金融行業(yè)迎來大模型時代，存算基建成決勝關鍵

去年年底，ChatGPT誕生，憑借強大、精準的自然語言理解和生成能力，令全球用戶為之一震。

自此，各行各業(yè)紛紛投身大模型研發(fā)競賽，掀起新一輪技術創(chuàng)新熱潮。金融行業(yè)更是如此。如何構筑面向大模型時代的新型算力和存力基礎設施，實現(xiàn)大模型能力向金融領域的遷移，成為金融機構熱議的話題。

金融大模型 在哪些場景有用武之地？

作為AI新基建，大模型在金融行業(yè)有著廣泛的應用場景。

在前臺，智能客服，是AI在金融領域最常見的應用方向之一。還記得鋼鐵俠電影里的AI管家賈維斯(Jarvis)么？金融大模型將大幅提升客戶經(jīng)理的專業(yè)水平和服務能力，大幅降低客戶經(jīng)理的運營成本，讓每個人都擁有類似Jarvis的24小時在線的專業(yè)客戶經(jīng)理。

在中臺，AI大模型有機會改變金融機構內知識獲取、內容創(chuàng)作、會議與溝通、代碼開發(fā)與測試的方式，提升內部辦公效率，甚至引發(fā)研發(fā)測試模式變革，全方位提升金融機構內部運營效率。

在后臺，大模型將成為智能科技底座的標配，大幅降低智能技術應用的門檻，只需少量標注數(shù)據(jù)就可以讓智能技術覆蓋廣泛的場景。

總之，AI大模型在內容生成與創(chuàng)作、信息摘要與總結、知識理解與問答、自然交互與對話等方面具備非常出色的能力，在金融行業(yè)有廣泛的應用前景。

萬卡規(guī)模、萬億參數(shù)，大模型有“高門檻”

大模型的快速迭代，需要高效算力和存儲基礎設施的加持。

一方面，算力是大模型的引擎。語言類、視覺類模型容量和相應的算力需求都在快速擴大，金融大模型發(fā)展的背后是龐大的算力支撐。如果用“算力當量”（PetaFlops/s-day，PD），即每秒千萬億次的計算機完整運行一天消耗的算力總量，來對人工智能任務所需算力總量進行度量，大模型訓練需要幾百甚至幾千PD的算力支持，也意味著需要巨大的算力成本。

算力是大模型發(fā)展核心要素

例如，OpenAI 在2020 年推出的 GPT-3，對算力的需求至少要上萬顆A100 GPU，一次模型訓練總算力消耗約3，640PD的算力。又如，浪潮信息推出的“源”中文語言大模型有近2500億個模型參數(shù)，算力消耗達4000PD。再如，當前GPT-4和PaLM-2的算力當量已經(jīng)達到GPT-3的數(shù)十倍。這還不算，谷歌正在開發(fā)的下一代多模態(tài)大模型Gemini，其訓練量碾壓GPT-4，達到后者5倍。

快速攀升的AI算力消耗，有限的IT預算，讓大多數(shù)金融機構陷入兩難境地：想做大模型，但資源匱乏、成本壓力大、人才稀缺；不做大模型，又只能坐看機會錯失。

對此，分而治之或許是一種可行的辦法。所謂分，就是把大模型分為通用大模型和行業(yè)大模型。金融機構不用自己打造通用大模型，而是基于第三方的通用大模型，在此基礎上專注打造行業(yè)大模型。根據(jù)信通院發(fā)布的《行業(yè)大模型標準體系及能力架構研究報告》，通用大模型缺乏專業(yè)知識和行業(yè)數(shù)據(jù)，而且構建和訓練成本很高，難以實現(xiàn)商用。為更好解決特定行業(yè)為題，行業(yè)大模型應運而生。行業(yè)大模型可以滿足特定場景需求，更好地為行業(yè)提供優(yōu)質的服務，促進行業(yè)智能化轉型升級。

浪潮信息AI服務器產(chǎn)品專家郭磊表示，“金融機構可以集中資源在行業(yè)大模型上，不是‘在一千米的地上挖一米深的溝’，而是‘在一米的地方挖一千米深’”。

大模型訓練四個階段

具體來看，大模型訓練的第一階段是無監(jiān)督預訓練階段，訓練周期往往持續(xù)數(shù)十天到數(shù)月，需要數(shù)千張GPU卡同時計算，算力消耗巨大，訓練時間非常長，訓練出來的模型是基礎語言模型。金融機構可以通過使用開源平臺或者第三方合作（如浪潮信息的“源”大模型），獲得基礎語言能力。第二到第四階段是有監(jiān)督精調階段、獎勵模型訓練和強化學習，這3個階段需要數(shù)十張乃至上百張GPU卡同時計算，算力消耗的規(guī)模和訓練時長相比第一階段都有明顯下降，所以金融機構可以在這三個階段進行訓練，打造有金融行業(yè)優(yōu)勢的大模型。

