AI大模型探索之路-应用篇13：企业AI大模型选型指南

目录

前言

在打造企业AI大模型的路上，我们常常会遇到一系列的选型和概念挑战。例如，如何选择合适的模型，如何挑选GPU，以及什么是微调和监督微调等。本文旨在深入剖析这些常见问题，为大家提供一个全面的概览，帮助大家更好地理解和利用这些强大的工具。

一、概述

文章中我们将带着问题去了解打造企业AI大模型中的关键实践，包括模型选择、参数理解、硬件选择（CPU与GPU），以及训练技术（预训练和微调）。我们将探讨如何在众多开源模型和商业解决方案中做出选择，并基于业务需求调整模型参数和训练方法。通过阅读本文获得构建和部署高效AI大模型的知识和工具，为以后在此领域的旅程提供坚实的基础。

二、有哪些主流模型？

对于企业如果自己从零研发自己的大模型；它对算力、数据的要求非常高，研发投入非常大，

比如以OpenAI的GPT-3模型为例来估算。假设：

1. 模型训练需要1,000个NVIDIA A100 GPU。
2. 每个GPU的价格为$10,000（这是A100 GPU的大致市场价格）。
3. GPU租用费用为$8/小时（这是一个大致的市场价格）。
4. 模型训练时间为2个月（60天）。
5. 每天24小时不间断训练。

计算：

GPU购买成本 = 1,000 × 10,000=10,000,000

GPU租用成本 = 1,000 × 8/小时×24小时/天×60天= 11,520,000

因此对大多数企业而言，更多的是从目前以及开源或者闭源的大模型上进行选择；

由于篇幅有限，下面仅列了部分主流模型：

三、模型参数怎么选？

在大模型名称后面通常都带有一个字母B，”7b”、”13b”、”70b”等，它通常指的是大型神经网络模型的参数数量。其中的 “b” 代表 “billion”，也就是十亿。表示模型中的参数量，例如：”7b” 指的是 70 亿个参数；”13b”指的是 130 亿个参数。

四、参数有什么作用？

大模型的参数是衡量模型能力的一个指标，一般XXB越大，通常模型就更厉害；因为更多的参数通常意味着模型可以捕捉到更复杂的数据模式，从而有潜力执行更多种类的任务和提供更准确的预测或判断；

但是实际选择时我们要从多方面考虑：

1. 成本资源：训练和部署大型模型需要更大的计算资源和存储空间，同时也需要更长的训练时间。
2. 调试与维护：小型模型通常更容易调试和维护，而大型模型可能因为复杂性增加而难以管理
3. 实时性要求：在模型的推理时间方面，大型模型可能因为其复杂性而导致较慢的预测速度。
4. 数据特性：某些模型可能比较适合处理特定类型的数据如图像、文本、时间序列等
5. 行业需求：不同行业可能有特定的需求和限制，例如在金融行业中，模型的解释性和合规性尤为重要；而在医疗行业，模型的准确性和可靠性至关重要

五、CPU和GPU怎么选？

1. 各自特点：

CPU是计算机的大脑，负责硬件资源调配、执行通用运算，像是一个资深数学家，擅长处理复杂的任务。

GPU是图形和并行计算的专家；适合图形渲染和科学计算；像是一个专门进行数值计算的团队，其中每个成员都负责执行简单的操作，但整个团队合起来可以同时处理大量的相似计算。

2. 使用场景：

CPU：适用于日常的办公、软件运行、系统管理等需要复杂决策和逻辑处理的场景。
GPU：适用于视频编辑、游戏、三维建模以及机器学习等需要大规模数据并行处理的场景。

3. 配置选择

CPU在深度学习中至关重要，需提供足够的数据处理能力以支持模型训练。例如，增加NVIDIA V100 GPU数量未能成比例提高DGX2服务器的吞吐量，表明CPU可能成为性能瓶颈。理想情况下，CPU核心数应随GPU数量线性增加，每块GPU建议分配4~8个CPU核心以满足数据读取需求，但更多核心并不总是带来显著提升。

六、GPU和显卡有什么关系？

GPU并不是一块普通的显卡。确切地说，GPU是显卡中的核心组件，专门负责图像处理任务。作为显卡的关键芯片，GPU承担了大部分图形计算工作，从而减轻了中央处理单元（CPU）的负担。

