作者|昭覺

　　AI新星OpenAI最近有點頭疼，不僅公司和CEO被馬斯克起訴，其拳頭產品GPT-4在性能和價格上均面臨競爭對手的沖擊。

　　近期，成立不到一年的法國人工智能創企Mistral AI發布了最新大模型Mistral Large，并推出了首個聊天機器人產品Le Chat，直接對標ChatGPT。據了解，Mistral Large在目前所有能通過API訪問的大模型中評分第二，僅次于GPT-4。

　　更值得關注的是，Mistral AI還與微軟達成了更加深入的合作協議，微軟將投資入股Mistral AI，并為其提供算力和云服務，而Mistral AI的大模型資源也將在微軟的Azure云平臺中售賣。要知道，上一個有此待遇的AI創業公司還是OpenAI。

　　除此之外，更低廉的API接口價格也讓Mistral Large成為了GPT-4的有力競爭者，并有望在當前的大模型軍備競賽中掀起一場價格戰。

　　比GPT-4更具性價比？

　　作為一款誕生于歐洲的大模型，Mistral Large支持英語、法語、西班牙語、德語和意大利語，可深度理解語法和文化背景。另外，Mistral Large的上下文窗口為32K，可從約2.4萬個英文單詞的大型文檔中精準提取信息;具備精確的指令跟隨能力，便于開發者定制審核策略;支持原生函數調用和限定輸出模式，助力應用開發規�；�和技術棧現代化。

　　性能方面，雖然Mistral AI并未公布Mistral Large的參數量，但其關鍵性能已達到業界前三。

　　具體來看，Mistral Large在MMLU基準測試中的常識和推理得分為81.2%，僅次于GPT-4的86.4%。Mistral Large達到了頂級的推理能力，可用于復雜的多語言推理任務，包括文本理解、轉換和代碼生成。其推理準確性優于Anthropic的Claude 2、谷歌的Gemini 1.0 Pro、OpenAI的GPT-3.5，推理速度甚至超過了GPT-4和Gemini Pro，顯示了其在處理復雜任務時的高效能力。

　　多語言能力測試中，Mistral Large在法語、德語、西班牙語和意大利語的Arc Challenge、HellaSwag、MMLU等基準測試中的表現均遠超目前公認最強的開源大模型——Meta的LLaMA 2 70B。

　　數學和編程能力方面，Mistral Large同樣表現不俗：其在MBPP基準測試中的編程得分高于LLaMA 2 70B，在Math maj@4基準測試中的數學得分也領先于GPT-3.5、Gemini Pro 1.0等模型。

　　作為Mistral AI商用系列中的旗艦模型，Mistral Large與GPT-4一樣并未開源。用戶可通過三種方式訪問與使用Mistral模型：其中，在歐洲的Mistral Al基礎設施上安全托管的La Plateforme是開發者訪問Mistral Al所有模型的首選方式，開發者可通過點擊創建自己的應用程序和服務;Mistral Al的開源模型目前可通過GCP、AWS、Azure、NVIDIA等云服務商獲得，而Mistral Large目前僅通過Azure云平臺提供服務，包括Azure AI Studio和Azure Machine Learning。

　　此外，開發者還可以通過虛擬云或on-prem自行部署使用Mistral模型，這種方式提供了更高級的自定義和控制，自有數據將保留在公司內部。

　　價格方面，目前上下文窗口為128k的GPT-4 Turbo的輸入價格為0.01美元/1000 token，輸出價格為0.03美元/1000 token。相比之下，Mistral Large的輸入、輸出價格均為前者的80%。

　　體驗方面，有AI創業者指出，Mistral Large的使用體驗碾壓曾經的第三名Claude 2。截至2023年11月，OpenAI的開發者規模達200萬，其中包含92%的世界500強企業。而Mistral Large直逼GPT-4的性能和更低的售價有望為需求量巨大的企業用戶節省一大筆開支，從被OpenAI壟斷的MaaS(模型即服務)市場撕開一個口子。

　　MoE架構立大功

　　Mistral Large把價格打下來的底氣是更低的訓練成本。OpenAI CEO Sam Altman曾表示，GPT-4的模型訓練成本“遠遠超過了”5000萬至1億美元。而據Mistral AI創始人Arthur Mensch透露，Mistral Large的訓練成本不到2200萬美元，約為GPT-4的五分之一。

　　除了真金白銀的訓練成本，后來者居上的Mistral Large的時間成本也更具優勢。OpenAI從成立到推出GPT-4，足足用了8年，而Mistral AI推出僅次于GPT-4的Mistral Large只用了9個月。

　　Mistral AI號稱歐洲版OpenAI，創始團隊由Meta和Deepmind的前科學家們組成。成立后的半年多時間里，Mistral AI接連完成1.05億歐元種子輪融資和后續的4.15億歐元融資，得到美國光速、a16z等頂級VC以及英偉達、賽富時、法巴銀行的青睞。

　　同期，Mistral AI先后推出號稱當時“最強的70億參數開源模型”Mistral 7B、首個開源MoE大模型Mistral 8x7B。其中，Mistral 8x7B更是以一條簡單粗暴的磁力鏈接引領了大模型發布的新范式，給業界帶來震撼。

　　憑借巨額融資疊加新品發布，Mistral AI的估值也曾一夜之間飆升至20億美元，成為大模型領域的新晉獨角獸。而Mistral AI更引人關注的是，從初期只有6人的小團隊成長至今，Mistral AI一直是MoE路線的忠實信徒。

