硬件

GPU

什么是 GPU？

GPU 是如何工作的？

GPU 和 CPU 的区别

GPU 厂商

海外头部 GPU 厂商：

国内 GPU 厂商：

nvidia 的产品矩阵

什么是人工智能 (Artificial Intelligence-AI)？

人工智能细分领域

机器学习（Machine Learning）：研究如何通过算法和模型让计算机从数据中学习和提取规律，以完成特定任务。

深度学习（Deep Learning）：是机器学习的一种，使用多层神经网络来学习特征和模式，以实现对复杂任务的自动化处理。

自然语言处理（Natural Language Processing, NLP）：研究如何让计算机理解、分析、处理人类语言的方法和技术。

计算机视觉（Computer Vision）：研究如何让计算机“看懂”图像和视频，并从中提取有用的信息和特征。

机器人学（Robotics）：研究如何设计、构建和控制机器人，让它们能够完成特定任务。

强化学习（Reinforcement Learning）：是一种机器学习的方法，通过与环境的交互和反馈来学习最优行动策略。

知识图谱（Knowledge Graph）：是一种将知识以图谱的形式进行组织、表示和推理的方法，用于实现智能搜索、推荐等应用。

语音识别（Speech Recognition）：研究如何让计算机识别和理解人类语音，以实现语音输入、语音控制等功能。

NLP

Transformer 是什么？

Transformer 模型的实现

还有没有其他模型？

GPT 模型

ChatGPT

与现存的其他同类产品相比，ChatGPT 的独特优势在于：

GPT-3.5

ChatGPT 的优势在于：

GPT-4

AIGC 模型

人工智能突破摩尔定律

未来

参考

福利：文末有chat-gpt纯分享，无魔法，无限制

硬件

“没有硬件支持，你破解个屁”

GPU

什么是 GPU？

GPU 是 Graphics Processing Unit 的缩写，中文翻译为图形处理器。GPU 最初是为了提高电脑处理图形的速度而设计的，主要负责图像的计算和处理。GPU 通过并行计算的方式，可以同时执行多个任务，大大提高了图形和数据处理的速度和效率。

近年来，由于其并行计算的特性，GPU 也被应用于一些需要大量计算的领域，如机器学习、深度学习、数据挖掘、科学计算等。在这些领域中，GPU 可以加速训练模型、处理海量数据等计算密集型任务，显著提高了计算效率和速度。因此，GPU 已成为现代计算机的重要组成部分，被广泛应用于各种领域。

GPU 是如何工作的？

GPU 的工作原理和 CPU 类似，都是通过执行指令来完成计算任务的。不同的是，CPU 是通过串行执行指令的方式来完成计算任务的，而 GPU 是通过并行执行指令的方式来完成计算任务的。GPU 的并行计算方式可以同时执行多个任务，大大提高了计算效率和速度。

可以参考这个视频来了解 GPU 的工作原理：https://www.bilibili.com/video/BV1VW411i7ah/?spm_id_from=333.337.search-card.all.click&vd_source=6fb7f58b736bb5913c33073b42979450

GPU 和 CPU 的区别

GPU 和 CPU 的区别主要体现在以下几个方面：

架构设计不同：CPU 的设计注重单线程处理能力，通常有少量的计算核心和更多的高速缓存。GPU 则是面向并行处理的设计，通常拥有大量的计算核心，但缓存较小。
计算方式不同：CPU 在处理任务时，主要通过执行指令流的方式进行计算。而 GPU 则是通过执行大量的线程，同时进行并行计算，以提高计算效率。GPU 的并行计算能力可以同时处理许多相似的任务，适用于大规模的计算密集型任务，例如图像处理、机器学习等。
用途不同：CPU 主要用于通用计算任务，例如文件处理、操作系统运行、编程等。GPU 则主要用于图形处理、游戏、计算密集型任务，例如机器学习、深度学习等。

总结来说，GPU 和 CPU 都有各自的优势和适用场景，它们通常是相互协作的。例如，在机器学习中，CPU 通常用于数据的预处理和模型的训练过程，而 GPU 则用于模型的计算推理过程。

我们常说的显卡就是 GPU 吗？

是的，我们通常所说的显卡（Graphics Card）就是安装了 GPU 的设备。显卡除了包含 GPU 之外，还包括显存、散热器、显卡 BIOS 等部件。显卡通过将 CPU 传输的数据转换为图像信号，控制显示器输出图像。

在一些需要大量图像处理或计算的应用场景中，GPU 可以比 CPU 更高效地完成任务。因此，现代的显卡也广泛应用于机器学习、深度学习等领域的加速计算，甚至被用于科学计算、天文学、地质学、气象学等领域。

