数据显示，GPT训练数据量从1代到目前的3代一直在高速增长，GPT-3的参数量已经达到1750亿，而算力费也已经是千万级别。

可见，GPT-3靠的是通过规模化现有算法模型，来实现算力的增长。回顾GPT-3 的技术思路，可以发现AI 领域的一个明显趋势是：要训练一个有颠覆性进步的模型，最终比拼的是算力规模。

神经网络之父Geoffrey Hinton在GPT-3出现后，曾这样感慨：“生命、宇宙和万物的答案，其实只是4.398万亿个参数而已。”

算力是AI发展始终绕不开的问题。

罗氏、辉瑞、诺华、默沙东等等著名药企，都瞄准AI完成药物筛选，加速新药研发进程；谷歌的AI程序AlphaFold 2，去年成功解决了蛋白质折叠的问题，相当于突破了生物学50年的重大难题……这些科技成果背后离不开计算机的发展，计算机算力已经成为基础科研、前沿研究的重要工具。GPT-3的参数量已经达到千亿级别，规模接近人类神经元的总量，就是最好的例子。

但强大的算力往往靠的是财力的支持。其实GPT-3不仅训练成本高，此前微软还为训练它特地建设了一个5亿美元的超算中心。微软这个超算中心装载了一万张英伟达GPU，训练GPT-3消耗了它355个GPU年的算力。

因此算力带来的经济成本也成为了国内AI研发的壁垒。一方面，国内AI大厂拥有的软硬件虽然多，但是不够开放，闲置的算力资源被散落在各个平台。

中国拥有全球超算Top500中的226台

另一方面，中国很少有企业能够像微软一般财大气粗组件算力中心。因为即使是比GPT-3规模更小的AI模型，动辄耗费几十乃至上百张AI加速卡，对很多企业来说也是“不能承受之重”。

那么在中国，如果打造出一个比GPT-3更强，甚至像安怡一般超出想象力的人工智能呢？

目前看来市面上有两种路径可以走，一种是开发出更加强大的算法，更高效地利用算力，节省费用；另一种是就是在现有算法基础上进行规模化训练，让更多AI模型获得丰富的训练参数，从而达到优质模型的开放。但当下，走通两条路的前提都是拥有强大的算力。据估计，未来人工智能将占据80%以上的计算需求，需要有开放的AI算力中心承载这种需求。

还记得去年国家发改委明确划定“新基建”的概念范围时，指出“人工智能作为信息基础设施板块中的新技术基础设施，因其对传统产业的创新和重塑能力，更被誉为是数字经济时代的‘新电能’”。

因此当AI被誉为数字经济时代的“新电能”时，谁先搭建开放的算力中心，谁将成为国内的AI发电厂。

开源这件事，在过去的手机行业取得了巨大的成功，凭借软件开放、硬件整合的能力，普通消费者短短十年内享受到了智能手机普及的福利。

因此AI产业若能完成算力的软件与硬件的开源，就能让AI行业迅速发展。

因为开源可以高效统筹散落的闲置算力资源，达到提高算力的结果，从而低成本实现整个产业的共赢。

2011年，Facebook牵头发起了OCP开放计算项目，4年时间内OCP就为Facebook节省了20亿美元的成本，数据中心电费降低了20%。

还有英特尔、微软、谷歌都在以开放的姿态融合更多新的AI硬件，把更强大的算力贡献给产业。

反观国内，阿里拥有突出的云计算能力，为超过一半的A股上市公司、80％中国科技创新企业提供服务；商汤做为中国知名的AI算法提供商，已公开的全球专利资产近2000件，覆盖20个国家和地区；浪潮智算中心与5G结合，提供了云端训练、边缘推理的新应用场景……这些前言AI企业都能把算力供给全行业使用，就能推动AI的产业化，以国内庞大市场，也一定能催生更强大AI模型的诞生。

知名风投机构 A16Z合伙人Frank Chen关于CPT-3的观点是，GPT-3让使用者避开了培训数据以及建立AI业务的部分经济成本，这使得NLP（自然语言处理）成为AI研发最有前途的领域之一。因为有了GPT-3，很多AI初创公司的软件都内置了最新的NLP技术。

这意味着，开放API的GPT-3已经对AI创业公司产生正向的影响。随着算力的开放，AI时代拥有更多低廉的算力资源，更多像GPT-3一样的AI模型就会低成本出现，从而推动AI的产业化。

但新兴的技术往往面临高速发展与低速商业化的困局，因此新旧技术之间的交替也非常考验资本与企业的耐心。但不能偏于一隅的仅仅讨论商业应用价值，因为它代表着未来的竞争力。

几十年前，柯达说，你负责按快门，剩下的交给我们。

在未来，AI 或许也会表明心态，人类什么都不用干，剩下的交给它。