無論是ChatGPT-4還是文心一言，本質都是算法大模型帶起來的AI軍備競賽，而除了這些大公司，大模型的出現還有望帶動AI服務器需求爆發。CPU、內部存儲和外部存儲作為服務器的核心部件，受益于大模型的井噴發展，板塊也會得到進一步關注。本文就重點介紹AI大模型服務器。
所謂“大模型”，通常是在無標注的大數據集上，采用自監督學習的方法進行訓練。之后在其他場景的應用中，開發者只需要對模型進行微調，或采用少量數據進行二次訓練，就可以滿足新應用場景的需要。
ChatGPT-4服務器試用：http://www.ukunilife.com/cloud/usa.html
一、大模型的基礎：算力場景向AI升級，CPU+GPU是核心
服務器隨著場景需求經歷通用服務器-云服務器-邊緣服務器-AI服務器四種模式，AI服務器采用GPU增強其并行計算能力;
AI大模型服務器按應用場景可分為訓練和推理，訓練對芯片算力的要求更高，根據IDC，隨著大模型的應用，2025年推理算力需求占比有望提升至60.8%;
AI大模型服務器按芯片類型可分為CPU+GPU、CPU+FPGA、CPU+ASIC等組合形式，CPU+GPU是目前國內的主要選擇(占比91.9%);
AI大模型服務器的成本主要來自CPU、GPU等芯片，占比25%-70%不等，對于訓練型服務器其80%以上的成本來源于CPU和GPU。
大模型是人工智能發展的必然趨勢，大模型是輔助式人工智能向通用性人工智能轉變的堅實底座，能夠極大提升生產力。通過學習一種特征和規則，搭建出高效率的通用模型，在這個基礎上進行微調，就可以應用在不同場景。
在過去，大家都是各自研發自家模型，單一AI應用場景需要多個模型支撐，每個模型都需要算法開發、數據處理、模型訓練等過程，耗費了大量資源。在AI時代，這樣的低效發展顯然不是谷歌、微軟、百度等公司希望的。
現在，大模型實現了標準化AI研發范式，能夠以一種簡單的方式進行規模化生產，既能降低自家的AI開發門檻，做到“低成本”和“高效率”，還能夠將這一模型應用在有定制化需求的企業身上。
所以，基于這個基礎，大模型的開發成為互聯網發展的必然結果。而這個結果的底層技術支撐，就是算力。算力是打造大模型生態的必備基礎，其中，服務器作為算力的載體，無疑是大模型發展的重要支撐。而這些都會在文心一言、在ChatGPT中發揮舉足輕重的作用，幫助這些大模型實現從輸入到輸出。
二、ChatGPT等大模型訓練和推理需求激增驅動AI服務器市場高速增長
據預測，ChatGPT-4參數量最高達15000億個，由于參數量與算力需求間存在正比關系，所以可推算GPT-4算力需求最高達到31271PFlop/s-day。隨著國內外廠商加速布局千億級參數量的大模型，訓練需求有望進一步增長，疊加大模型落地應用帶動推理需求高速增長，共同驅動算力革命并助推AI服務器市場及出貨量高速增長。
服務器比普通計算機運行更快、負載更高、價格更貴，但內部結構與普通的計算機相差不大。服務器的架構，當然也會隨負載量擴張而不斷優化。現在的服務器架構，已經從傳統單一模式過渡到集群模式，再發展到有著廣闊應用前景的分布式架構。
在分布式架構中，整個系統按照不同功能，拆分為多個單一功能的子模塊，每個模塊被放到不同服務器中相互協作，共同組成服務器網絡，服務器也是區塊鏈應用的底層技術支撐。
伴隨應用需求不斷擴張，不同架構服務器百花齊放。人工智能應用場景下的加速計算服務器，因為擁有強大的計算能力，因而成為服務器中的核心驅動力。從最近的文心一言到ChatGPT-4，AI場景下的加速計算服務器成為各家拼算力、拼模型的基礎，AI服務器的價值正逐漸凸顯。
AI服務器不同于通用服務器，作為算力載體，其更專精于海量數據處理和運算方面，可以為人工智能、深度學習、神經網絡、大模型等場景提供廣闊的動力源泉，并廣泛應用于醫學、材料、金融、科技等千行百業。在未來，AI服務器必將為數字經濟時代提供發展的強大動力。
如果將當前的 ChatGPT 部署到谷歌進行的每次搜索中，需要 512820.51 臺 A100 HGX 服務器和總共 4102568 個 A100 GPU，這些服務器和網絡的總成本僅資本支出就超過 1000 億美元。在生成式AI大模型廣闊的應用背景下，高算力服務器需求有望在中長線保持旺盛，支撐其底層的交換機、服務器等數據中心算力基礎設施亦將迎來新一輪高速增長。
上一篇：
新加坡isp節點，原生IP服務器哪里有？
下一篇：
海外云手機如何登錄WhatsApp？