关于显卡，你可能听说过“集成显卡”、“独立显卡”，其实，显卡的集成和独立通常是指显存的不同管理方式，它们有以下区别：

集成显卡：集成显卡通常是指将显存集成在主板芯片组或处理器内部的显卡。这种显卡通常性能较差，适用于一些简单的应用场景，例如日常办公、网页浏览等。
独立显卡：独立显卡通常是指显存独立于主板芯片组或处理器，有自己的显存和显存控制器。这种显卡性能更加强大，适用于游戏、图形处理、科学计算等需要大量显存和计算性能的应用场景。
共享显存：共享显存通常是指显存与系统内存共享使用，也就是一部分系统内存被划分为显存使用。这种方式适用于一些轻度图形处理的应用场景，例如电影播放、网页浏览等。

总的来说，集成显卡通常性能较差，适用于简单应用场景，独立显卡性能更加强大，适用于需要大量显存和计算性能的应用场景，而共享显存则是一种折中的方案，适用于一些轻度图形处理的应用场景。

GPU 厂商

海外头部 GPU 厂商：

Nvidia：Nvidia 是目前全球最大的 GPU 制造商之一，Nvidia 主要生产针对游戏玩家、数据中心和专业用户等不同领域的 GPU 产品。
AMD：全球知名的 GPU 制造商之一。AMD 主要生产用于个人电脑、工作站和服务器等不同领域的 GPU 产品。
Intel：目前也开始进军 GPU 市场。Intel 主要生产用于个人电脑、工作站和服务器等不同领域的 GPU 产品。

国内 GPU 厂商：

海光信息、寒武纪、龙芯中科、景嘉微等。

芯片“卡脖子” 说的就是 GPU 吗？

是，但不全是。

"芯片卡脖子"是指全球半导体短缺现象，也称为"芯片荒"或"半导体荒"，指的是 2020 年以来由新冠疫情和其他因素导致的全球半导体供应不足的局面。这种供应短缺已经影响了多个行业，包括汽车、电子产品、通信设备等。中国作为世界上最大的半导体市场之一，也受到了这种供应短缺的影响。

我国在半导体领域的自主研发和制造水平相对较低，依赖进口芯片来支撑其经济和工业发展。受全球芯片短缺影响，我国的一些关键行业，特别是汽车、电子和通信行业，出现了供应短缺和价格上涨等问题，对其经济造成了一定的影响。为了应对这种情况，政府加强了对半导体行业的支持，鼓励本土企业增加芯片研发和生产能力，以减轻对进口芯片的依赖。

具体与 GPU 相关的：2022 年 8 月 31 日，为符合美国政府要求，Nvidia 和 AMD 的高端 GPU 将在中国暂停销售，包括 Nvidia 的 A100、H100 以及 AMD 的 MI100 和 MI200 芯片

英伟达在 SEC 文件上官方确认此事，称是 8 月 26 日收到美国政府的通知。

“
SEC 文件是由上市公司、上市公司内部人士、券商提交给美国证券交易委员会（SEC) 的财务报表或者其他正式文件。
”

nvidia （英伟达）

根据 2021 年第四季度的市场研究报告，英伟达在全球离散显卡市场占有率为 51.2％，位列第一，超过了其竞争对手 AMD 的市场份额。而在全球 GPU 市场（包括离散显卡和集成显卡）中，英伟达的市场占有率为 18.8％，位列第二，仅次于 Intel 的市场份额。

nvidia 的产品矩阵

GeForce 系列：主要面向消费者市场，包括桌面显卡和笔记本电脑显卡等，以高性能游戏和多媒体应用为主要应用场景。
Quadro 系列：主要面向专业工作站市场，包括电影和电视制作、建筑设计、科学计算、医疗影像等领域，具有高性能、高稳定性和优秀的图形渲染能力。
Tesla 系列：主要面向高性能计算市场，包括科学计算、深度学习、人工智能等领域，具有极高的计算性能和数据吞吐量，支持多 GPU 集群计算。
Tegra 系列：主要面向移动和嵌入式市场，包括智能手机、平板电脑、汽车、无人机等领域，具有高性能、低功耗、小尺寸等特点。
Jetson 系列：主要面向人工智能应用市场，包括机器人、自动驾驶、智能视频分析等领域，具有高性能、低功耗、小尺寸等特点。

可能你对上面这些产品系列、型号和名词不太了解，没有什么概念，那这样，咱们先建立个价格概念。我们以当下在人工智能领域广泛应用的 GPU A100 为例，看一下它的价格：

就是因为这个价格，所以 A100 也被称为“英伟达大金砖”.

