Chatgpt成本主要可以拆分成训练和推理两个阶段。人工智能主要分为计算机视觉和自然语言处理两大基础方向，当前自然语言处理类任务基于大型语言模型（LLM，LargeLanguageModel）演进出了最主流的两个主要方向，BERT（基于Transformer的双向编码器表示技术）和GPT（基于Transformer生成预训练技术），Google属于BERT技术方向，微软投资的OpenAI属于GPT技术方向。从计算过程上，人工智能计算主要可以分为模型训练与推理两个阶段，针对大语言模型LLM更是如此，随着参数与数据规模的不断增大，将带动拉动算力需求的快速增长。
以英伟达DGXA1OO服务器作为计算资源：（1）单台服务器售价20万美元；（2）采用云服务单天成本约为460美元。根据英伟达官网数据，英伟达超算GPU系列从旧到新包括P100、V100、A100、H100等，其中，DGXA100系列服务器为2020年发布，是当前主流使用的超算服务器，单机有8个A100系列GPU，AI算力性能为5PetaFLOP/s，单机最大功率6.5kw，售价19.9万美元；如果租用云服务，根据亚马逊数据显示，在亚马逊AWS预定一年的A100系列GPU，有8个A100的AWSP4实例的平均成本约19.22美元，一天的平均成本约为461.28美元。
ChatGPT上一个30字的问题需要消耗计算资源0.12PetaFLOP/S。最常见的Transformer类语言模型在推理过程中每个token的计算成本（以FLOPs为指标）约为2N，其中N为模型参数数量（20年发布的GPT-3拥有1750亿参数，22年谷歌发布的PaLM拥有5400亿参数，由于并未公布当前GPT3.5的参数数量，当前假定参数数量为3000亿），假设模型的FLOPS利用率约为20%，粗略估计ChatGPT一个30字（假设约40个token，注：在英文语境下，一般1000个token=750个单词）问题需要的算力资源为2*40*3000亿/20%=0.12PetaFLOP/S。
推理成本：为满足当前用户访问产生的推理成本，自建IDC初始投入约在4亿美元，租用云服务每日成本约28万美元。根据Similarweb的数据，23年1月份当前ChatGPT日活约1300万人，每人平均1000字左右的问题，因此合计产生约130亿字（173.3亿个token），假设24小时平均分配任务，需要的A100GPU数量为173.3亿*2*3000亿/（20%*24小时*3600秒）=601.75PetaFLOP/S，由于访问流量存在峰值，假定访问峰值是一天均值的5倍，因此共需要602台DGXA100服务器能够满足当前的访问量。
(1)自建IDC：服务器成本约占数据中心成本30%左右，为满足当前日常访问需求，前期一次性成本投入约为602*19.9/30%=3.99亿美元；
(2)云服务：假设每天租用亚马逊AWS云服务，每天成本为461.28*602=27.77万美元。
训练成本：训练阶段每个Token的训练成本约为6N（推理成本为2N），由于每年训练成本都在快速下降，此处引用OneFlow的测算结果，在公有云中训练OPENAI的GPT-3模型需花费训练成本约140万美元，Google的PaLM模型需花费训练成本约1120万美元。
预计在ChatGPT结合Bing搜索功能后，其对算力资源的消耗将成数倍增长。当前ChatGPT模型可以理解为在一个在庞大训练数据集上训练的LLM，它会将训练期间的知识存储到模型参数中。在推理过程中（使用模型生成输出），LLM无法访问外部知识，仅依靠模型参数进行计算；如果将ChatGPT与搜索功能结合，如Bing等搜索引擎，其计算过程将通过搜索引擎返回多个查询结果，并通过GPT计算生成多个响应，在返回最高分的响应给用户，其对算力资源的消耗将成数倍增长，增长倍数取决于搜索和响应的个数。
投资建议：
风险提示：
模型假设不合理对测算结果造成偏差，ChatGPT商业化落地不及预期。