英伟达最大的风险，在很少人关注的角落里！_老虎社区_美港股上老虎

英伟达最大的风险，在很少人关注的角落里！

华尔街见闻2023-09-05

GPU与高算力需求Transformer架构“互相成就”。然而如果在不远的未来，AI世界依赖的Transformer被对算力需求并不高的架构取代，那会对“卖铲人”英伟达构成威胁吗？今年的英伟达确实“猛”，不遗余力拼算力似乎已经成了科技巨头们的共识，部分原因在于，不少大模型都以对算力需求较高的Transformer为架构，而如果在不断迭代的过程中，Transformer逐步被对算力需求少的架构取代，...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

暂无评论

热议股票

7x24

全部

关于我们·老虎社区守则·老虎社区账号管理规范·老虎社区服务协议·老虎社区隐私政策

公司名称：北京至简风宜信息技术有限公司

违法和不良信息投诉：010-5681-3562（工作时间9:30-18:30）

邮箱：service@laohu8.com

营业执照：91110105MA01A4U55R

ICP备：京ICP备18016422号

网安备：京公网安备11010502036490

关注我们

{"i18n":{"language":"zh_CN"},"data":{"share":"https://www.laohu8.com/m/news/2365770013?lang=zh_CN&edition=full","thumbnail":"https://static.tigerbbs.com/a0dbd8c9b3c24e8cc6decb059bc20aa3","is_english":false,"pubTime":"2023-09-05 11:55","share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","id":"2365770013","market":"us","top_or_hot":-1,"title":"英伟达最大的风险，在很少人关注的角落里！","media":"华尔街见闻","content":"<div>\n<p>GPU与高算力需求Transformer架构“互相成就”。然而如果在不远的未来，AI世界依赖的Transformer被对算力需求并不高的架构取代，那会对“卖铲人”英伟达构成威胁吗？今年的英伟达确实“猛”，不遗余力拼算力似乎已经成了科技巨头们的共识，部分原因在于，不少大模型都以对算力需求较高的Transformer为架构，而如果在不断迭代的过程中，Transformer逐步被对算力需求少的架构取代，...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3697092\">网页链接</a>\n\n</div>\n","source":"wallstreetcn_api","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>英伟达最大的风险，在很少人关注的角落里！</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n英伟达最大的风险，在很少人关注的角落里！\n</h2>\n\n<h4 class=\"meta\">\n\n\n2023-09-05 11:55 北京时间&nbsp;&nbsp;&nbsp;<a href=https://wallstreetcn.com/articles/3697092><strong>华尔街见闻</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>GPU与高算力需求Transformer架构“互相成就”。然而如果在不远的未来，AI世界依赖的Transformer被对算力需求并不高的架构取代，那会对“卖铲人”英伟达构成威胁吗？今年的英伟达确实“猛”，不遗余力拼算力似乎已经成了科技巨头们的共识，部分原因在于，不少大模型都以对算力需求较高的Transformer为架构，而如果在不断迭代的过程中，Transformer逐步被对算力需求少的架构取代，...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3697092\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"LU0353189763.USD","symbol_name":"ALLSPRING  US ALL CAP GROWTH FUND \"I\" (USD) ACC","start_time":0,"source_url":"https://wallstreetcn.com/articles/3697092","article_id":"2365770013","we_media_id":null,"thumbnails":["https://static.tigerbbs.com/a0dbd8c9b3c24e8cc6decb059bc20aa3"],"rights":{"source":"wallstreetcn_api","url":"https://wallstreetcn.com/articles/3697092","rn_cache_url":null,"directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2365770013","pubTimestamp":1693886142,"columns":[],"sourceInfo":{"source_id":"wallstreetcn_api","name":"华尔街见闻"},"weMediaInfo":null,"summary":"GPU与高算力需求Transformer架构“互相成就”。然而如果在不远的未来，AI世界依赖的Transformer被对算力需求并不高的架构取代，那会对“卖铲人”英伟达构成威胁吗？","collect":0,"end_time":0,"defaultTopTitle":"wallstreetcn.