首页 > Ai资讯 > Ai知识库 > OpenAI视频模型Sora的推理生成成本多高？

OpenAI视频模型Sora的推理生成成本多高？

发布时间：2024年06月06日

50

1.Sora 的训练算力需求大概率是 GPT-4 的 1/4
左右

2.Sora 的推理算力需求是 GPT-4 的 1000 倍以上（这么看来 2 万亿美元市值的 NVIDIA 仍然不是高点）

3.复现 Sora 的难度没有预想中的大，至少训练算力不是瓶颈； 国内靠 A800/H800 的余量仍可以满足

4.国产芯片迎来一次机会，设计并量产 14nm 的中算力、大显存 LLM 推理芯片，可以绕开芯片制程的瓶颈迅速商业化

测算 GPT-4 的训练算力需求

首先估算 GPT-4 的算力需求， 根据 OpenAI 的 Paper：Scaling
Laws for Neural Language Models , 训练
Transformer 模型的理论计算量为FLOPs
≈ 6ND 。其中， N 为模型参数量大小， D 为训练数据量大小：

LLM
每 token 需要的计算量是 6 倍的模型大小

基于一些"众所周知"的消息：

  • GPT-4 是一个 MoE 模型，其总参数量估计在 1.6T - 1.8T 之间，激活参数量估计在 400B - 600B 之间， GPT-4 的训练理论计算量需按照激活参数量而非总参数量来估计。 我们假设为
    400B     激活。
  • GPT-4 的训练数据约为 13T - 20T 之间，我们假设为 20T 数据

则 GPT-4 训练所需的 FLOPs = 6 * 400B * 20T = 4.8 * 10^25

目前最大的模型训练计算量预估在
10^25 - 10^26 之间

那么 GPT-4 需要训练多久呢？

GPT-4 是 2022 年上半年训练的，据说 OpenAI 使用了 25000 张 A100。 每张
A100 的理论算力是 312 TFLOPs。 假设 25k 的超大规模集群训练
所需通信量比 Dense 更高的 MoE 模型，OpenAI Infra 优化利用率 MFU 到 40% （无法 overlap 的通信和访存会大幅降低利用率），则可以推导出来训练所需的时间是：

"="">Duration=4.8∗1025/(312∗1012∗25000∗0.4∗86400)≈178days" role="presentation" style="display:inline-block;overflow-wrap: normal;max-width:
none;max-height: none;min-width: 0px;min-height: 0px;float:none;word-spacing:
normal" id="MathJax-Element-3-Frame">

即大约是 6 个月时间 （与传闻一致）。

如果是改为 H100 的卡，虽然标称了 989 TFLOPs 的单卡算力，实际的训练效率则约为 A100 的 2.5 倍（BF16），因此需要 10000 张 H100 训练半年时间。

如果用 FP8 的混合精度，则能进一步提升至 A100 的 3.5 倍。

测算 Sora 的训练算力需求

根据 OpenAI 的技术报告：Video generation models as world simulators，Sora 是一个 Diffusion Model， 且应该使用的是Diffusion Transformer（DiT）作为主干模型网络。 虽然 Diffusion Transformer 和 LLM 的 Autoregression Model 架构不同， 但均为 Transformer 架构：

Diffusion Transformer 架构

且训练时，巨量的数据会随机分布在 T = [0, 1000] 的时间步上，以至于 DiT 的训练计算量估计 和 GPT 的训练计算量估计可以使用相同的公式。（Video Encoder/Decoder 的计算量相比 DiT 可以忽略不计）

Sora 的模型多大呢？

目前大家猜测的出入很大， 从 3B 到 60B 都有。 我们折中一下，假设为 20B 的模型大小。

Sora 训练的数据量有多少呢？

这个猜测的范围就更大了。 一个可供对比的数据量是： 每分钟上传至 YouTube 的视频是 500h 的量级。 则近五年的 YouTube 上的视频数据总量为： 13亿 小时 = 788亿 分钟。由于 Diffusion 模型训练 text to video 需要高质量的标注视频，因此我们可以估计 Sora 训练的视频量级为 1亿 分钟左右。

一分钟的高清视频等价于多少 Token？

目前有一个比较准确的估计，一分钟视频约为 1M tokens 。

Sora 的 Video Encoder 部分

参考 Diffusion Transformer， 256x256 的图片会被划分为 32x32 个 patch。 我们假设 1920x1080 分辨率的高清图像经过下采样得到 512x256 大小的图片，假设一个 patch 为 8x8 的像素块，则得到 64x32 大小的 patch 矩阵，一张图片则约为： 64x32=2048 个 patch。 高清视频 1s 约为 30 帧以上，但实际训练和推理也会做压缩，我们估计压缩后1s 约为 9 帧。则一分钟共 540 帧。 一分钟的视频一共有：