在3D图形处理领域，GPU展现出其核心技术的威力，包括但不限于硬件T&L（Transform and Lighting，即几何转换和光照处理）、立方环境材质映射、顶点混合技术、纹理压缩以及凹凸映射贴图等。这些技术的运用，使得GPU能够高效地执行复杂的图形渲染任务，极大地提升了视觉效果的真实性和细腻度。

其中，硬件T&L技术是GPU的代表性特征之一，它允许GPU在不依赖CPU的情况下，独立完成物体在3D空间中的变换和光照计算，显著提高了图形处理的效率和质量

七、GPU主流厂商有哪些？

全球知名的GPU芯片生产厂商主要有NVIDIA、AMD ，和Intel等。另外也有一些国产GPU公司，景嘉微、寒武纪、海光信息等公司。目前市场上还是以NVIDIA、AMD 为主；通常所说的A卡指的是使用AMD芯片的显卡，而N卡则是使用NVIDIA芯片的显卡。

1、NVIDIA芯片怎么选？

1）Tesla系列：Tesla系列芯片是英伟达针对高性能计算和并行计算而设计的GPU芯片，其特点是高度可编程性和高性能。Tesla系列芯片的应用领域包括科学计算、石油勘探、气象预报、深度学习等领域。例如，Tesla V100是一款拥有640个张量核心的GPU芯片，能够实现高性能的深度学习计算。

2）Quadro系列：Quadro系列芯片是英伟达为计算机图形学和可视化而设计的GPU芯片，其特点是高度的图形性能和精度。Quadro系列芯片的应用领域包括建筑设计、影视制作、游戏开发等领域。例如，Quadro RTX 6000是一款拥有4864个CUDA核心的GPU芯片，能够实现高精度、高逼真的图形渲染。

3）GeForce系列：GeForce系列芯片是英伟达面向游戏玩家和计算机爱好者而设计的GPU芯片，其特点是出色的图形性能和较低的价格。GeForce系列芯片的应用领域包括游戏开发、虚拟现实、数字内容制作等领域。例如，GeForce RTX 2080 Ti是一款拥有4352个CUDA核心的GPU芯片，能够实现高速的游戏渲染和虚拟现实应用。

4）Titan系列：Titan系列芯片是英伟达面向专业用户和高端游戏玩家而设计的GPU芯片，其特点是超高的图形性能和精度。Titan系列芯片的应用领域包括游戏开发、计算机辅助设计、数字内容制作等领域。例如，Titan RTX是一款拥有4608个CUDA核心的GPU芯片，能够实现高精度、高逼真的图形渲染。

2、CUDA是什么？

CUDA（Compute Unified Device Architecture）是由NVIDIA开发的一种并行计算平台和编程模型。该平台利用GPU（图形处理器）的强大计算能力，使其更适用于高性能计算和数据并行计算任务。是一种专门为NVIDIA的图形处理单元（GPU）设计的软件框架（也兼容其他AMD、Intel等厂商的芯片）

1、性能提升：利用GPU的并行处理能力，显著提高计算速度。

2、编程灵活：提供C语言的扩展，降低开发难度。

3、工具丰富：提供编译器、调试器和优化工具，支持开发过程。

4、库资源丰富：提供丰富的库函数，方便开发者使用。

5、广泛应用：适用于多种领域，如图形渲染、科学模拟和深度学习等。

6、统一架构：提供统一的内存管理和设备控制接口，简化代码结构。

3、AMD芯片怎么选？

1.RadeonVega系列：最新的系列，采用了先进的HBM2高速内存技术，能够为游戏玩家提供更加流畅的游戏体验，支持实时运行多项任务。

2.RadeonRX500系列：此系列包括了RX580、RX570等型号，性能强劲，能够满足广大游戏爱好者的需求，同时还支持虚拟现实（VR）和高清视频播放等功能。

3.RadeonRX400系列：此系列包括了RX480、RX470等，它们采用了全新的Polaris架构，能够提供更高效的性能和更低的功耗。

4、NVIDIA和AMD两者有什么区别？

NVIDIA：

1）图形处理能力：英伟达GPU以其卓越的图形渲染和计算能力著称，特别适合处理高负荷的图形应用。
2）视觉效果：英伟达GPU支持高清晰度、高质量纹理、光线追踪等先进特性，提供生动视觉体验。
3）机器学习能力：英伟达GPU擅长处理大数据集，其高度可并行的架构能够快速处理数百万个数据点。