为什么要单独说英伟达呢？因为算力是人工智能的“力量源泉”，GPU 是算力的“主要供应商”。而英伟达是全球最大的 GPU 制造商，并且它的 GPU 算力是最强的，比如 A100 GPU 算力是 10.5 petaFLOPS，而 AMD 的 MI100 GPU 算力是 7.5 petaFLOPS。

不明白什么意思？Peta 是计量单位之一，它代表的是 10 的 15 次方。因此，1 petaFLOPS（PFLOPS）表示每秒可以完成 10 的 15 次浮点运算。所以，A100 GPU 算力为 10.5 petaFLOPS，意味着它可以每秒完成 10.5 万亿次浮点运算。

AI

什么是人工智能 (Artificial Intelligence-AI)？

人工智能是指一种计算机技术，它使得计算机系统可以通过学习、推理、自适应和自我修正等方法，模拟人类的智能行为，以实现类似于人类的智能水平的一系列任务。这些任务包括语音识别、自然语言处理、图像识别、机器翻译、自动驾驶、智能推荐和游戏等。人工智能的核心是机器学习，它是通过使用大量数据和算法训练计算机系统，使其能够识别模式、做出预测和决策。人工智能还涉及到其他领域，如自然语言处理、计算机视觉、机器人技术、知识表示和推理等。人工智能被广泛应用于各种领域，如医疗、金融、交通、制造业、媒体和游戏等，为这些领域带来了更高的效率和创新。

人工智能细分领域

人工智能领域有很多分支领域，以下列举一些比较常见的：

机器学习（Machine Learning）：研究如何通过算法和模型让计算机从数据中学习和提取规律，以完成特定任务。
深度学习（Deep Learning）：是机器学习的一种，使用多层神经网络来学习特征和模式，以实现对复杂任务的自动化处理。
自然语言处理（Natural Language Processing, NLP）：研究如何让计算机理解、分析、处理人类语言的方法和技术。
计算机视觉（Computer Vision）：研究如何让计算机“看懂”图像和视频，并从中提取有用的信息和特征。
机器人学（Robotics）：研究如何设计、构建和控制机器人，让它们能够完成特定任务。
强化学习（Reinforcement Learning）：是一种机器学习的方法，通过与环境的交互和反馈来学习最优行动策略。
知识图谱（Knowledge Graph）：是一种将知识以图谱的形式进行组织、表示和推理的方法，用于实现智能搜索、推荐等应用。
语音识别（Speech Recognition）：研究如何让计算机识别和理解人类语音，以实现语音输入、语音控制等功能。

当然以上这些分支领域互相也有交叉和相互影响，比如深度学习在计算机视觉、自然语言处理和语音识别等领域都有应用；计算机视觉和自然语言处理也经常结合在一起，比如在图像字幕生成和图像问答等任务中。此外，人工智能还与其他领域如控制工程、优化学、认知科学等存在交叉。

NLP

我们具体地来看一下自然语言处理（NLP）这个分支领域，它是人工智能的一个重要分支，也是人工智能技术在实际应用中最为广泛的应用之一。

NLP（Natural Language Processing，自然语言处理）旨在让计算机能够理解、解析、生成和操作人类语言。

NLP 技术可以用于文本分类、情感分析、机器翻译、问答系统、语音识别、自动摘要、信息抽取等多个方面。实现 NLP 技术通常需要使用一些基础的机器学习算法，例如文本预处理、词嵌入（word embedding）、分词、词性标注、命名实体识别等等。这些算法可以从大量的语料库中学习到语言的结构和规律，并通过统计分析和机器学习模型进行自然语言的处理和应用。

近年来，随着深度学习技术的发展，NLP 领域也出现了一些基于深度学习的新模型，例如 Transformer 模型和 BERT 模型等。这些模型通过使用大规模语料库进行预训练，可以在多个 NLP 任务中取得优秀的表现。同时，也涌现了一些新的应用领域，例如对话系统、智能客服、智能写作、智能问答等。

Transformer 是什么？

上文我们提到人工智能的分支领域之间会有交叉，Transformer 算是深度学习和 NLP 的交叉领域。

Transformer 模型是深度学习中的一种神经网络模型，该模型是由 Google 开源的。

Transformer 模型最初是在 2017 年发表的论文"Attention Is All You Need"中提出的，随后被加入到 TensorFlow 等深度学习框架中，方便了广大开发者使用和扩展。目前，Transformer 模型已经成为自然语言处理领域中最流行的模型之一。