"="">1minVideo=64∗32∗60∗9=1.1Mpatches" role="presentation" style="display:inline-block;overflow-wrap: normal;max-width: none;max-height: none;min-width: 0px;min-height: 0px;float:none;word-spacing: normal" id="MathJax-Element-4-Frame">而 Diffusion Transformer 把整个 video 切成 m*n*t 三维的 patch （仍是 RGB 像素空间）阵列后，经过空间映射会得到 latent 空间中的一维序列，一个 patch 对应的一个 latent 元素，等价于 LLM 中的一个 token（经过字符空间映射过来的 token 空间基本单元）。 因此保守估计 1 分钟的视频有 1M tokens。

"="">D=108∗106=1014=100T" role="presentation" style="display:inline-block;overflow-wrap: normal;max-width: none;max-height: none;min-width: 0px;min-height: 0px;float:none;word-spacing: normal" id="MathJax-Element-5-Frame">

则基于 Sora 1亿分钟 video ，估计 Sora 的训练 token 量是 100T tokens

context length 很大时，Attention 部分的计算不能忽略

因此，如果 Sora 全量数据训练都是 1M seq length，则 Sora 的训练成本需要增加 15 倍。如果 Sora 是先训练一个 32k/64k 的模型，最后再 Continue Training 1M 的模型，则 Sora 的训练成本跟之前预估的接近。

测算 Sora 的推理算力需求

我们假设：

1.用户 Query 调用一次 GPT-4 的 token 开销为 1k tokens （比较准确，实际上会比这个还多一些， OpenAI 的 system prompt 就已经大几百个 token 了）。 阅读一个千字的文章，人肉眼看需要将近一分钟。

2.用户 Query 调用一次 Sora 生成一分钟的视频的 token 开销为 1M tokens （比较准确，推导过程见训练部分的 patch 数量估计）

3.Sora 全面开放访问后，用户调用 Sora 的次数跟调用 GPT-4 的次数一样。 （这个不准确。 但我猜测 Sora 实际的调用需求会远超 GPT-4， 按照用户想法实时生成高清视频对于多巴胺的满足感要超过文本 QA，就像看抖音的次数远超看知乎的次数）

同时我们又在训练部分估计了： GPT-4 是一个 400B 激活参数量的大模型，Sora 是一个 20B 参数量的大模型。

Diffusion Transformer 在推理时的逻辑 和 LLM 不一样，虽然都是 Transformer 架构， Diffusion 需要基于一个随机的 noise latent 矩阵按照多个时间步迭代生成，每一步都在迭代细化 latent （图像/视频）。 在一开始的 Stable Diffusion 推理时是 50 个 step， 后来经过算法优化可以做到 20 个 step，当然也有极限的 1 step 生成的研究（step 越少，图像的效果越差）。 我们假设 Sora 在实际推理时，需要 20 个 step 生成视频。

那么对于单次 Query：

  • 推理一个 1k token GPT-4 的计算成本就是： FLOPs = 2 * 400B * 1k = 800T
  • 推理一个 1min video （1M tokens ） Sora 的计算成本是： FLOPs = 30 * 20B * 1M * 20 = 12000000T

则得出结论：Sora 推理 1min video 的理论计算量 是 GPT-4 推理 1k token 的理论计算量的 15000 倍。

注： 访存开销的量化分析挪到了文末。

但是推理需求的计算不能只考虑理论计算量。 GPT（所有 LLM）是 Decoder-Only Transformer 架构，通过 Auto Regression 的方式预测下一个 token，是一个完全的 Memory bound 场景，一般实际推理时的 GPU 算力利用率很低，5% 左右。 而Sora 的 DiT 是一个 Encoder-Only Transformer 架构，推理时会输出全部长度的 token，一次性生成全部长度的 token，对 Memory 的访存次数要远小于 GPT，是一个 Compute Bound 场景，我们假设 Sora 的推理利用率是 50%。不过 Sora 是否是一次性生成 1M token 超长序列是存疑的，我们假设他的 seq len 就是完整的 1M，而非多段（每段大概 5 s，相邻两段有 overlap 的视频帧）顺序生成后拼接得到完整视频。

因此 Sora 推理所需的实际算力需求估计：

"="">Sora−InferenceCostGPT−InferenceCost=CSora/MFUSoraCGPT/MFUGPT=30NSoraDvideoT/0.52NGPTDtext/0.05=30∗20B∗1M∗20/0.52∗400B∗1k/0.05=1500" role="presentation" style="display:inline-block;overflow-wrap: normal;max-width: none;max-height: none;min-width: 0px;min-height: 0px;float:none;word-spacing: normal" id="MathJax-Element-20-Frame">

"="">Duration=CSora8CA100MFU=30N∗D∗T8∗312T∗0.5=30∗20B∗1M∗208∗312T∗0.5=9615s=3.2h" role="presentation" style="display:inline-block;overflow-wrap: normal;max-width: none;max-height: none;min-width: 0px;min-height: 0px;float:none;word-spacing: normal" id="MathJax-Element-21-Frame">Sora 生成 1min video 需要多少钱？

