EP 30.【生成式AI专题3】深度探讨大语言模型生态链：芯片，基建，工具，开源，应用
01:47:51 Share

好久没有上新了，大家有没有想念我们呀！最近AI 的进展实在是太惊人。但是新闻看多了，自然需要有一些来自一线经验深入思考，才能窥见更接近真实的图景。这一期也是Onboard! AI 系列的第三期，接下来还准备了好几期星光熠熠的 AI 专题，请大家关注Onboard！, 不要错过哦！Hello World, who is onboard?这一期，我们将眼界放宽到大语言模型（LLM, Large Language Model）本身能力之外，看看 LLM 周边生态系统，包括硬件和软件工具链，如何随着基础模型的发展，迅速迭代，又相辅相成。嘉宾们来自生成式AI的上下游核心玩家，包括Nvidia, Google Cloud 的生成式AI平台 Vertex AI, 全球最火的AI模型库和社区平台 Huggingface, AI infra 初创公司，聊一聊从他们的视角看到的AI发展的机会，挑战与未来。这一期近2小时的讨论非常硬核，从芯片架构、GPU集群管理，到开发工具，甚至还聊到AI的社会影响，有好几个即兴的精彩话题。术语和英文不少，还请多包涵，在show notes 中尽量为大家做好笔记。话不多说， enjoy!

嘉宾介绍

Jiajia Chen: Senior Product Manager @Nvidia Omniverse, AI infra, Autonomous vehicle data platform; ex-Cisco

Han Zhao: Staff software engineer @Google Cloud Vertex AI

Tiezhen Wang: Software engineer @Huggingface, ex-Google Tensorflow

Ce Gao: Co-founder & CEO @TensorChord, ex-Tencent, Co-chair @Kubeflow

我们都聊了什么

02:12) 嘉宾自我介绍, fun fact: 最近看到的有意思的AI产品

06:53) Tiezhen 推荐的自然语言编程工具 Cursor, 嘉宾们激辩编程的未来

13:28) 深度碰撞：未来还需要编程吗？

23:47) Nvidia GTC 2023 上有什么值得关注的新产品？芯片技术的下一代创新在哪里

29:38) 各个大厂新出的芯片针对LLM做了哪些优化？

36:35) 管理训练LLM 的大规模GPU集群有哪些挑战？

47:04) 以后我们需要专用的推理芯片吗？

52:17) 开源界有哪些降低LLM训练和部署成本的尝试？LLM 成本下降边界在哪里？

59:08) LLM 商业生态的未来：开源 vs 闭源？每个企业都需要自己的LLM吗？

68:50) LLM的发展对于传统的MLOps 工具链各个环节有什么影响？

78:11) LLM 会带来哪些监管和社会影响？

90:37) 基础模型越来越强大，上层应用和工具如何创造价值？

100:34) 对未来AI发展的期待

我们提到了什么

• ChatGPT

• GitHub Copilot: Your AI pair programmer )

• Cursor: an editor made for programming with AI)

• Tabby: AI Coding Assistant)

• AutoGPT: An experimental open-source attempt to make GPT-4 fully autonomous.)

• HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace)

• NVIDIA cuLitho - Accelerate Computational Lithography)

• NVIDIA H100 GPU)

• NVIDIA NeMo Framework)

• NVIDIA Grace CPU Superchip)

• NVIDIA NVlink: high-speed GPU interconnect)

• Weights & Biases – Developer tools for ML)

• Vicuna: An Open-Source Chatbot Impressing GPT-4 with 90%* ChatGPT Quality)

• Alpaca: A Strong, Replicable Instruction-Following Model)

重要名词（感谢 ChatGPT 帮忙！）

• Large Language Model:大语言模型,指用海量文本训练的语言模型,如GPT-3等。

• Foundation Model:基础模型,指一个预训练模型,可以用作下游任务的起点,进行微调和迁移学习。

• GPU cluster:GPU集群,多个GPU服务器联网,用来提供高性能的并行计算能力。

• Distributed computing: 分布式计算,在多台计算机上协同完成计算任务。

• Confidential computing :保密计算,指在不可见和不可获取的方式下处理和分析数据的技术。

• Computational lithography: 计算光刻,使用计算方法来精确控制光刻过程,以产生更小更复杂的集成电路。

• Electromagnetic Physics:电磁物理学,研究电磁场及其与物质的相互作用。

• Photochemistry:光化学,研究光与化学物质相互作用的学科。

• Computational geometry:计算几何,研究使用计算机算法解决几何问题的学科。

• Topology:拓扑学,研究空间中两个形状或物体之间连续变形的性质。

• Stream multiprocessor:流多处理器,GPU中的一种执行单元,包含多个流处理器核心。

• Inference:推理,指使用训练好的模型对新数据进行预测和分析的过程。

• Model Serving:模型服务,指提供推理API服务,使训练好的模型可以被应用系统调用。

• Tensorcore:张量核,NVIDIA GPU中专用于加速机器学习运算的功能单元,如矩阵乘法等。

• Vector database:向量数据库,存储和查询高维向量数据的数据库。

参考文章

• 万字长文，探讨关于ChatGPT的五个最核心问题)

• OpenAI 联合创始人、首席科学家 Ilya Sutskever 解读大语言模型的底层逻辑与未来边界)

• NVIDIA GTC 2023 Keynote Product Announcements)

• Nvidia launches new services for training large language models | TechCrunch)

• Large Language Models Get Smarter With Enterprise Data | NVIDIA Blog)

• Jina AI 创始人肖涵博士：揭秘 Auto-GPT 喧嚣背后的残酷真相)

欢迎关注M小姐的微信公众号，了解更多中美软件和AI的干货内容！M小姐研习录 (ID: MissMStudy)

大家的点赞、评论、转发是对我们最好的鼓励！如果你有希望我们聊的话题，希望我们邀请的访谈嘉宾，都欢迎在留言中告诉我们哦~