　　MoE即“混合專家模型”，這種模型設計策略通過將大模型分解為多個子模塊，提高模型的容量、處理能力和效率。MoE架構主要由“專家”和門控機制兩部分構成。每個“專家”相當于一個小型的Transformer模型，專門處理特定類型的輸入數據，多個“專家”的結合則使模型具備了更好的性能。而門控機制則用于判定輸入樣本需由哪些“專家”接管處理。

　　大模型的大規模應用與其算力成本緊密相關。對于模型廠商而言，目前主要的算力成本包括預訓練成本和推理成本。除去GPU每秒運算次數和顯卡的租用成本這兩個常量后，大模型的預訓練成本與模型參數量和訓練數據的token量正相關，推理成本與模型參數量正相關。而大模型的性能通常與其參數量相關聯，而越高的參數量意味著越高的算力成本。因此，如何在同樣的算力成本下提升大模型的參數量成了破局的關鍵。

　　而MoE的解題思路是引入稀疏性，即模型訓練過程中，各有所長的“專家”們獨立訓練、各司其職，在過濾重復信息、減少數據干擾的同時大幅提升模型的學習速度與泛化能力;在推理過程中，每次推理只按需調用部分“專家”，激活其對應的部分參數，如此便有效降低了相同參數下大模型的算力成本。

　　有意思的是，OpenAI在去年成為“當紅炸子雞”成功得到眾多重度用戶的續費后，被曝采用MOE重新設計了GPT-4構架，導致性能受到影響。盡管OpenAI官方并未對此進行正面回應，但利用MOE架構降低訓練成本，已經被認為是一個無比自然的發展方向。

　　Mistral AI同樣未公布大模型的具體參數與訓練數據Token數，但此前谷歌應用MoE開發出的GLaM模型參數量達12000億、訓練數據16000億token，分別是GPT-3.5的6.8倍和5.3倍，其實際的訓練成本卻只有GPT-3.5的三分之一也印證了MoE框架的高效。

　　延續著MoE的路線，如果說此前發布的開源模型Mistral 7B、Mistral 8x7B實現了對LLaMA等大參數開源模型的逆襲，此次發布的Mistral Large則是Mistral AI對可持續商業模式的探索，試圖以閉源模型搭建可盈利的產品線。

　　大模型進入成本戰

　　頂著對華芯片禁售的壓力，芯片巨頭英偉達以一份耀眼的四季報打消了市場顧慮：在數據中心與游戲業務雙核驅動下，英偉達2023年四季度營收、凈利潤大幅超出預期，毛利率再創歷史新高。業績加持下，英偉達業績已突破2萬億美元，更接連超越亞馬遜、沙特阿美，成為僅次于微軟和蘋果的全球第三大公司。

　　數據、算力和算法構成了大模型的基石。在當下這波如火如荼的大模型淘金熱中，從學界到初創企業再到巨頭紛紛下場，而無論其技術路線是開源或閉源，應用場景是通用或垂直，AI芯片作為大模型大腦，始終是模型預訓練和推理必不可少的工具。

　　身為高端GPU市場中唯一的提供方，“軍火商”英偉達是這場大模型軍備競賽中永遠的贏家——以A100為例，若要通過訓練達到ChatGPT級別的性能，至少消耗一萬張A100加速卡，巨頭們囤貨的單位也以萬張起，怎能不賺得盆滿缽滿?

　　但換個角度來看，在GPU供應短缺的背景下，一張A100顯卡售價約10000美元甚至更高，對于大模型廠商來說，在應用落地和商業化前景仍不明朗的情況下，動輒上億美元真金白銀的投入必然肉疼。在算力、數據、人力等資源成本高企的情況下，如何用相對低的成本訓練出一個想要的大模型，并以一個用戶可接受的成本讓大模型跑起來是大模型行業在2024年的當務之急。

　　在保證同等效果前提下，提高硬件利用率，縮短算力使用時長；優化工具鏈以提高訓練、推理效率；適配低價GPU是當前國內大模型廠商降本的主流方法論。

　　例如，面向大模型訓練，騰訊升級了自研機器學習框架Angel，針對預訓練、模型精調和強化學習等全流程進行了加速和優化，提升了內存的利用率。借此，大模型訓練效率可提升至主流開源框架的2.6倍，用該框架訓練千億級大模型可節省50%算力成本，大模型推理速度提高了1.3倍。

　　京東云推出vGPU池化方案，提供一站式GPU算力池化能力，結合算力的任意切分和按需分配，在同等GPU數量的前提下，實現了數倍業務量擴展和資源共享，降低了硬件采購成本，使用更少的AI芯片支撐了更多的訓練和推理任務，GPU利用率最高提升70%，大幅降低大模型推理成本。

　　阿里云通義大模型則聚焦于規模定理，基于小模型數據分布、規則和配比，研究大規模參數下如何提升模型能力，并通過對底層集群的優化，將模型訓練效率提升了30%，訓練穩定性提升了15%。

　　百度升級了異構計算平臺“百舸”，將訓練和推理場景的吞吐量提高了30%-60%，意味著原先需要用100天的訓練才能達成的效果，現在只需40-70天，節約時間等于間接省錢。同時，在英偉達之外，百度的“千帆”大模型平臺還兼容昆侖芯、昇騰、海光DCU、英特爾等國內外其他主流AI芯片，通過組合選項完成低成本的算力適配。

　　正所謂“早買早享受，晚買有折扣。”當前，Mistral AI以性價比暫時領先，但也有不少開發者還在等待OpenAI大模型產品的升級降價。畢竟，正是OpenAI自己在GPT-4發布后不到8個月就推出了更強也更便宜的GPT-4 Turbo。