以 GPT-4 1k tokens 约 $0.06 定价计算， Sora 1min video 大约是 $0.06 * 1500 = $90

复现 Sora 的难度

由训练算力估算可以看到， 复现 Sora 的训练成本比 GPT-4 还少， 6000 张 A100 就足可以训练完相同量级的模。且国内的 A800 / H800 余量足够好几个团队满足这个训练门槛。因此训练算力不是瓶颈。

剩下的需要搞定 Sora 的算法 和 数据。

  • 从 Sora 的技术报告上来看， Diffusion Transformer 不是一个新概念，之前在做文生视频的团队也是类似 Diffusion 的路线，只是视频的长度差了好几倍、视频的精细化效果和一镜到底的场景变换连续性上存在明显差距。
    • 因此复现 Sora 从算法研究上需要深挖 OpenAI 没有公开的细节
    • 除了 Diffusion 路线，也可以探索 Auto Regression 的 Transformer 路线
    • Infra 需要支持 1M context length 训练
  • 数据角度， 1 亿（0.1B）分钟的 video 并不算多。 YouTube 上每分钟上传的视频有 500h，近五年上传的视频总量有 1.3B 小时，即78.8B分钟。 实际被用作训练的数据仅占全网总量的千分之一左右。 但 Diffusion Model 训练依赖很高质量的有标数据，因此需要对 1亿分钟的高质量 video 均做非常详尽、准确的 caption。 目前 OpenAI 依赖的是 GPT-4V 的标注能力。 所以数据上的瓶颈其实是高质量的 Video Caption Model。

也可能存在一种前提：训练好一个 Sora 水平的视频大模型，依赖一个 GPT-4V 水平的多模态大模型提供全量标注。

国产芯片发展机遇

其实是 Groq 芯片的成功营销带来的启发，纯 SRAM 方案可能不是一个好方案，但是 Groq 找准了 Decoder-Only Transformer Model Inference 的痛点： Memory Bound ，所以 Groq 用了 14nm 设计了一个只有 188TFLOPs 的芯片，另一个更为熟知的是 Google TPU 直到 v5e 版本也只有 197 TFLOPs （对比之下，昇腾 910B 都有 376TFLOPs， 7nm+）。 因此，一个高制程、高算力的芯片，在大模型推理时是发挥不出来它的算力能力的。更具有性价比的设计是：中制程、中算力、大显存 的推理芯片。

Grop Card 规格， 14nm 188TFLOPs

虽然 NVIDIA H100 已经是 4nm 工艺。但我们做推理完全用不到这么高的制程，14nm 的芯片 做到 180TFLOPs 对于 LLM 的推理来说完全够用。

存储方面，还是尽可能增大显存大小，比如到 144G，可以堆叠 HBM。虽然国内目前没法量产 HBM，但是三星的 HBM 不在禁售名单里，可以采购。另外就算不用 HBM，用国产的 GDDR6 存储也可以（NVIDIA 的 L20 推理卡就是 GDDR6）。

因此我们国产芯片如果要做专用于 LLM 推理的芯片的话，目前的工艺技术不仅满足需求，还可以通过量产将 NVIDIA 的芯片价格打下来。随着大模型的应用深入，推理算力的需求将远超训练算力的需求，大模型推理可能会迎来类似曾经国产光伏倾销世界的时代。

引申：下一代 LLM 推理芯片

当然未来的 LLM 推理可能由于 HBM 的近存计算（Processing in Memory）落地而发生巨变。包含 KVCache 的 Attention Inference 是大内存，小计算的 GEMV 向量矩阵乘，如果在内存上可以用很小的计算代价原地计算，则不需要占用宝贵的访存带宽，期待 HBM-PIM 会让 LLM 推理性能再翻一个台阶，很大程度上缓解内存墙的问题。

三星推出的 PIM 技术

参考：Samsung Processing in Memory Technology at Hot Chips 2023

补充： Sora Inference 的 访存成本：

2.27 15:00 更新:

2.26 11:00 更新：

经评论区

@mackler

指正，以及和团队内负责多模态大模型的 黄君实 老师讨论，Sora 的 DiT 是 Encoder-Only 架构，而非 GPT 的 Decoder-Only 架构，导致Sora 模型的推理访存需求要远小于 GPT， Sora 的推理计算量占推理的主要代价而非访存量。 所以下一代推理芯片不能一味地追求低算力，算力提升会显著提升 Sora 的视频生成速度，但对 GPT 的推理速度提升有限。 具体分析我补充到原答案正文中的 Sora 推理算力需求估计部分。

出自：https://zhuanlan.zhihu.com/p/683636677

全球最强大模型一夜易主，GPT-4时代终结！Claude 3提前狙击GPT-5，3秒读懂万字论文理解力接近人类再超Transformer！Google| 提出两个新模型(Griffin、Hawk)，强于Mamba，更省资源