从GPT的图像模型，到巨量的推理需求

从这里开始聊，

SamAltman在X上面说自家的图像模型太受欢迎，导致GPU过载（原话是，“GPUsaremelting”...GPU快烧融化了）；需要限制使用次数来应对推理的需求。

这要是放在半年，一年前，整个芯片/算力链应该狂升；但是市场却仍然在讨论微软减单，英伟达中国（FT的那篇报道）；

市场现在很熊，好消息不怎么升，坏消息（就算是谣言）狂跌。

不过我们先退一步，不聊市场，聊聊GPT图像模型带来了什么样的叙事变化。

GPT图像模型带来的叙事变化1/ AI图像生成不是新的东西（不过这次OAI用了auto-regressivevs之前大家用的diffusion）。不过AI图像生成，从概念到大规模应用需要突破一些门槛。第一个门槛是prompt，提示词不能太复杂，让普通用户通过一系列“半编程语言式”的提示词去改图，不现实也很低效；第二个是门槛是效果，生成的东西一股AI味，或者缺胳膊少腿，都只能当做是一种“玩具”，而非“应用”；

2/ 这次OpenAI的图像模型似乎跨过了这两个门槛。何以见得？看看X上面的盛况就知道，大家（不管是专业的从业者，或者门外汉）都在分享自己用GPT生成的图像。第一，提示词简单（用自然语言就可以修改）；第二，效果好（没太多AI味，所以让人更有分享欲；所以才在X病毒式传播）；

3/ 之后对各行各业会有无数的变化；譬如社交媒体，以后朋友圈不需要找照片配图了，可能可以直接给一个按钮AI生成；譬如PPT，之后不需要一堆死气沉沉的排版，可以创意无限；譬如美图秀秀，譬如电子书，譬如网站设计...你可以想出很多，这里我就不赘述。AI本身就是一个通用技术，可以和无数行业去杠杆。

4/ 不过这里我想特别挑出广告业来聊聊（广告和电商是互联网TAM最大的两个行业）；当高质量+简单的文生图/文生视频普及后，推荐算法可能会变得更加细致。

为了可视化更加清晰，我做了几张很丑的图片。大家不要介意。

以前的广告业，广告和内容死板的叠在一起（纸质媒体时代+门户互联网时代）；广告匹配用户的效率不高。广告有限+渠道死板+广告TAM和广告巨头规模不大（比如电视+门户网站）

移动互联网时代，开始流行“千人千面”的说法，机器算法推荐，把合适的广告推给合适的用户。广告有限+渠道灵活+广告TAM和广告巨头膨胀（比如META+腾讯）

AI时代，高质量的文生图让广告成本骤降，理论上你可以生成“无限量广告”（比如小米SU7，可以有漫画版+青年版+商业人士版+北京版+23岁的北京版+25岁的山东女生版+喜欢看雷总版+喜欢看马斯克版；甚至极端情况下，每一个人都可以看到一个完全不同版本的小米SU7广告）；广告无限+渠道灵活+广告TAM再次膨胀（为了广告效率，更有钱的巨头会不会更加用力地卷推荐算法？这里大家自己想）

市场对于AI的算力一直放在AI本身（图中的“AI生成”），而忽视了围绕在AI身边的其他算力。看看这张图（要做好那乱七八糟的红线，“AI定位”推荐算法需要消耗多少算力？）。

5/我这种无名小卒说的话不管用，那我们看看老黄的表述（我直接用AI机翻了）。

下面引述Jenson，

我将倒着说。这个估计可能被低估了，但我们进行了估计。让我告诉你为什么……当你浏览互联网、新闻、视频、音乐，以及推荐给你的产品时，因为你知道，互联网有数万亿——我不知道有多少万亿，但确实是数万亿的信息——而你的手机只有3英寸见方，因此他们将所有这些信息压缩到如此小的空间的能力，是通过一个系统，一个叫做推荐系统的惊人系统。

I’llgobackwards.Theestimateisprobablyunderstated,butweestimatedit.Andletmetellyouwhy…whenyouruntheinternet,thenews,thevideos,themusic,theproductsthatarebeingrecommendedtoyoubecauseasyouknow,theinternethastrillions—Idon’tknowhowmanytrillions,buttrillionsofthingsoutthere—andyourphoneis3-inchessquare,sotheabilityforthemtofitallofthatinformationdowntosomething,suchasmallrealestate,isthroughasystem,anamazingsystemcalledrecommendersystems.

这些推荐系统曾经完全基于CPU方法。但最近迁移到深度学习以及现在的生成式AI，确实使这些推荐系统直接进入了GPU加速的轨道。它需要GPU加速来处理嵌入。它需要GPU加速来进行最近邻搜索。它需要GPU加速来重新排序，并且它需要GPU加速来为您生成增强信息。

TheserecommendersystemsusedtobeallbasedonCPUapproaches.ButtherecentmigrationtodeeplearningandnowgenerativeAIhasreallyputtheserecommendersystemsnowdirectlyintothepathofGPUacceleration.ItneedsGPUaccelerationfortheembeddings.ItneedsGPUaccelerationforthenearestneighborsearch.ItneedsGPUaccelerationforthere-rankinganditneedsGPUaccelerationtogeneratetheaugmentedinformationforyou.