AMD：

1）性能优异：在性能方面表现出色，可提供顶级游戏图像质量和流畅运行体验。
2）价格亲民：相较于竞争对手，AMD独显的价格更为实惠，既能提供高性能，又不会使您的钱包肆虐。
3）兼容性强：可以与许多不同类型的计算机硬件兼容，从笔记本到台式电脑，再到高端工作站。
4）能耗低：通常比其他同类产品消耗更少的能源，并且通常都提供了强大的节能选项。

八、GPU显存怎么选？

1、模型参数？

1) 显存的大小通常根据参数的精度来估算，不同的参数精度，需要的存储空间不一样；
2) 常见的参数精度有：双精度（FP64）、单精度（FP32）、半精度（FP16）
3) 如果一个模型有70亿（7B）个参数，精度为FP32（float32），32位占4个字节（1字节= 8位）
那么它大约需要的存储空间可以按照以下方式估算：

再将字节转为GB，所以：

因此一个有70亿参数的模型（精度为FP32），需要26G左右显存；如果1024换为1000，简单粗暴计算（7*4=28）大约需要28GB的存左右储空间来保存所有参数，13B则需要52G左右的显存；

注意：这是简单换算，不考虑其他方面的影响；对于模型训练，GPU的选择不仅取决于模型的大小，还取决于训练数据集的大小和期望的训练速度；训练通常需要的GPU显存是推理的10倍以上。

2、量化处理？

量化处理（一种模型压缩技术）：简单理解可以将模型的从高精度的浮点数，转化为低精度的8位整数（int8）或者4位整数（int4），比如将32FP转为为int8后，存储空间缩减了四分之三(原来需要4个字节存储，现在只需1个字节)；
比如：ChatGLM3-6B 默认情况, 以 FP16 精度加载，需要14G左右显存，量化后需要的显存更小。

注意：量化技术可以降低模型的计算和存储成本，同时降低精度会导致信息丢失、模型的预测准确性有所下降。

九、什么是预训练和微调？

1、预训练（Pre-training）

预训练是语言模型学习的初始阶段；在预训练期间，模型会接触到大量未标记的文本数据，例如书籍、文章和网站。在大量未标记文本数据上训练语言模型。比如说在包含数百万本书、文章和网站的数据集上预训练像GPT-3这样的语言模型。预训练目标是捕获文本语料库中存在的底层模式、结构和语义知识。（basemodel）

2、微调（Fine-Tuning）

微调是在特定任务或领域上进一步训练大型语言模型(LLM)的过程。这可以通过使用预训练的LLM作为起点，然后在特定任务或领域的标记数据集上训练它来完成。微调可以通过调整模型的权重来更好地拟合数据，从而提高LLM在特定任务或领域上的性能。

3、监督微调(SupervisedFine-Tuning)

人工介入，给出高质量的文本问答例子。经过问答式训练的Model叫做SFTmodel，就可以正常回答人的问题了。（SFTmodel）

4、基于人类反馈的强化学习(ReinforcementLearningfromHumanFeedback)

人工先介入，通过对同一个Prompt生成答案的排序来训练一个RewardModel。再用RewardModel去反馈给SFTModel，通过评价生成结果的好坏，让模型更倾向于生成人们喜好的结果。RLHF是一种更复杂、更耗时的方法来微调LLM，但它比SFT更有效。（RLHFmodel）

总结

探索AI大模型的路上，我们不仅仅是在追逐技术的顶峰，更是在为具体的业务场景寻找最佳的匹配方案。面对层出不穷的技术细节和背景知识，我们通过不断学习、梳理和实践，逐步揭开其神秘的面纱。掌握了这些关键常识，我们就能够更精准地搭建起通向未来的桥梁，无论是在模型选择、硬件配置还是训练技巧上，都将游刃有余。最终希望这些解读不仅仅停留在理论探讨上，更能在实际的开发和应用中发光发热，引领大家在AI的星辰大海中乘风破浪。

文章若有瑕疵，恳请不吝赐教；若有所触动或助益，还望各位老铁多多关注并给予支持。

 专栏：AIGC-AI大模型探索之路