英伟达宣称,使用GPU可以大幅降低训练大型语言模型(LLM)的成本和耗能。相比使用CPU服务器,使用GPU可以以4%的成本和1.2%的电力消耗训练一个LLM,这是一个巨大的成本节省。以下是有关训练大型语言模型成本的更多信息和建议:
训练大型语言模型需要大量计算资源,并且需要使用功能强大的图形处理器(GPU)。使用云计算服务训练这些模型的成本可能也是惊人的,基本上需要几百万美元,特别是考虑到需要迭代各种配置。
根据英伟达在展会上的展示,如果想要训练一个LLM,只需要一个价值40万美元、消耗0.13千兆瓦时电力的GPU服务器。
如果保持成本不变,购买一个价值1000万美元的GPU集群,可以在同样的成本和更少的电力消耗下训练44个LLM[0]。如果转而保持电力消耗不变,那么可以通过GPU集群实现150倍的加速,以11千兆瓦时的电力消耗训练150个LLM。
在训练大型语言模型时,还需要考虑其他成本,例如存储成本、网络传输成本等。
预训练的模型可以避免训练模型的需要,因此成本更低。对于资金紧张的研究实验室或单个的研究人员来说,使用16块NVIDIA V100 GPU进行训练和部署完整模型可能是一个更经济的选择。
使用GPU训练大型语言模型可以大幅降低成本和耗能。然而,训练大型语言模型仍然需要大量的计算资源和其他成本。对于资金紧张的研究实验室或单个的研究人员来说,使用预训练的模型或者选择更经济的训练方法可能是一个更好的选择。
![](/upload/image/article/20230517/26c3fa5e552d26c2778315f3d68e9772.jpeg)