自今年初ChatGPT火爆全球以来，大模型的热度便居高不下，人工智能的发展也被认为将引发第四次工业革命。算力作为支撑底座也是讨论焦点，核心话题之一便是高昂的成本。原因主要有两个，一是算力成本居高不下，GPT3.5版本的算力训练一次大模型的成本已经高达1200万美元/次；二是需求倍数级增长，GPT3.0需要算力约为3000P，ChatGPT 4.0需求则激增68倍。

想要降低成本，需了解算力发展面临的三个不平衡挑战：

一，训练与推理支持力度、重视程度与研发投入极度不平衡。当前英伟达A100、H800等芯片可谓一卡难求，研发资源与资本也主要聚焦在GPU等高性能芯片上，集中在训练所需要的算力上。但大模型的训练不是目的，应用推理才是终极目标。而目前，全球尤其是中国，在推理芯片、技术及推理算力中心的发展上力度不足。

二，算力资源区域分布不平衡。资本在一线城市积极投入建设，如北京、上海、深圳，智能算力中心的规模在快速增加。这也源于这些地区数字经济发达，大模型企业较多，在智算上存在本地化的强需求。不过，一线城市往往缺乏能耗指标，一线城市之外，尤其是西部地区能源丰富，国家布局“东数西算”便是对能源及算力的协同调度，但目前本地化的大模型等算力供给依旧略显不足。

三，软硬件发展基础极不平衡，这也是三个挑战中最为关键的一点。对于算力的基础硬件，包括服务器、机房等方面的建设，我们的重视程度很高，但往往忽视了软件平台、大模型技术、数据交易平台这些软实力的建设，而软实力是真正让智能算力中心发挥商业价值的关键因素。

基于此，降低算力成本，也就需要提出针对性的解决措施：

算力的训练和推理应并重发展，要更加重视国产工艺下推理算力的发展；要通过政策推动国产推理芯片的技术攻关，加快基于国产工艺推理的数据中心与智算中心发展，尤其要基于区域形成中枢系统，为千行百业数字经济发展提供支撑；要系统化地去构建智能算力中心，芯片、服务器之外，需更加关注大模型训练平台、模型推理服务平台、算法仓库、大模型生产工具链、数据交易底层软件平台等一系列软实力的建设。

通过以上举措，最终共建通用人工智能算力产业生态，促进经济发展技术水平与生产力的变革。