發的超大模型落地關鍵技術S4框架（Sound、Sparse、Scarce、Scale）也提供了“濃縮”能力，讓百億參數大模型在高壓縮率下仍能高精度完成多個任務，使“通義”系列模型已在服務的200多個場景中實現了2%-10%的應用效果提升。
也就是說，這場全面競爭里最需要的是一個自己的方案，一個能自主掌控更多環節從而實現全局調優的自己的方案。這樣的能力更重要的意義在于，它們將不只是用于跟隨——面對一場全面的技術浪潮，人們往往習慣在短期過于興奮與高估，激動的把開局理解為終結，但事實上技術浪潮會是長期的。這也是每一場全面戰爭里都會發生的事情。而擁有自己的復雜系統掌控能力和基于此的技術理解能力，會在長期的競爭里提供一定的技術定力。
對于當前的ChatGPT來說，它其實有著鮮明的開局感：它基本上還是一個語言模型，而AI研究者這些年已經開始奮力追逐多模態模型——過往人工智能模型有些八仙過海的意味，架構眾多，但2017年之后，Transformer的出現改變了這種趨勢，這之后算法架構從包括ChatGPT的NLP到視覺都迅速統一到以Transformer為底層架構的路線，于是不同模態的模型更有了統一的可能。因此，某種意義上，ChatGPT可能只是未來真正“恐怖”的多模態大模型的第一個明確的組成部分。
這樣的一場全面戰爭才剛剛開始。曾經因為相信所以看見而衍生出來的技術路線，讓一些中國互聯網公司在技術浪潮來臨前握住了那最初的浪花，而今天ChatGPT預示了大浪終將到來，對于那些用了多年建立起來自己的技術完備能力的中國互聯網巨頭來說，終于到了因為看見所以相信的時刻。
