作者｜赵赛坡
头图｜视觉中国
戈登·摩尔的离世让业界再一次审视“摩尔定律”的现实价值，在AI算力需求愈发增加的当下，半导体的发展显然进入到一个新的发展阶段，本期提供一个分析视角。
从发布到现在不到四个月时间，以ChatGPT为代表的大语言模型已经成为部分人类工作的重要威胁、而大模型领域的开源、投融资趋势等，也是本期AI内参关注的话题。
本期内参还将探讨以下议题：
• 计算：ARM商业模式变革；
• 大模型：欧盟执法机构如何看待大模型驱动新犯罪？
• 云：AI拯救云计算？
接下来，欢迎和我一起复盘近期围绕计算与智能的产业事件。
计算
“后摩尔（定律）”时代
英特尔创始人之一的戈登·摩尔上周离世，他也是“摩尔定律”的提出者，早在60年代，基于对半导体行业发展的评估，摩尔看到了一个潜在的发展规律，即在某个特定时间周期里，晶体管价格与数量成反比，由此构成了过去半个多世纪科技产业发展的基本规律：新技术——无论是硬件还是软件——的价格不断下降，推动产业技术的快速落地，并开启另一个新技术发展的潮流。
进入2010年代，行业围绕“摩尔定律”的争论从未平息，但在AI算力需求愈发增加的当下，半导体的发展显然进入到一个新的发展阶段：
• GPU以及众多专属芯片的需求显著上升，通用芯片——比如CPU的地位受到挑战；
• 算力提升的根本不再局限于增加晶体管数量，新的计算架构呼之欲出；
前者面对的新场景，比如Google希望借助TPU解决服务器领域的AI计算需求，而阿里云则通过CIPU的形式，努力克服传统CPU在数据中心的损耗。
后者则是从芯片设计层面切入，2021年，Google在《自然》杂志上发表论文称，该公司利用强化学习技术，能够比人类工程师更好地生成芯片电路板的布局图，以此提升芯片性能，其目的就是要仅仅通过有限的晶体管数量，设计出更强大的芯片。
Google的这篇论文当时引发行业震动，但由于Google对核心方法严格保密，外界很难知晓其背后的原理。上周，一篇来自加州大学圣迭戈分校的论文指出，通过对Google相关方法的逆向工程和重新构建，得到的成绩似乎与Google公布的成绩不相符，换句话说，Google或许是隐藏了某些细节，比如首先使用半导体领域广为使用的Synopsys软件进行排列，然后再通过强化学习算法优化调整。
截至目前，这份研究引发的争议还在发酵：
• 《自然》杂志表示启动相关调查；
• Google研究者发表了一份回应声明；
另一家试图通过AI优化芯片设计的公司是英伟达，其基本方法也是把强化学习的算法引入芯片布局的排列中，你可以在这里查看英伟达最近发表的一份研究。
围绕算力的竞争，在技术维度之外，还有商业模式与地缘政治的博弈：
• ARM谋求新的商业授权方案，尽管最终方案还未公布，但“涨价”已经是不可避免的事实，如今的ARM，极力想摆脱“闷声发小财”的形象；
• 台积电工厂正在成为新的科技媒体打卡点，Wired记者直言在这里发现了“上帝的面容”，这里也是芯片地缘政治的中心地带；
• 美国与亚洲一众芯片公司现在面临一道站队中美的选择题，如何权衡利弊需要的不仅是商业思维，还有所谓的“政治格局”；
• 华为轮值总裁徐直军的内部讲话流出，其中“华为联合国内EDA企业，共同打造了14纳米以上工艺所需EDA工具，基本实现14纳米EDA工具国产化”引发海内外热议；
大模型
开源新玩家。大模型领域继续有新的玩家出现，而且最近瞄准了开源方向：
• Databricks发布Dolly，基于EleutherAI公司的一款60亿参数的开源模型进行训练，得出了可媲美ChatGPT的测试成绩；
• 芯片公司Cerebras发布了七个大语言模型供开源社区使用（基于Apache 2.0开源许可），同时也公布了权重和训练要点，值得一提的是，这些模型采用Cerebras WSE-2芯片进行训练；
开源大模型致力于解决行业的两大痛点，其一，是否可以在科技巨头的专有模型之外找到新的选择？其二，是否能够避免将自己的数据交给诸如OpenAI这样的公司？
可以预见的是，开源大模型会越来越多，而利用开源社区的力量，接下来一段时间，我们会看到更多大模型带来的惊喜或惊吓。
火热的市场。2023年的AI投融资市场持续火热，近期几个值得关注的融资案例：
• Character.AI公司完成一轮1.5亿美元的融资，a16z领投，此次融资使得这家成立16个月的公司目前估值已经超过10亿美元；
• 提供视频/图像等非结构内容分析的创业公司Coactive完成一轮超过千万美元的融资，a16z与Bessemer是投资方；
• 关注自然语言落地应用的Adept公司近期融资3.5亿美元，这家公司的创始团队来自Google和OpenAI；
如果以投资者的视角去看当下的生成式AI市场，或许会得到另一个角度的洞察。