“
TensorFlow 是一种用于实现神经网络模型的开源深度学习框架。因此，可以使用 TensorFlow 实现 Transformer 模型。实际上，TensorFlow 团队已经提供了一个名为“Tensor2Tensor”的库，其中包含了 Transformer 模型的实现。此外，许多研究人员和工程师也使用 TensorFlow 实现自己的 Transformer 模型，并将其用于各种 NLP 任务中。
”

Transformer 特别擅长处理序列数据，其中包括了 NLP 领域的自然语言文本数据。在 NLP 领域中，Transformer 模型被广泛应用于各种任务，例如机器翻译、文本摘要、文本分类、问答系统、语言模型等等。相比于传统的基于循环神经网络（RNN）的模型，Transformer 模型通过使用注意力机制（self-attention）和多头注意力机制（multi-head attention）来建模序列中的长程依赖性和关系，有效地缓解了 RNN 模型中梯度消失和梯度爆炸的问题，从而在 NLP 任务上取得了很好的表现。因此，可以说 Transformer 是 NLP 领域中的一种重要的深度学习模型，也是现代 NLP 技术的重要组成部分。

Transformer 模型的实现

Transformer 模型只是一个抽象的概念和算法框架，具体的实现还需要考虑许多细节和技巧。在实际应用中，需要根据具体的任务和数据集进行模型的设计、参数调整和训练等过程。此外，还需要使用特定的软件框架（如 TensorFlow、PyTorch 等）进行实现和优化，以提高模型的效率和准确性。

实现 Transformer 模型可以使用深度学习框架，如 TensorFlow、PyTorch 等。一般来说，实现 Transformer 模型的步骤如下：

数据准备：准备训练和测试数据，包括语料数据和标签数据等。模型架构设计：确定模型的结构，包括 Transformer 的编码器和解码器部分，以及注意力机制等。
模型训练：使用训练数据对模型进行训练，并对模型进行调优，以达到较好的预测效果。
模型评估：使用测试数据对模型进行评估，包括损失函数的计算、精度、召回率、F1 值等。
模型部署：将训练好的模型部署到生产环境中，进行实际的应用。

业界流行的实现方式是使用深度学习框架，如 TensorFlow 或 PyTorch，在现有的 Transformer 模型代码基础上进行二次开发，以满足自己的需求。同时，也有一些第三方的 Transformer 库，如 Hugging Face 的 Transformers 库，可供直接使用，方便快捷。

还有没有其他模型？

类似于 Transformer 的模型有许多，其中一些主要的模型包括：

BERT（Bidirectional Encoder Representations from Transformers）：BERT 是由 Google 在 2018 年推出的预训练语言模型，采用了 Transformer 模型的编码器部分，并使用双向的 Transformer 模型来对输入的文本进行建模。
GPT（Generative Pre-trained Transformer）：GPT 是由 OpenAI 在 2018 年推出的预训练语言模型，采用了 Transformer 模型的解码器部分，主要用于生成文本。
XLNet：XLNet 是由 CMU、Google 和 Carnegie Mellon University 的研究人员在 2019 年提出的一种预训练语言模型，它使用了自回归 Transformer 模型和自回归 Transformer 模型的结合，具有更好的生成性能和语言理解能力。
T5（Text-to-Text Transfer Transformer）：T5 是由 Google 在 2019 年推出的一种基于 Transformer 的通用文本转换模型，可以处理各种 NLP 任务，如文本分类、问答、文本摘要等。
RoBERTa（Robustly Optimized BERT Pretraining Approach）：RoBERTa 是 Facebook 在 2019 年推出的预训练语言模型，它通过对 BERT 训练过程进行优化，提高了在多种 NLP 任务上的性能表现。

这些模型都基于 Transformer 架构，并通过不同的优化和改进来提高性能和应用范围。下面一张图是模型的家族树：

GPT 模型

2018 年 OpenAI 公司基于 Transformer 结构推出 GPT-1 （Generative Pre-training Transformers, 创造型预训练变换模型），参数量为 1.17 亿个，GPT-1 超越 Transformer 成为业内第一。2019 年至 2020 年，OpenAI 陆续发布 GPT-2、GPT-3，其参数量分别达到 15 亿、1750 亿，其中，GPT-3 训练过程中直接以人类自然语言作为指令，显著提升了 LLM 在多种语言场景中的性能。

