算力租赁行业的需求从何而来？

近年来，人工智能领域的迅猛发展引发了全球范围内的巨大关注。尤其是在2023年，以ChatGPT为代表的大型语言模型应用展现出非凡的潜力，推动了人工智能技术的商业化进程。随着越来越多的大模型创业公司涌现，全球对大模型科研的热情持续高涨。

 这一趋势不仅加速了大模型的研究与开发，也引发了对AI算力需求的井喷式增长。在这一背景下，算力租赁业务作为一种新兴行业，迅速崛起，成为满足AI模型开发和推理需求的关键解决方案。

1. 算力需求井喷

自ChatGPT等大型语言模型震撼世界以来，人工智能的商业化落地预期不断升高，全球范围内涌现了大批大模型创业公司。随着大模型的训练、微调、推理需求急剧增加，AI算力需求迎来了前所未有的井喷式增长。AI应用在不同开发阶段对算力的需求也各不相同。在开发周期中，大量的训练侧算力是必需的；而当模型开发完成并上线后，推理算力则成为主要需求。目前，AI应用开发如火如荼，训练模型所需的算力需求尤为迫切；而在不久的将来，随着AI应用的大规模落地，推理侧算力的需求将更加旺盛。

以训练算力为例，根据英伟达与斯坦福大学合作的研究，GPT-3模型假设使用1024张A100显卡（约600P）进行训练，端到端训练时间大约为34天。然而，随着模型参数量的增加，所需的GPU数量呈非线性增长。以GPT-3到GPT-4的迭代为例，参数规模增大10倍，对应的训练计算量增加至少60倍。根据SemiAnalysis的报道，GPT-4的参数量达到了1.8万亿，并使用了更大的训练集，训练过程中所需的A100显卡数量达到万张量级。 

2. 云计算厂商为何无法完全承接需求？

尽管AI算力需求异常旺盛，传统云计算厂商却未能完全承接这些需求。这主要源于模型训练时需要大量GPU同时对同一模型进行计算，不仅要求峰值运算能力，还要求GPU之间的高效连接。传统的GPU集群在单个服务器节点内可以使用大带宽连接，但在服务器之间仍然采用传统架构，无法进行高效的多节点并行训练。对于大多数业务级大模型来说，单节点（最多8GPU）无法满足训练需求。而高性能集群则通过在节点间大量使用高带宽光模块进行互联，大幅提升了多节点训练时的GPU利用率。

传统云计算厂商提供的服务主要关注单节点的可用性与可靠性，但缺乏节点间超高带宽互联的基础设施，因此无法满足大模型训练客户的需求。要满足客户的训练需求，必须规划建设新的集群，而现有基础设施无法重复利用。此外，高性能集群主要适用于模型训练，用于普通互联网业务则成本过高，因此在高性能集群业务方面，云计算厂商并无优势。因此，当算力需求爆发时，云计算厂商无法完全承接，给了其他算力租赁公司介入的机会。 

3. 为何不自建算力中心？

虽然在服务器采购成本与租金成本之间进行比较时，算力租赁似乎不具备明显优势，但考虑到算力的弹性需求、硬件采购、调试、维护成本以及工程师研发时间成本，自建算力中心的模式对大多数大模型研发厂商而言并不适合。除了一些算力资源复用率较高的互联网大厂外，算力租赁已成为大多数大模型研发厂商的最佳选择。

除了大模型厂商外，还有许多有训练和推理需求的客户，他们更加需要算力租赁供应方的存在。尤其在推理侧，需求更为旺盛。例如，GPT-3大约需要1024张A100训练34天，而据相关机构的测算，ChatGPT的推理大约需要7000张A100算力卡持续运行来支持。 

4. 算力租赁业务的增速与规模

正是在这种需求背景下，算力租赁业务应运而生，并迅速发展成为一个兼具确定性与成长性的新兴行业。根据部分机构数据显示，受AI影响，从2022年到2026年，中国区人工智能算力规模的年复合增长率预计将达到52.3%。这不仅展示了算力租赁业务的潜力，也预示着未来将有更多企业涌入这一市场，推动整个行业进一步发展。

注：国内人工智能行业应用渗透度及提升百分点（来源：东方证券）

在人工智能技术飞速发展的时代，算力需求的井喷式增长为算力租赁行业带来了巨大的机遇。传统云计算厂商难以满足大模型研发和推理的需求，使得高性能集群和算力租赁成为了新的解决方案。未来，随着AI应用的广泛落地和推理需求的激增，算力租赁业务将继续保持强劲的增长势头，并在全球范围内扮演越来越重要的角色。