比如开辟了新市场，无论是使用“文本转图像”的Midjourney，还是使用“文本转语音的”ElevenLabs，大量新用户挤入一个全新的“创造者”圈子；再比如，即便是在原有的市场，从搜索到软件开发、办公，生成式AI也在扩展其市场辐射范围，一个案例是，用户此前搜索的体验局限于关键字的匹配，而正在发生的以及即将发生的，则是基于对用户输入语言的理解，并生成一系列回答，这是对搜索产品的重要升级。
法律与伦理挑战。利用诸如ChatGPT等强大的生成技术，不法分子已经开始行动。欧盟执法机构,欧洲警察局的一份报告指出，ChatGPT等技术能够帮助犯罪分子找到某些领域的特有知识，比如，一些用户让ChatGPT生成如何制造管式炸弹的方法，尽管这些信息都是公开信息，但ChatGPT强大的信息整合能力，极大降低了犯罪分子学习某些领域的门槛。
更进一步，利用生成的恶意代码，黑客能够更有“效率”地制作、分发恶意软件，这也会增加网络安全风险。
你可以在这里获取这份分析报告。
快速发展的生成式AI如何影响人类现有工作？OpenAI结合GPT-4目前的能力，发布了一篇研究论文，几个要点：
• 影响最大的职业包括各类翻译、偏写作的企业公关人员、数学家、税务人员、会计师和审计师以及新闻记者等。
如下图：
• 行业层面来看的话，数据处理、出版将受到巨大冲击，而那些以体力劳动为主的行业，比如餐饮、制造等，影响较少。
不过需要看到这份研究的局限性，比如其调查方法是梳理全美1000个不同职业中所需要完成的任务，然后与GPT-4现有的能力进行对比，以此形成结果，但考虑到很多职业中的所谓“任务”并非单一的任务，还会涉及其他相关的任务，所以预测模型相对简化。
另外，GPT-4等大模型现阶段还会生成大量错误或带有偏见的内容，即便是大量行业引入了相关技术，并不意味着原有的人类员工就会直接失业，这些行业依然需要人类员工去管理、监督这些模型的工作。
尽管有上述的局限性，我们需要看到一个显而易见的未来：在大语言模型的“帮助”下，全球性的“白领失业潮”已不可避免（高盛也给出了类似的结论），这个过程会因国家地区的经济发展水平有所不同，也会呈现出长短不一的时间周期，各位，做好准备吧。
一个可以让包括我在内的一些职业欣慰的数据：
今天有60%工人所从事的职业在1940年并不存在，这意味着过去80年里，超过85%的就业增长来自于技术驱动所创造的新职位。
云上的故事
自2022年开始，全球主要云计算市场的需求下滑，这不仅表现在AWS、微软云业务增长放缓甚至裁员（比如AWS最近的裁员），还体现在众多分析机构的预期里——鉴于不确定的经济形势，企业都在减少云相关的业务投入。
由ChatGPT掀起的AI热潮也为云计算的发展注入一剂强心剂，这其中，微软和Google的表现最为积极：
• 微软已经将ChatGPT相关技术部署到一系列云服务之中，包括但不限于Azure基础云服务、Office 365、Dynamics 365等产品，部分客户已经开始提前使用这些新功能；
• Google不久前向云上协同办公套件WorkSpace客户推送众多AI新功能，帮助客户更好体验到生成式AI带来的优势；
所有这些举措都是为了留住、吸引更多客户，一个案例是，毕马威近几个季度一直在削减其云计算的支出，但在微软提供了OpenAI相关技术之后，该公司认为需要为AI技术增加Azure上的投入。
但另一方面，关于云服务的成本是否高于本地数据中心的争论并未停歇。新加坡SEO服务商Ahrefs公司高管Efim Mirochnik不久前做了一番对比分析，他将该公司本地数据中心的服务器成本进行测算，然后对比同等（或相近）性能的AWS云服务器成本，最后的结论是，每台服务器每月可以节省1500美元，该公司需要850台服务器，未来三年可以节省大约4亿美元。
Efim Mirochnik的帖子引发诸多讨论，虽然得出的结论不能说完全精准，但也从一个侧面展现业界的一个共识：使用云计算的成本远没有像AWS或微软宣传的那么低。
类似地，开发Basecamp的软件公司37signals也在今年1月份宣布不再使用AWS的云服务，这家公司去年为AWS支付了320万美元的费用，感兴趣的朋友可以在这里看看该公司的云计算支出报告。
看一组云计算巨头的动态：
• 微软与多家欧洲云计算公司的软件（包括Windows、Office）许可证诉讼即将和解，外界指出，微软此举或是为了争取欧盟对于其收购暴雪的支持；
• 阿里巴巴迎来架构大调整，包括云智能集团在内的六大集团公司将拥有更多自主管理与发展权限，未来或单独上市，目前阿里云智能集团的CEO仍然是张勇；
• Google分布式云（GDC）托管版本已全面可用，这个产品面向诸如军事、银行等需要机密计算、硬件隔离的场景，集成了Google Cloud的多项软件能力。
• 百度几乎在“最后一刻”取消了原本周一举行的“文心一言云服务”发布会，会议被改为“闭门会议”；
评论