今天OpenAI更新了AI計算量報告，分析了自2012年以來AI算法消耗算力的情況。

根據對實際數據的擬合，OpenAI得出結論：AI計算量每年增長10倍。從AlexNet到AlphaGo Zero，最先進AI模型對計算量的需求已經增長了30萬倍。

英偉達的黃仁勛一直在強調摩爾定律已死，就是沒死也頂不住如此爆炸式的算力需求啊。

至于為何發布AI計算量報告？OpenAI說，是為了用計算量這種可以簡單量化的指標來衡量AI的發展進程，另外兩個因素算法創新和數據難以估計。

每年增長10倍

OpenAI根據這些年的實際數據進行擬合，發現最先進AI模型的計算量每3.4個月翻一番，也就是每年增長10倍，比摩爾定律2年增長一倍快得多。

上圖中的縱坐標單位是PetaFLOPS×天（以下簡寫為pfs-day），一個pfs-day是以每秒執行1015次浮點運算的速度計算一天，或者說總共執行大約1020次浮點運算。

需要注意的是，上圖使用的是對數坐標，因此AlphaGoZero比AlexNet的運算量多了5個數量級。

從2012年至今，按照摩爾定律，芯片算力只增長了7倍，而在這7年間AI對算力的需求增長了30萬倍。硬件廠商是否感覺壓力山大？

OpenAI還分析了更早期的數據，從第一個神經網絡感知器（perceptron）誕生到2012年AI技術爆發前夕的狀況。

在之前的幾十年中，AI計算量的增長速度基本和摩爾定律是同步的，2012年成為AI兩個時期的分水嶺。

（注：OpenAI原報告引用18個月作為摩爾定律的翻倍時間，之后修正為2年。）

AI硬件的4個時代

對算力的爆炸式需求也催生了專門用于AI運算的硬件，從1959年至今，AI硬件經歷了4個不同的時期。

2012年之前：使用GPU進行機器學習運算并不常見，因此這部分的數據比較難準確估計。

2012年至2014年：在多個GPU上進行訓練的設備并不常見，大多數使用算力為1~2 TFLOPS的1到8個GPU，計算量為0.001~0.1 pfs-day。

2014年至2016年：開始大規模使用10~100個GPU（每個5~10 TFLOPS）進行訓練，總計算量為0.1-10 pfs-day。數據并行的邊際效益遞減，讓更大的訓練量受到限制。

2016年至2017年：更大的算法并行性（更大的batch size、架構搜索和專家迭代）以及專用硬件（TPU和更快的連接），極大地放寬了并行計算的限制。

未來還會高速增長嗎？

OpenAI認為，我們有很多理由相信，AI計算量快速增長的需求還會繼續保持下去。但是我們不必太過擔心算力不夠。

首先，越來越多的公司開發AI專用芯片，這些芯片會在一兩年內大幅提高單位功率或單位價格的算力（FLOPS/W或FLOPS/$）。另一方面并行計算也會成為主流，沒有太強的芯片還可以堆數量。

其次，并行計算也是解決大規模運算的一個有效方法，未來也會有并行算法創新，比如體系結構搜索和大規模并行SGD等。

但是，物理規律限制芯片效率，成本將限制并行計算。

如今訓練一個最大模型需要的硬件購置成本高達幾百萬美元，不是每個企業都可以像英偉達那樣，用512個V100花費10天訓練一個模型的。