比A100再慢上不少。

    别的什么乱七八糟的都先不提，按泰坦Z的定价算，光是买这些显卡就得整整三个亿美金。

    这笔钱孟繁岐现在肯定是掏不起的，就算他掏得起，老黄也掏不出那么多泰坦Z来。

    并且，这十万张显卡也不是凭空就能计算的，相应的主板电源cpU等其他配套设备，你也不能太差吧？

    彼此之间的交互通讯设备，也得配齐，否则发挥不出这些显卡的全部能力。

    这些东西准备好，价格又得翻一倍，至少得五六个亿美金。

    设备运转起来，跟挖矿特别像，光是每天需要的电费也是百万级别的天文数字，训练一整个chatGpt出来的成本自然不低。

    只是想要得到这个模型，就得大几个亿美金进去。后续chatGpt提供给用户使用，所需要的算力和设备只会更多。

    因为训练模型只是单个实体在持续更新自己的内容，耗费的资源虽多，却是一次性的，一劳永逸。

    而用户在使用的时候则是多个内容不再变化的实体持续推理，模型则需要反复根据用户不同的新输入一直生成回复。

    虽然推理比训练的损耗小了许多，但也架不住百万千万的用户一起使用。

    当时微软为了chatGpt的广泛使用，在六十多个数据中心，给openAI腾出了几十万张GpU显卡，简直是壕无人性。

    惹得自家的员工都嫉妒坏了，为什么他们openAI可以用，我们微软自己的员工用不了？

    这不公平！

    “chatGpt级别的模型的大小还是跟现在我做过的那些差了太远了。”孟繁岐在心中开始飞速地计算了起来。

    他需要估算出，自己到底大概需要多少张泰坦Z，一会才好跟老黄讨价还价。

    深度学习的模型参数很容易计算，不过算完总是容易忘记。

    孟繁岐有一套独特的办法，使得他可以对各个经典模型参数量之间的比例基本上了如指掌。

    >> --