马斯克烧几十亿美元造最大超算中心，10万块H100训练Grok追赶GPT-4o
编辑：乔杨 好困【导读】最近，许久没有新动向的马斯克放出了大消息——他旗下的人工智能初创公司xAI将投入巨资建造一个超算中心，以保证Grok 2及之后版本的训练。这个「超级计算工厂」预计于2025年秋季建成，规模将达到目前最大GPU集群的四倍。
前段时间，OpenAI、谷歌、微软相继开大会，AI圈子的竞争如火如荼。这么热闹的时候，怎么能少得了马斯克。前段时间忙着特斯拉和星链的他，最近好像开始腾出手，而且不鸣则已、一鸣惊人，直接放出一个大消息——自己要造世界上最大的超算中心。今年3月，他旗下的xAI发布了最新版的Grok 1.5，此后一直有关于Grok 2即将面世的传说，但却迟迟没有官方消息。
难道是因为算力不够？没错，亿万富翁可能也买不到足够的芯片。今年四月他曾亲自下场表示，没有足够多的先进芯片，推迟了Grok 2模型的训练和发布。
他表示，训练Grok 2需要大约2万个基于Hopper架构的英伟达H100 GPU，并补充说Grok 3模型及更高版本将需要10万个H100 芯片。特斯拉第一季度的财报也显示，公司此前一直受到算力的限制，当时马斯克的计划还是年底前部署8.5万个H100 GPU，将xAI从红杉资本和其他投资者那里筹集的60亿美元中的大部分都花在芯片上。目前每台H100的售价约为3万美元，不算建造费用和其他服务器设备，仅仅是芯片就需要花掉28亿美元。根据马斯克的估算，这个芯片储量训练Grok 2绰绰有余。但可能老马思考了一个月之后，觉得这一步迈得还不够大，不够有突破性。毕竟xAI的定位是要和OpenAI、谷歌这种强劲对手正面掰头的，以后想训练模型可不能再因为算力掉链子。于是，他最近公开表示，xAI需要部署10万个H100来训练和运行Grok的下一个版本。而且，xAI还计划将所有芯片串联成一个巨大的计算机——马斯克称之为「超级计算工厂」（Gigafactory of Compute）。老马这个月已经向投资者表示，他希望在2025年秋季之前让这台超级计算机运行起来，而且他将「个人负责按时交付超级计算机」，因为这对于开发LLM至关重要。这台超算可能由xAI与Oracle合作共建。这几年来，xAI已经从Oracle租用了带有约1.6万个H100芯片的服务器，是这些芯片最大的订单来源。如果不发展自己的算力，未来几年xAI在云服务器上很可能就要花费100亿美元，算下来居然还是「超级计算工厂」比较省钱。目前最大GPU集群
这个「超级计算工厂」一旦完工，规模将至少是当前最大GPU集群的4倍。比如Meta官网在3月发布的数据显示，他们当时推出了2个包含2.4万个H100 GPU的集群用于Llama 3的训练。
虽然英伟达已经宣布今年下半年开始生产并交付全新架构Blackwell的B100 GPU，但马斯克目前的计划还是采购H100。为什么不用最新型号的芯片，反而要大批量购入快要淘汰的型号？这其中的原因，老黄本人向我们解释过——「在今天的AI竞争里，时间很重要」。英伟达会每一年更新一代产品，而如果你想等我的下一个产品，那么你就丢失了训练的时间和先发优势。下一个达到里程碑的公司会宣布一个突破性的AI，而接下来的第二名只在它上面提升0.3%。你要选择做哪一种？这就是为什么一直做技术领先的公司很重要，你的客户会在你上面建设并且相信你会一直领先。这里面时间很重要。这就是为什么我的客户现在依然疯狂的在建设Hopper系统。时间就是一切。下一个里程碑马上就来。
然而，即使一切顺利，「超级计算工厂」在马斯克的「个人负责」下按时交付，这个集群到了明年秋天是否仍然有规模优势，也是一个未知数。扎克伯格今年1月曾经在Instagram上发帖，称Meta到今年底将再部署35万个H100，加上之前的算力总共相当于60万个H100，但他并未提及单个集群的芯片数量。
但这个数字没过半年就几乎翻了一番，5月初Llama 3发布前，有消息称Meta已从英伟达额外购买了50万块GPU，总数达到 100 万块，零售价值达300亿美元。同时，微软的目标是到年底拥有180万个 GPU，OpenAI甚至更加激进，希望为最新的AI模型使用1000万个GPU。这两家公司也在讨论开发一个价值1000亿美元的超级计算机，包含数百万个英伟达GPU。
这场算力之战，最后谁会胜出呢？
应该是英伟达吧。而且不仅仅是H100，英伟达CFO Colette Kress曾经提到过一份Blackwell旗舰芯片的优先客户名单，包括OpenAI、亚马逊、谷歌、xAI等等。即将投产的B100，以及英伟达之后将要一年一更的芯片，将会源源不断地进入科技巨头们的超算中心，帮助他们完成算力的升级迭代。芯片短缺，电也不够
马斯克在谈到特斯拉的算力问题时也补充说，虽然迄今为止芯片短缺是AI发展的一大制约因素，但电力供应在未来一两年将至关重要，甚至会取代芯片成为最大的限制因素。包括新建的这家「超级计算工厂」的选址，最需要考虑的因素也是电力供应。一个拥有10万GPU的数据中心可能需要100兆瓦的专用电力。要提供这种量级的电力，xAI总部办公室所在的旧金山湾区显然不是理想的选择。为了降低成本，数据中心往往建在电力更便宜且供应更充足的偏远地区。例如，微软和OpenAI除了计划那个耗资千亿美元的超算，也正在威斯康星州建造大型数据中心，建设成本约为100亿美元；亚马逊云服务的数据中心则选址在亚利桑那州。「超级计算工厂」一个非常可能的选址，是特斯拉总部，德克萨斯州奥斯汀市。去年特斯拉宣布建造的Dojo就部署在了这里。这台超算基于定制芯片，帮助训练AI自动驾驶软件，也可以用于向外界提供云服务。第一台Dojo运行在1万个GPU上，建造成本约为3亿美元。马斯克4月表示，特斯拉目前共有3.5万个GPU用于训练自动驾驶系统。
在数据中心进行模型训练是一个极其耗电的过程。据估计，训练GPT-3的耗电量为1287兆瓦时，大约相当于130个美国家庭每年消耗的电量。注意到AI电力问题的CEO不止马斯克一人，Sam Altman本人曾向初创公司Helion Energy投资3.75 亿美元，这家公司旨在利用核聚变提供一种更环保、更低成本的 AI 数据中心运行方式。马斯克则没有押注在核聚变技术上，他认为，AI公司很快将开始争夺降压变压器（step down transformer），可以将高压电流转换为电网可用的电力，「从公用电网获得的电力（例如 300 千伏）降至 1 伏以下是一个巨大的下降」。芯片之后，AI行业需要「transformers for Transformers」。参考资料：https://www.theinformation.com/articles/musk-plans-xai-supercomputer-dubbed-gigafactory-of-compute?rc=epv9gihttps://www.inc.com/ben-sherry/elon-musk-touts-nvidia-dominance-predicts-a-giant-leap-in-ai-power.htmlhttps://finance.yahoo.com/news/jensen-huang-elon-musk-openai-182851783.html?guccounter=1
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
发布文章