另一方面，大模型光有算力遠遠不夠，還取決于數(shù)據(jù)規(guī)模和數(shù)據(jù)質量。

大模型的優(yōu)勢在于海量信息的搜集、提取和分析能力，這是人類難以企及的。

大模型參數(shù)規(guī)模的進化

近幾年，通用大模型的參數(shù)量快速增長。2016年OpenAI發(fā)布Gym強化學習平臺，2018年GPT-1問世，模型參數(shù)為1.17億，經(jīng)過不斷迭代，GPT-4參數(shù)規(guī)模達到1.76萬億。Google從2017年發(fā)布Transformer（6500萬參數(shù)）架構以來，陸續(xù)發(fā)布BERT（2018年，3億參數(shù)）、T5（2019年，110億參數(shù)），參數(shù)規(guī)模逐步提高。近期，Google發(fā)布通才模型PaLM-E，這是全球最大的視覺語言模型，包含5620億參數(shù)。

在垂直行業(yè)，金融大模型的數(shù)據(jù)集在通用大模型基礎上還需包含諸如金融研報、股票、基金、銀行、保險等方向的專業(yè)知識，通過在訓練過程中加入大量金融對話數(shù)據(jù)并針對金融領域進行特定的預訓練調優(yōu)，提升其在金融垂直領域的表現(xiàn)。

同時，多模態(tài)、跨模態(tài)成為常態(tài)，金融大模型的數(shù)據(jù)類型變得更加豐富。其中無監(jiān)督數(shù)據(jù)，即原始數(shù)據(jù)，數(shù)據(jù)格式可以是網(wǎng)頁、文本或語音數(shù)據(jù)；有監(jiān)督數(shù)據(jù)，即經(jīng)過標注的數(shù)據(jù)，格式可以為json或Query。此外，為了給投資者提供實時市場輿情和風險預測等服務，金融機構還要高效處理金融行業(yè)新聞、股票交易，乃至社交評論等金融數(shù)據(jù)。這些巨量、多模態(tài)、實時的金融數(shù)據(jù)新需求、新特征，傳統(tǒng)集中式存儲難以應對，需要彈性、靈活的新型分布式存儲架構來支撐。

由此可見，隨著金融大模型的演進，整個數(shù)據(jù)中心的架構都會發(fā)生改變，從AI服務器、到存儲、再到網(wǎng)絡的全棧方案都需要適應大模型時代的需求。

基礎設施 如何“存得下、算得快、傳得穩(wěn)”

只有數(shù)據(jù)“存得下”、算力“算得快”、網(wǎng)絡“傳得穩(wěn)”，數(shù)字基礎設施才能充分發(fā)揮數(shù)據(jù)要素價值，推動大模型應用落地，帶動新業(yè)態(tài)繁榮發(fā)展。

對此，浪潮信息基于智慧計算戰(zhàn)略，從算力、算法、數(shù)據(jù)、互聯(lián)四方面推進產(chǎn)品創(chuàng)新，為大模型打造強大底座。

算力方面，浪潮信息通過千億參數(shù)規(guī)模的大模型創(chuàng)新實踐，已在算力集群構建、算力調度部署、算法模型開發(fā)等方面，構建起全棧領先的大模型算力系統(tǒng)解決方案，助力大模型訓練開發(fā)。其中最新一代融合架構的 AI 訓練服務器 NF5688G7 采用 Hopper 架構的 GPU, 較上代平臺大模型實測性能提升近 7 倍，同時支持最新的液冷解決方案，可實現(xiàn)更低的集群能耗比與運行成本，PUE 小于 1.15, 以一個 4000 卡的智算中心為例，每年可節(jié)電 620 萬度、降碳 1700 噸。

存儲方面，浪潮信息生成式AI存儲解決方案用一套AS13000融合存儲支撐生成式AI的全階段應用，提供全閃、混閃、帶庫、光盤四種介質，支持文件、對象、大數(shù)據(jù)、視頻、塊多種協(xié)議。結合AIGC數(shù)據(jù)處理的五個階段：數(shù)據(jù)采集、準備、訓練、推理和歸檔，浪潮信息由同一套存儲提供端到端的數(shù)據(jù)流支持，滿足文本、音頻、圖像、視頻、代碼等多模態(tài)數(shù)據(jù)的存儲和處理需求。

浪潮信息存儲產(chǎn)品

在集群高速互聯(lián)層面，浪潮信息基于原生 RDMA 實現(xiàn)整個集群的全線速組網(wǎng)，并對網(wǎng)絡拓撲進行優(yōu)化，可以有效消除混合計算的計算瓶頸，確保集群在大模型訓練時始終處于最佳狀態(tài)。

當前，國有大行、股份制銀行以及部分城商行，均已經(jīng)開展或計劃開展金融大模型研發(fā)，AI算力和數(shù)據(jù)基建將迎來高速發(fā)展。根據(jù)IDC預測，未來5年中國智能算力規(guī)模的年復合增長率將達52%，分布式存儲增速將達到中國市場增速的2倍。大模型時代，金融機構需要以AI的場景、架構為抓手，結合各行的數(shù)據(jù)特點，打造新一代智算基礎設施。