昨天我们提到英伟达发布超强AI计算平台DGX GH200，很多人关注该款超级计算机对光模块需求影响的程度。
根据多家券商的测算情况，市场普遍认为光模块的用量还是呈现较大幅度的提高。新架构全光方案GPU:800G光模块数量比1:18，半光方案GPU:800G光模块数量比1:9。
具体来看，每个Node单向带宽450GB/s（900GB/s双向带宽），8颗Superchip累计3.6TB/s单向带宽，800G光模块实际传输能力为100GB/s，即一个Node单向传输需要36个800G光模块，全系统共2个上行方向+2个下行方向，累计需要144个800G光模块（对应8颗Superchip），即800G全光方案比例关系为1:18。类似的，400G全光方案比例关系为1:36，800G半光方案比例关系为1:9。
除模块之外，见智研究认为：还应关注内存和PCB的增量价值。
GH200单颗芯片需要480GB LPDDR5内存+96GB的HBM显存。而上一代DGX H100服务器中，平均单颗H100芯片对应256GB内存，以及80GB的HBM。二者对比，GH200方案的存储器价值量有显著提升。
PCB：传统服务器中，主板单价近5000元/平米；加速卡板单价更高，随着层数、材质、加工难度的提升，可达1w+/平米。
GH200超级芯片是CPU+GPU二合一，集成度提升可以省去部分主板PCB，但相较传统加速卡面积更大，同时要在加速卡板材质、层数、HDI等方面进一步升级。
2、出现了比Meta更好的开源大模型？
一款名为FalconLM 开源语言模型说是提供了比 Meta 的 LLaMA 更好的性能，是迄今为止最强大的开源语言模型。
该款模型是由阿拉伯联合酋长国阿布扎比的技术创新研究所 （TII） 开发，FalconLM 最大的变体拥有400亿个参数，可以用于商业。但如果收入超过100万美元，则商业用途需要缴纳特许权使用费。在总结各种基准测试结果的Hugging Face OpenLLM 排行榜上，两个最大的 FalconLM 模型（其中一个已经用指令进行了改进）目前以显着优势占据前两名。
见智研究认为：开源语言模型如雨后春笋般的冒出，部分基础大模型的性能也表现出较强的优势。FalconLM相较于其他开源模型的竞争优势的包括在训练数据的选择，从公共爬网数据集中提取高质量数据并删除重复数据的流程。在彻底清除重复数据后，仍保留了5万亿条文本（token）——足以训练强大的语言模型。此外， FalconLM优化后的架构能够很大程度提高计算能力，推理成本仅为GPT3的五分之一。
国内AI
政策鼓励加强算力的部署和分配，还应该关注数据中心上架率
北京市政府办公厅正式发布《北京市促进通用人工智能创新发展的若干措施》，主要包括五大方面：1、提升算力资源统筹供给能力；2、提升高质量数据要素供给能力；3、系统构建大模型等通用人工智能技术体系；4、推动通用人工智能技术创新场景应用；5、探索营造包容审慎的监管环境。
见智研究认为：在政策的推动下，算力、数据要素市场将会进一步得到全面的效率优化和监管，会给民营企业在租用算力上来带便捷度，从而促进行业的良性发展。
从基础设施方面来看，AI新基建主要会围绕数据中心、超算中心的建设以及配套设备需求提高，具体包括AI服务器、高速交换机、光模块、制冷设备、电源设备等。应用场景方面鼓励创新同样会正向刺激算力的需求。但仍需关注数据中心目前机架上机率的情况，是否已经达到较高水平。
