有业界技术团队测算，若要对一个5000亿参数规模的单体大模型进行充分训练，所需算力基础设施约在10亿美元规模，每年消耗的电费在5.3亿元人民币。无论对于哪个机构、企业，这都是天文数字和巨大代价，中国也不例外。

　　知名科学杂志《Nature》此前发表了一篇关于大模型未来发展之路的文章，《In Al, is bigger always better?》(人工智能，越大型越好？)。争议的出现，意味着AI发展方向出现了分歧。

　　如今，“大”不再是模型的唯一追求，计算效率和算力开销两大问题成为新的行业焦点。

　　对大模型推理成本的优化，可通过很多技术手段实现。首先是模型本身，模型结构、训练方法都可以持续改进，包括业界很关注的MoE(混合专家模型)，就是优化推理成本很好的解决方案。其次是工程上的优化。大模型的调用量越大，优化推理成本的空间也越大。以前的模型都是单机推理，大模型用的是分布式推理。所以如果能把各种各样底层算力用得更好，推理成本就会大大降低。

　　MoE大模型的盛行，实际上对应的正是模型能力和算力开销两大问题的解决。这也是为何众多大模型厂商如OpenAI、谷歌、Mistral AI、浪潮信息等陆续基于MoE架构升级自家大模型产品的原因。

　　从浪潮信息发布的“源2.0-M32”开源大模型来看，其基于“源2.0”系列大模型已有工作基础，创新提出和采用了“基于注意力机制的门控网络”技术，构建包含32个专家(Expert)的混合专家模型(MoE)，并大幅提升了模型算力效率，模型运行时激活参数为37亿，在业界主流基准评测中性能全面对标700亿参数的LLaMA3开源大模型。

　　浪潮信息人工智能首席科学家吴韶华在接受中新网记者采访时说，我们一直在想如何以更低的算力消耗，提高整个大模型的应用效果，能让企业、机构以更小的算力代价去获得更高的模型能力。“这可能是中国发展自己的AI大模型比较行之有效的路径。”

　　他直言，大模型推进速度越来越快，必须强调模型算力效率。“大家可以想象，效率越高就意味着在单位算力投入相等的 情况下获得的精度回报越高，它对于训练和应用都非常有利。”

　　“现实的算力是有限的，我们一再反复强调模算效率，试图针对当前算力情况闯出一条自己觉得比较好的路子。在固定每个Token算力不变的情况下，通过扩展专家数量可以获得更大参数量的模型，进而获得更高精度。”吴韶华说。

　　他进一步称，整体来看，尽管当前模型的能力提升非常之快，但之前大家更多关注单个维度问题，即平均精度的提升。但大模型进入快速落地时代，就不得不考虑更多维度的问题，包括模算效率、精度、算力开销等。

　　中国工程院院士郑纬民曾做过这样的计算，在大模型训练过程中，70%开销要花在算力上；推理过程中95%的花费也是在算力上。

　　为解决大模型训练的算力不足问题，郑纬民建议，在推动智能计算中心建设同时也可以利用已有超算系统的空余算力。

　　郑纬民表示，现有14个国家挂牌的超算系统，每台机器的建设成本都很高，成本在10亿元至20亿元，甚至更高。这些超算系统已经为中国的国民经济发展作出巨大贡献，但有些系统还有空余算力，这些空余算力也可被用来做大模型训练，且经过优化甚至可降低大模型训练成本。