所以GPU现在在推荐系统的每一个步骤中都发挥着作用。正如你所知道的，推荐系统是地球上最大的单一软件引擎。几乎每个主要公司都必须运行这些大型推荐系统。每当你使用ChatGPT时，它正在进行推理。每当你听到Midjourney以及他们为消费者生成的各种内容时，当你看到Getty，我们与Getty和Adobe的Firefly所做的工作时。这些都是生成模型。这个列表还在继续。正如我提到的，这些在一年前都不存在，100%是新的。

SoGPUsareineverysinglestepofarecommendersystemnow.Andasyouknow,recommendersystemisthesinglelargestsoftwareengineontheplanet.Almosteverymajorcompanyintheworldhastoruntheselargerecommendersystems.WheneveryouuseChatGPT,it’sbeinginferenced.WheneveryouhearaboutMidjourneyandjustthenumberofthingsthatthey’regeneratingforconsumers,whenyouwhenyouseeGetty,theworkthatwedowithGettyandFireflyfromAdobe.Theseareallgenerativemodels.Thelistgoeson.Andnoneofthese,asImentioned,existedayearago,100%new.

6/上面老黄的说法可能稍微有些不容易理解（ermm..老黄一直都有点乱）...我按照自己的理解，就是画出上面的图。

我们聊AI推理，AI生成，常常只是聊“文生图”的这个“推理算力”，没聊到“把生成的图”，推荐到对应用户里的这个“算力”；但是按照一个比较自洽的逻辑思路，我们应该从广告的TAM（推荐越有效率，广告主ROI越高，TAM就越大），算到推荐算法的TAM（“用AI来定位”），再算到文生图、文生视频的TAM（“用AI来生成”），再来预测算力需求。

8/Meta的DaveWehner也曾经说过，

推荐内容，推荐广告，都需要大量的算力（尤其是现在处于从CPU向GPU过度的阶段）；

这是Meta的MarkZukerberg的说法，

9/有时候和一些朋友聊天，大家都在一个房间里，我们看似都在聊AI，但是聊的是不同的东西。

比如我们在3月19日这篇公众号提到的。

10/你也在花钱买capex，你也有ai支出；但是我的支出是为了推荐算法（腾讯meta之类），你的支出是为了云计算（AWS阿里之类），他的支出是为了给平台减成本（比如电商平台给广告商AI工具）；我们聊的东西都不一样，简单直接去比较1200亿vs1000亿，80B或者100B，又有什么意义呢？

最近市场的一些气氛早上星球微信群发完，一个朋友来找我聊了一会；我用对话式的形式呈现，

A：awz/azure还是在按照20%网上的增速在跑，我们说的并不是funky的AI应用/变现收入，而是更加有可见度的云计算收入（多家管理层多次提到，云计算仍然受限于硬件）；AIcapex没有太过分的泡沫；云计算有一个更加清晰的capex逻辑，那就是不亏就行（比如只要能赚回5-6年的GPU折旧价格）；从这个角度看，你很难说这几家云厂支出有什么大问题（就算有，他们的负债表+现金流也能完全支持）；

B：没错，不过英伟达增速的二阶导数变成负数了；仍然增长，但是大家共识是继续增长，但是增速降低了；

A：最近大家都只是在跑分上突破（比如grok），但是如果突然有人在算法/新的层面突破了呢？那另外那几家会不会怕，会不会加码军备竞赛？如果你不认为技术会在这里停止突破，那算力是升还是跌？

B：这个技术突破可以是向上，也可以是是向下。比如deepseek，从成本上“向下”突破，那我们有jevonsparadox，但需要看应用能不能赶上；要是能从能力上“向上”突破，那么算力逻辑就可以照原来路径走；现在大家都是在黑暗里面射飞镖，没人能够确切知道下一个技术突破的路径。

A：OAI已经用3000亿估值融资了，看似很多，但是正是因为技术突破还没成为定数（要不然就不是3000亿这么便宜了）；

B:这里我们不能假设一级市场的定价是正确的。实际上一级二级，包括产业界，大家都是在摸索中定价。

最后是一些大家比较关心的蔡崇信+FT+微软的信息我总结了一些Q&A，

如何理解蔡崇信说的美国AI存在泡沫？

美国AI产业主要风险：

成本高企
多数模型闭源
应用开发缓慢→高价导致普及迟滞
数据中心建设长期或供过于求（美国年建5-6GWvs中国3.3GW，受限于电力短缺）
商业模式已显现问题

不能单纯理解成为“花的多”就是浪费，就是泡沫；而是北美的成本结构+应用丰富度需要留意。

FT那篇，中国禁H20如何理解？

从有关部门的角度，他们可能认为国产芯片推理性能已达标（用谈判的角度来看，H20这里我们能给压力，自己又不会损失太多）；
互联网公司仍热衷英伟达，但电信公司等被要求支持本土替代；
若关税谈判破裂，这个H20叙事可能会更强（苹果+特斯拉和制造业关系千丝万缕，不要必要时候不搞；小公司搞了没啥影响力，英伟达变成关税谈判的一个好“谈判标的”，有点中国版tiktok的意思，trump也把tiktok和关税放在一起谈）；
这个新闻海外意外而已，但是本土早早有所耳闻。

微软TDCOWEN的那篇（消息刚出来不久星球就给了报告），

微软之后有了声明；“现有投资已充分满足当前及增长中的客户需求...虽会战略性地调整部分区域基础设施，但所有地区都将保持强劲增长...这使我们能向未来增长领域调配资源”；这个和2月底那次传言没什么大的区别。
主要还是因为市场气氛太熊，看什么都是“半杯水空”，而非“半杯水满”；

接下来的一些AI催化剂。

来源：180K，原文标题：《从GPT的图像模型，到巨量的推理需求》

*免责声明：文章内容仅供参考，不构成投资建议

*风险提示：股市有风险，入市需谨慎