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"LU0353189763.USD":"ALLSPRING  US ALL CAP GROWTH FUND \"I\" (USD) ACC","BK4550":"红杉资本持仓","BK4141":"半导体产品","IE0004445015.USD":"JANUS HENDERSON BALANCED \"A2\" (USD) ACC","LU1242518931.SGD":"Fullerton Lux Funds - Asia Absolute Alpha A Acc SGD","NVDA":"英伟达","BK4503":"景林资产持仓","BK4551":"寇图资本持仓","LU0097036916.USD":"贝莱德美国增长A2 USD","LU0320765059.SGD":"FTIF - Franklin US Opportunities A Acc SGD","LU0198837287.USD":"UBS (LUX) EQUITY SICAV - USA GROWTH \"P\" (USD) ACC","IE00BD6J9T35.USD":"NEUBERGER BERMAN NEXT GENERATION MOBILITY \"A\" (USD) ACC","BK4581":"高盛持仓","LU0786609619.USD":"高盛全球千禧一代股票组合Acc","IE00BFSS8Q28.SGD":"Janus Henderson Balanced A Inc SGD-H","LU1064131342.USD":"Fullerton Lux Funds - Global Absolute Alpha A Acc USD","BK4549":"软银资本持仓","IE0034235188.USD":"PINEBRIDGE GLOBAL FOCUS EQUITY \"A\" (USD) ACC","LU0820561818.USD":"安联收益及增长平衡基金Cl AM DIS","BK4548":"巴美列捷福持仓","LU0127658192.USD":"EASTSPRING INVESTMENTS GLOBAL TECHNOLOGY \"A\" (USD) ACC","IE0009356076.USD":"JANUS HENDERSON GLOBAL TECHNOLOGY AND INNOVATION \"A2\" (USD) ACC","LU0256863811.USD":"ALLIANZ US EQUITY \"A\" INC","LU1316542783.SGD":"Janus Henderson Horizon Global Technology Leaders A2 SGD","BK4532":"文艺复兴科技持仓","LU0943347566.SGD":"安联收益及增长平衡基金AM H2-SGD","BK4554":"元宇宙及AR概念","LU1267930730.SGD":"富兰克林美国机遇基金AS Acc SGD (CPF)","LU0234570918.USD":"高盛全球核心股票组合Acc Close","IE0004445239.USD":"JANUS HENDERSON US FORTY \"A2\" (USD) ACC","IE00BJJMRX11.SGD":"Janus Henderson Balanced A Acc SGD","BK4567":"ESG概念","LU0642271901.SGD":"Janus Henderson Horizon Global Technology Leaders A2 SGD-H","BK4534":"瑞士信贷持仓","LU0079474960.USD":"联博美国增长基金A","LU0889565833.HKD":"FRANKLIN TECHNOLOGY \"A\" (HKD) ACC","BK4533":"AQR资本管理(全球第二大对冲基金)","GB00BDT5M118.USD":"天利环球扩展Alpha基金A Acc","LU0056508442.USD":"贝莱德世界科技基金A2","LU0719512351.SGD":"JPMorgan Funds - US Technology A (acc) SGD","IE00B1XK9C88.USD":"PINEBRIDGE US LARGE CAP RESEARCH ENHANCED \"A\" (USD) ACC","LU1242518857.USD":"FULLERTON LUX FUNDS - ASIA ABSOLUTE ALPHA \"I\" (USD) ACC","LU0640476718.USD":"THREADNEEDLE (LUX) US CONTRARIAN CORE EQ \"AU\" (USD) ACC","IE00BJJMRY28.SGD":"Janus Henderson Balanced A Inc SGD","LU0353189680.USD":"富国美国全盘成长基金Cl A Acc","BK4543":"AI","LU1280957306.USD":"THREADNEEDLE (LUX) US CONTRARIAN CORE EQUITIES \"AUP\" (USD) INC","IE00BMPRXN33.USD":"NEUBERGER BERMAN 5G CONNECTIVITY \"A\" (USD) ACC","BK4527":"明星科技股","LU0109392836.USD":"富兰克林科技股A"},"translate_title":"NVIDIA's biggest risk is in the corner where few people pay attention!","themeId":"","isJumpTheme":false,"ttsUrl":"https://static.tigerbbs.com/46d1904ac62cf3bf8fbc7063f5492909","symbols_score_info":{"NVDA":1},"content_text":"GPU与高算力需求Transformer架构“互相成就”。然而如果在不远的未来，AI世界依赖的Transformer被对算力需求并不高的架构取代，那会对“卖铲人”英伟达构成威胁吗？今年的英伟达确实“猛”，不遗余力拼算力似乎已经成了科技巨头们的共识，部分原因在于，不少大模型都以对算力需求较高的Transformer为架构，而如果在不断迭代的过程中，Transformer逐步被对算力需求少的架构取代，这是否也将成为英伟达的“潜在风险”？投资了OpenAI劲敌Cohere的著名风险投资家、Radical Ventures合伙人Rob Toews，在9月3日发布的专栏文章指出，Transformer在训练时支持并行化，与GPU的“爆火”时间点吻合。GPU拥有更多流处理器，适合对密集数据进行并行处理和并发计算，非常适合且支持基于Transformer的计算工作流负载。