隨著ChatGPT、GPT-4、BARD等生成式AI大模型的爆火，云服務商圍繞生成式AI的競爭日趨激烈。

　　微軟將Azure的企業級功能與OpenAI的生成式AI模型功能相結合，發布了Azure OpenAI服務;

　　緊隨其后，谷歌開放了AI大模型PaLM的API，并在谷歌企業級線上協作平臺Google Workspace中引入了生成式AI功能。

　　近日，亞馬遜云科技也推出了一項名為Amazon Bedrock的生成式AI云托管服務，用戶可以通過API訪問AI21Labs、Anthropic和Stability AI等AI初創公司的預訓練基礎模型，還提供對亞馬遜云科技開發的基礎模型系列Amazon Titan FMs的獨家訪問。

　　國內云服務廠商如：百度、阿里、京東、360等，也都密集宣布AI大模型技術進展以及類ChatGPT項目計劃。

　　事實上，在這場由ChatGPT掀起的巨大聲浪中，云計算扮演著十分重要的角色。

　　比如，ChatGPT的模型訓練需要大量的數據資源和計算資源，云計算則為模型的開發和運行提供了強大的技術基礎，這或許也是國內外眾多云廠商選擇跟進ChatGPT的原因所在。

　　隨著云廠商們加速對ChatGPT的布局，未來云計算市場的競爭格局是否會被重新改寫呢?

　　01 云服務商為何搶占生成式AI模型?

　　眾所周知，以ChatGPT為代表的生成式AI技術十分耗錢，背后需要依靠強大的AI模型和海量數據，其所需要的云服務算力成本十分龐大。

　　以ChatGPT為例，據SimilarWeb數據，2023年1月ChatGPT官網總訪問量為6.16億次;據《Fortune》雜志，每次用戶與ChatGPT互動，產生的算力云服務成本約0.01美元，如果使用總投資30.2億元、算力500P的數據中心來支撐ChatGPT的運行，至少需要7-8個這樣的數據中心，基礎設施的投入都是以百億計的。

　　但對于參與其中的微軟、谷歌、亞馬遜云科技、百度、阿里等廠商而言，其資金實力雄厚，足以覆蓋投入大模型訓練的云基建建設成本。

　　且隨著未來大模型訓練成本的進一步降低，云服務商也有其自身的優勢。

　　相較于成本問題，生成式AI技術帶來的前景不可小覷。

　　首先，AI大模型訓練會為云廠商貢獻大量的直接營收。

　　目前，云服務商的增速下降已經是擺在“明面上的事情了”。

　　據去年11月17日發布的阿里云季報顯示，其增速已經降至4%，首次跌至個位數，在此之前其整體增速已經連續三季度低于15%了，創下了多年來新低;與此同時，騰訊云、華為云等前四大云廠商也都呈現出增速下跌的態勢。

　　在此背景下，AI大模型訓練無疑為其打開了新的空間。

　　據投資機構A16Z的研究數據發現，應用程序公司平均將約20%-40%的年收入，用于推理和定制化的微調。

　　這部分通常直接支付給云服務提供商，以獲取實例或支付給第三方模型提供商，后者將大約一半的收入投入于云基礎設施。

　　據此推算，生成式AI將有10%-20%的營收將直接流向云服務商。

　　另外，很多初創自有模型的企業，將會將其多達幾十億的風險投資中的大部分，用于支付給外部云服務商身上，以訓練自有大模型。

　　對于云服務商廠商而言，這樣的新興市場無疑是特別值得期待的事情。

　　其次，AI大模型的使用將增加云服務商的市場競爭力。

　　從技術上看，對于NLP任務的場景，ChatGPT等AI大模型擁有更強的優勢，能夠智能化生成一系列文本內容，為用戶提供更加便捷和高效的應用體驗。

　　現在，各大云服務商也都推出了自己的AI大模型。

　　例如，亞馬遜云科技的Amazon SageMaker是業內知名的基于云的機器學習開發平臺，可以使得機器學習模型的部署更加簡單和有效，并且在模型更新和部署方面較為靈活。

　　近日亞馬遜云科技推出的生成式AI托管服務Amazon Bedrock，則進一步降低了用戶使用生成式AI的門檻，讓用戶可以自由地選擇其自研的基礎大模型Amazon Titan(包含基于不同場景下的兩個子模型TitanText和Titan Embeddings)，以及AI21Labs、Anthropic和Stability AI等業內領先的第三方基礎模型，用少量的數據就可以在基礎模型上訓練自己的定制模型。