ChatGPT

ChatGPT 是美国 OpenAI 公司研发的对话 AI 模型，是由人工智能技术支持的自然语言处理（NLP，Natural Language Processing）工具，于 2022 年 11 月 30 日正式发布。它能够学习、理解人类语言，并结合对话上下文，与人类聊天互动，也可撰写稿件、翻译文字、编程、编写视频脚本等。截至 2023 年 1 月底，ChatGPT 月活用户已高达 1 亿，成为史上活跃用户规模增长最快的应用

与现存的其他同类产品相比，ChatGPT 的独特优势在于：

基于 GPT-3.5 架构，运用海量语料库训练模型，包括真实生活中的对话，使 ChatGPT 能做到接近与人类聊天
应用新技术 RLHF （Reinforcement Learning with Human Feedback，基于人类反馈的强化学习），从而能更准确地理解并遵循人类的思维、价值观与需求
可在同一阶段内完成模型训练
具有强大算力、自我学习能力和适应性，且预训练通用性较高
可进行连续多轮对话，提升用户体验
更具独立批判性思维，能质疑用户问题的合理性，也能承认自身知识的局限性，听取用户意见并改进答案。

GPT-3.5

ChatGPT 使用的 GPT-3.5 模型是在 GPT-3 的基础上加入 Reinforcement Learning from Human Feedback（RLHF，人类反馈强化学习）技术和近段策略优化算法，其目的是从真实性、无害性和有用性三个方面优化输出结果，降低预训练模型生成种族歧视、性别歧视等有害内容的风险。

ChatGPT 训练的过程主要有三个阶段。

第一步是训练监督策略，人类标注员对随机抽取的提示提供预期结果，用监督学习的形式微调 GPT-3.5，生成 Supervised Fine-Tuning（SFT）模型，使 GPT-3.5 初步理解指令，这一步与先前的 GPT-3 模型训练方式相同，类似于老师为学生提供标答的过程。
第二步是奖励模型，在 SFT 模型中随机抽取提示并生成数个结果，由人类标注员对结果的匹配程度进行排序，再将问题与结果配对成数据对输入奖励模型进行打分训练，这个步骤类似于学生模拟标答写出自己的答案，老师再对每个答案进行评分。
第三步是 Proximal Policy Optimization（PPO，近段策略优化），也是 ChatGPT 最突出的升级。模型通过第二步的打分机制，对 SFT 模型内数据进行训练，自动优化迭代，提高 ChatGPT 输出结果的质量，即是学生根据老师反馈的评分，对自己的作答进行修改，使答案更接近高分标准。

ChatGPT 的优势在于：

使用 1750 万亿参数的 GPT-3 为底层模型进行预训练，为全球最大的语言模型之一
算力上得到微软支持，使用上万片 NVIDIA A100 GPU 进行训练，模型的运行速度得到保障（从这里就看出硬件的重要性了，A100 “卡脖子”确实很难受，不过之前各厂都囤货了，短期应该能满足现状，而且作为 A00 的平替 A800 即将出货，训练效率快速提升，应该也能满足需求。)
算法上使用奖励模型和近端优化策略进行迭代优化，将输出结果与人类预期答案对齐，减少有害性、歧视性答案，使 ChatGPT 更拟人化，让用户感觉沟通的过程更流畅。

GPT-4

据德国媒体 Heise 消息，当地时间 3 月 9 日一场人工智能相关活动上，四名微软德国员工在现场介绍了包括 GPT 系列在内的大语言模型（LLM），在活动中，微软德国首席技术官 Andreas Braun 表示 GPT-4 即将发布。

GPT-4 已经发展到基本上「适用于所有语言」：你可以用德语提问，然后用意大利语得到答案。借助多模态，微软和 OpenAI 将使「模型变得全面」。将提供完全不同的可能性，比如视频。

AIGC 模型

在人工智能内容生成领域，除了 OpenAI, 还有其他玩家，来看一下目前头部玩家的情况：

人工智能突破摩尔定律

“
摩尔定律是由英特尔公司创始人之一戈登·摩尔于 1965 年提出的一项预测。这项预测认为，在集成电路上可容纳的晶体管数量每隔 18 至 24 个月会翻一番，而成本不变或者成本减少。

简单来说，摩尔定律预测了随着时间的推移，计算机芯片上能集成的晶体管数量将以指数级别增长，而成本将持续降低。这意味着计算机性能将在同样的芯片面积上不断提高，同时计算机的成本也会不断降低。

摩尔定律在过去几十年的计算机工业中发挥了重要的作用，它是计算机发展的重要标志之一，但近年来随着摩尔定律趋于极限，一些人开始怀疑其可持续性。
”

摩尔定律的定义归纳起来，主要有以下三种版本：