國盛證券劉高暢：中文數(shù)據(jù)欠缺 算力消耗顯著|天天微資訊

(資料圖)

國盛證券劉高暢在節(jié)目中表示，數(shù)據(jù)方面，高質(zhì)量的中文語料庫相對稀缺，會有一些誤差率的問題；算力方面，訓練端對算力的要求不是很極限，但應(yīng)用端對算力的消耗非常顯著。

以下為文字精華：

提問：除了算法，人工智能訓練的時候也需要很大的算力，包括海量的數(shù)據(jù)，特別是我們中國跟海外的數(shù)據(jù)源可能還存在一些割裂。在算力和數(shù)據(jù)方面，我們和海外有多少差距？

劉高暢：數(shù)據(jù)方面，在GPT3以前用的都是互聯(lián)網(wǎng)的公開數(shù)據(jù)，中文目前來看，客觀的條件就是高質(zhì)量的語料庫相對來講會稀缺一些。

在整個OpenAI的大模型中，我們了解到中文的語料庫使用只有5%，從誤差率的角度來講，英文可能在2%—3%，中文大概在10%以上。用中文去測試ChatGPT，效果也不如英文。但是，我們也看到國內(nèi)的高質(zhì)量語料庫在快速生成中，大家也在探索，包括知乎和萬方這樣的一些高質(zhì)量語料庫在形成。

大模型的數(shù)據(jù)還是以互聯(lián)網(wǎng)公開數(shù)據(jù)為主，可能在寫代碼這個階段，一些頂尖大廠比如微軟，代碼的水平會比較高，但是畢竟這一塊只是小部分，我們推測起不了決定性的作用，應(yīng)該不是特別大的瓶頸。OpenAI在去年GPT3.5的時候，大概用了45TB的數(shù)據(jù)，做模型數(shù)據(jù)集處理和傾斜的部分應(yīng)該是不超過1TB的，所以其實是很少的數(shù)據(jù)，這一點不用特別擔心。

算力方面，如果從訓練端的角度來看，如果在GPT3以前，用2000張英偉達A100的算力，如果你訓不出來成果，我們建議就不要去做了，說明這個團隊水平有點問題。如果在GPT3.5以前，5000張如果訓不出來，我們建議也不要再做訓練了，說明這個團隊多多少少有點問題。

我們認為在訓練階段，對算力的需求量沒有那么極限，國內(nèi)明面上和潛在的產(chǎn)業(yè)中的儲備我們認為是夠的。

應(yīng)用端來看，做模型蒸餾和模型裁剪，把算力的消耗做到以前的90%，已經(jīng)是很高的縮減度了。但是就這樣的情況來看，算力還是會捉襟見肘，對未來算力的消耗還會非常顯著，包括我們國家的一些晶圓代工和設(shè)計廠商，這也是他們需要努力的地方，其實是機遇也是挑戰(zhàn)。

關(guān)鍵詞：