　　通過API的方式訪問基礎模型，構建生成式AI應用，不必自己管理和運維底層基礎設施。

　　谷歌Cloud AI Platform則在模型調試和優化上比較出色，同時可以靈活運用GPU并行計算實現對模型復雜度和架構的把握。

　　微軟Azure的Cognitive Services主要應用于語言音頻、計算視覺等方面，可以幫助企業在多個領域應用AI技術。

　　總體而言，AI應用已經成為了云服務商的重點發展領域，推出AI大模型可以滿足客戶需要的AI應用，提高云服務商的技術實力和市場競爭力。

　　最后，AI大模型能促進云服務商自身技術研發的深度發展。

　　生成式AI或將推動整個云服務行業的整體升級。

　　據OpenAI測算，自2012年以來，全球頭部AI模型訓練算力需求3-4個月翻一番，每年增長幅度高達10倍。

　　但根據摩爾定律，芯片計算性能每隔18-24個月才能翻一番，也就說芯片性能遠遠跟不上AI訓練的算力需求。

　　云計算發展到今天，隨著數據密集型場景越來越多。

　　比如，云計算從業務處理為中心轉向數據處理為中心，CPU更多是在處理網絡事務而不是用于計算，這相當于數據中心部署的很多服務器，被白白浪費了。

　　此時，解決之道是不再借助CPU，而是打造只為云計算服務的芯片，相當于云上的Windows系統。

　　為此，云廠商們也有了自己的想法。比如亞馬遜云科技、微軟、阿里等廠商均加大了自研芯片的力度，試圖將AI引領下的“算力自由”牢牢掌控在自己手里。

　　例如，近日亞馬遜云科技就宣布基于Amazon Inferentia2芯片的Amazon EC2 Inf2實例全面可用，打造最具成本效益的生成式AI云基礎設施。

　　同時，亞馬遜云科技基于Amazon Trainium芯片的新型Trn1n實例也正式可用，該實例將網絡帶寬提高了一倍，為訓練生成式AI模型提供了更高的性能。

　　亞馬遜云科技大中華區產品部總經理陳曉建在采訪中舉例道，在一個BERT環境中，如果基于英偉達的GPU實例并使用16個節點，簡單的模型訓練可能需要13個小時;但在內部測試中，基于亞馬遜云科技自研的Trainium訓練芯片，同樣使用16個節點，只需要5個小時就可以完成訓練。

　　同樣，如果是基于NLP的大模型訓練，需要8個GPU卡才能完成。

　　但是如果采用亞馬遜云科技自研的Inferentia2，同樣的負載只需要4個Inferentia2芯片即可，將用戶整個硬件部署的環境、復雜性、和成本資金都降低一半。

　　02 云服務或將迎來價值重估

　　隨著生成式AI與云產品的加速融合，以及產業進入“深度用云”時代，基于云計算的AI能力逐步得到了企業與行業的驗證。

　　AI與云的結合能夠降低企業上云的門檻，同時憑借AI的深度學習能力發揮數據價值，為企業搭建更好的“用云”路徑。

　　具體來說，隨著AI大模型技術的成熟，未來整個AI應用的創新門檻更低(成本更低、迭代更快)，初創企業可以基于大模型創新而不是底層的芯片層和框架層創新。

　　同時，企業在用云時候更多會基于云服務廠商的大模型成熟度，來選擇云廠商。

　　例如，Airbnb、GE等國際大企業，已經在使用亞馬遜云科技底層的計算資源、訓練框架、訓練平臺，來進行自己大模型訓練。

　　通過Amazon SageMaker，用戶可以實現從數據標注、大規模分布式訓練以及到機器學習模型運維和在線推理的完整的端到端的任務。

　　其中，GE Healthcare創建了一個以改進傳統的 X 射線成像技術(如超聲波和 CT 掃描)為中心的深度學習算法庫。

　　通過將患者報告數據、傳感器數據和許多其它來源的各種數據集合并到掃描過程中，該算法將能夠識別正常結果和異常結果之間的差異。

　　根據最近的一項調查，82%的醫療決策者說，使用數據改善了病人的護理，而63%的人報告說再入院率降低。

　　事實上，這一變化為原本競爭已經固化的云服務市場帶來了重估機會。

　　從全球范圍來看，AWS第一、Azure第二、阿里云第三的局面，已經持續了很長時間了，從IDC的數據來看，至少五年內這種3A格局未曾打破過，緊隨其后分居第四、第五位的谷歌云、IBM，始終被前三名的巨頭壓制著。

　　從國內市場來看，阿里云一騎絕塵的領先者優勢也已經保持多年，市場份額第一很難撼動。

　　但隨著生成式AI大模型的出現，這一局面或將得到徹底變化，這是因為更接近前端的應用普及，對云服務下半程的競爭至關重要。

　　值得一提的是，微軟的高層在宣布接入ChatGPT之后，曾對外表示：“ChatGPT或將帶動微軟云超越亞馬遜云。”同樣的話，百度CEO李彥宏也說了一遍，他表示文心一言帶來的優勢，將可能引導百度智能云進入市場第一。從兩大巨頭的高層表態來看，生成式AI技術或將給云行業帶來新的大洗牌。

　　需要指出的是，當前生成式AI技術的落地還存在一些不確定性，能否確實成為產業互聯網的全新應用也還需要時間驗證。

　　有業內人士表示，ChatGPT仍是個不成熟的產品，目前炒作的意味更濃，未來能不能真正帶來產業價值還是一個未知數。

　　可見，生成式AI離真正的產業化還有相當距離，至少還需要不少的時間，能否真的為云服務產品帶來革命式變化，以及撼動云服務市場格局，還需要進一步觀察。