国产大模型的经验与教训

本文来自“国产算力训练大模型的经验与教训”。本文介绍大模型的计算特征（国产平台介绍、系统挑战、算子实现、容错）、框架的并行性支持、未来算法等。

随着ChatGPT的横空出世，人工智能大模型成为各行各业热议的焦点，国内外各种大模型如雨后春笋般涌现，引发了新一轮人工智能热潮。但在看到大模型取得巨大进步的同时，也要看到当前国内大模型的研发推广仍然面临不小的挑战和压力。

面对上述挑战，需从战略层面统筹考虑大模型研发运营等相关问题，充分发挥“集中力量办大事”的制度优势，强化顶层设计，加大统一规划，加大政策支持和资源投入力度，推动中国人工智能从“跟跑”迈向“领跑”。

• 一是提高算力规模。进一步完善信息基础设施，加快推进“东数西算”步伐，加大算力网络建设力度，为大模型研发运营提供足够算力，同时进一步提高网络速度，降低网络时延，为更多大模型走向应用创造条件。
• 二是加强数据管理。国家层面加强对数据的管控，明确行业标准，建立数据使用规则，确保大模型训练数据的质量。同时，针对行业数据，破除不同厂家之间数据互相不能查询的壁垒，确保大模型训练有充足、准确的专业数据。
• 三是建立大模型研发“国家队”。集中全国顶尖人才和优质资源，举全国之力进行攻坚突破，同时解决大模型研发中存在的“小而散”问题，减少无效或低效大模型开发对算力和能源的浪费。
• 四是加大资金投入。建立国家大模型基金，专门用于大模型的研发、训练等。
• 五是加大政策支持。面向大模型研发，制订更加优惠的税收政策。针对国有企业在大模型研发上投入的资金，允许以两倍规模计为企业净利润。
• 六是加大科技投入。解决核心技术“卡脖子”问题，特别是加大人工智能芯片研发制造力度。

• 超融合HCI基础设施市场报告（2023Q4）

• 市场分析：分布式存储、软件定义存储、超融合存储（2023）

• 数据中心超融合以太技术（2023）

• 超融合技术方案建议及实践

• 超融合数据中心网络发展及趋势

• 超融合架构与云、传统架构对比

• 超融合数据中心网络解决方案

• 一文掌握中间件技术基础

• 一文掌握微服务技术：概念、架构与实现

• 一文详解信创技术（软件篇）

• 一文通俗理解国产CPU指令集

• 一文掌握企业存储磁盘阵列技术

• 一文掌握DPDK技术

• 一文掌握ASIC半导体芯片知识

• 一文了解InfiniBand和RoCE网络技术

• 一文详解信创技术（软件篇）

• 一文详解信创技术（硬件篇）

• 一文看懂国产AI芯片玩家

• 一文掌握信创SAN存储转型路线

• 一文掌握RDMA、NVMe和NVMe-oF

• 一文详解云计算基础知识

温馨提示：

扫描二维码关注公众号，点击阅读原文链接获取“架构师技术全店资料打包汇总(全)”电子书资料详情。