毫无疑问，Transformer的架构非常强大，彻底改变了AI界，但缺点也明显，当文章长度变长，计算复杂度就变得非常高，同时，随着模型规模不断扩大，所需计算量呈指数级增加，这两点都让Transformer的算力需求激增。Toews指出，为了弥补Transformer存在的问题，包括Hyena、Monarch Mixer、BiGS、MEGA等提出了用Subquadratic方法来降低运算复杂度，减少算力需求。Toews直言，尽管这些架构距离挑战Transformer的“王座”仍有较大差距，但不可否认的是，AI发展过程中新鲜的事物接连出现，不断更新换代的过程中，或许没有什么是永远屹立不倒的。当算力需求激增之时，从某种程度上说，谁手握英伟达GPU，谁就掌握了AI时代最硬的“硬通货”。而如果在未来Transformer被对算力需求不高的架构取代，那对最大“卖铲人”英伟达来说将构成一定威胁。Transformer的庞大计算成本2017年6月12日，《Attention is All You Need》论文横空出世，让大模型领域变天的Transformer架构出现了。截至9月4日，Transformer诞生超过6周年，而这篇论文被引用高达87345次。分析指出，基于Transformer不断扩展的大模型们，都是以处理性能和功耗方面的高昂成本为代价。因此，虽然人工智能的潜力可能是无限的，但物理和成本却是有限的。为什么Transformer对算力的要求如此之高？Toews解释称，主要有以下两个原因:1.注意力（attention）机制的计算复杂度，2.越发庞大的模型规模：Transformer的基本原理是使用自注意力机制来捕获序列数据中的依赖关系，无论它们的距离有多远。注意力机制需要将序列中每个词与其他所有词进行配对比较，这导致运算量随序列长度的平方增长，即计算复杂度为O(n^2)。这种平方级复杂度使得随着文本长度增加，所需计算成本急剧上升。与此同时，Transformer架构可以更好地扩展大模型，所以研究者不断基于Transformer训练更大规模的模型。目前主流的语言模型参数量达到了数百亿级甚至万亿级，需要大量算力支持。随着模型规模的扩大，所需算力呈指数级上涨。谷歌母公司Alphabet首席财务官Ruth Porat在财报电话会上表示，由于需要投资AI基础设施，资本支出将比去年的创纪录水平“略高”。微软最新报告显示，该公司季度资本支出超出预期，首席财务官Amy Hood称原因为加大AI基础设施建设。微软在今年年初又向OpenAI砸了100亿美元，为了支撑起大语言模型训练所需的庞大计算资源费用。成立仅18个月的初创公司Inflection也融资超过10亿美元用于构建GPU集群，以训练其大语言模型。英伟达GPU在市场的“哄抢”中陷入产能瓶颈。最新的H100芯片早已全部卖空，现在下单要等2024年第一季度甚至第二季度才能排上队。Toews指出，上述种种都不难看出，基于Transformer的模型对计算资源的需求之大，以至于当前的人工智能热潮引发了全球GPU供应短缺，硬件制造商无法跟上激增的需求。Transformer面临的难题同时，Toews指出，Transformer处理的句子长度受限，已有的方法大多使用截断的方式，这会导致信息损失，因此如何实现长文本的预训练是目前的一大难题。而这场AI军备竞赛注定还将持续下去，如果 OpenAI、Anthropic或任何其他公司继续使用Transformer架构，那么它们模型的文本序列长度会受限。Toews指出，人们已经进行了各种尝试来更新Transformer架构，仍然使用注意力机制，但能够更好地处理长序列。然而，这些改进后的Transformer架构（如Longformer、Reformer、Performer、Linformer和Big Bird）通常会牺牲部分性能，因此未能获得采用。Toews强调，没有一样事物会是完美的，历史的发展也不会停下脚步，尽管Transformer在现在占据绝对的优势地位，但它也并非没有缺点，而这些缺点为新的架构打开了大门。“王位”挑战者出现了？Toews认为，现在寻找可以替代\"Transformer\"的架构成了最有潜力的领域，而其中的一个研究方向是用一种新的函数替代注意力机制。包括Hyena、Monarch Mixer、BiGS、MEGA等提出了用Subquadratic方法来降低运算复杂度，减少算力需求。Toews强调，斯坦福和Mila的研究人员提出了一种名为Hyena的新架构，具有代替Transformer的潜力，它是一种无注意力、卷积架构，可以匹配注意力模型的质量，同时可以降低计算成本。在次二次多项式NLP任务上表现出色：据称，Hyena可达到与GPT-4同等的准确性，但使用的算力比后者减少了100倍。这是第一个能够在总FLOPS减少20%的情况下与GPT质量相匹配的无注意力架构，具有成为图像分类的通用深度学习运算符的潜力。Toews表示，需要注意的是，最初的\"Hyena\"研究是在相对小的规模下进行的。最大的\"Hyena\"模型具有13亿个参数，而GPT-3有1750亿个参数，而GPT-4据说达到1.8万亿个参数。因此针对\"Hyena\"架构的一个关键测试将是，在将其扩展到当前\"Transformer\"模型规模的情况下，它是否能继续表现出强大的性能和效率提升。Toews认为，而液态神经网络是另一个具有取代“Transformer”潜力的架构。麻省理工学院的两名研究人员从微小的秀丽隐杆线虫（Caenorhabditis elegans）中汲取灵感，创造了所谓的 “液态神经网络” （liquid neural networks）。据称，液态神经网络不仅速度更快，而且异常稳定，这意味着系统可以处理大量的输入而不至于失控。Toews认为这种较小的架构意味着液态神经网络比\"Transformer\"更加透明且更易于人类理解:毕竟，对于人类来说，更容易解释具有253个连接的网络发生了什么，而不是拥有1750亿个连接的网络。当架构不断改进，逐渐减少了对算力的依赖，是否也意味着会对未来英伟达的营收产生影响？","kind":"highlight","is_publish_news":true,"is_publish_highlight":true,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":1},"commentList":[],"hasMoreComments":false,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":1,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false}}