（图片来源：钛媒体AGI编辑林志佳拍摄）

随着DeepSeek引发 AI 算力优化热潮，蚂蚁集团全面发力 AI 技术，基于中国AI芯片进行Infra，实现了模型技术突破。

3月24日消息，钛媒体AGI获悉，近日，蚂蚁集团Ling Team团队利用AI Infra技术开发了两个百灵系列开源MoE模型Ling-Lite和Ling-Plus，前者参数规模168亿，Plus基座模型参数规模高达2900亿，相比之下，AI行业估计GPT-4.5参数量1.8万亿，DeepSeek-R1参数规模达6710亿。

同时，论文显示，蚂蚁团队在模型预训练阶段使用较低规格的硬件系统，将计算成本降低约20%，每1万亿token是成本达508万元人民币，最终实现与阿里通义Qwen2.5-72B-Instruct 和 DeepSeek-V2.5-1210-Chat相当的性能。

目前，相关技术成果论文发表在预印版Arxiv平台上。据彭博，该模型在训练阶段使用的是国产AI/GPGPU芯片产品，并非完全使用英伟达芯片，但最终得到的结果与英伟达芯片（如H800）的结果相似。

3月24日下午，针对外媒关于蚂蚁百灵大模型训练成本的报道，蚂蚁集团对钛媒体AGI等回应称：蚂蚁针对不同芯片持续调优，以降低AI应用成本，目前取得了一定的进展，也会逐步通过开源分享。

这是蚂蚁集团首次详细披露其在AI算力层面的进展。

近年来，大语言模型发展迅速，尤其是DeepSeek热潮，引发学界和业界对通用人工智能（AGI）的广泛讨论，而混合专家（MoE）模型在特定任务中表现优异，但训练依赖高性能计算资源，成本高昂，限制了其在资源受限环境中的应用。

蚂蚁Ling团队认为，虽然MoE模型训练对高性能AI芯片（如H100和H800）需求大，且资源供应，但低性能加速器更易获取且单位成本效益高，因此，模型需要能在异构计算单元和分布式集群间切换的技术框架。同时在AI Infra部分，在跨集群、跨设备的兼容和可靠层面进行性能优化。该公司设定的目标是“不使用高级GPU”来扩展模型。

具体来说，蚂蚁Ling团队在模型训练环境、优化策略、基础设施、训练过程、评估结果、推理等层面都进行优化和落地。

其中在预训练层面，蚂蚁构建约9万亿 token 的高质量语料库，采用创新的MoE架构，分析缩放规律确定超参数，多阶段训练并应对瞬时尖峰问题，并且通过优化模型架构和训练策略，如选择匹配架构、集成训练框架、开发XPUTimer和EDiT策略等，提高训练效率。

论文显示，在AI异构计算平台上，技术人员们将多个训练框架集成到统一的分布式深度学习框架中，即开源项目DLRover。同时，为了利用各种平台的具体特性，团队开发了轻量级调试工具XPUTimer，有助于快速、高效进行任务性能分析，并将内存使用量减少90%。而EDiT（弹性分布式训练）则在各种配置下，训练时间最多可减少66.1%。

此外，在存储优化中，通过存储与训练流程的协同设计，提升MoE场景下的I/O效率，通过5000个加速器 MoE 训练任务，将检查点写入延迟降低了50%，减少一半的时间消耗，同时还将训练节点上的峰值内存消耗降低了60%。

蚂蚁技术团队表示，利用Ling-Plus，在五种不同的硬件配置上对9万亿个token进行预训练，其中，使用高性能硬件配置（配置D）训练1万亿token的预训练成本约为635万元人民币，但蚂蚁的优化方法将使用低规格硬件将成本降至508万元左右，节省了近20%的成本。

蚂蚁表示，这一结果证明了在性能较弱的硬件上训练最先进（SOTA）的大规模 MoE 模型的可行性，使得在计算资源选择方面为基础模型开发提供更灵活、更经济的方法。

这与英伟达的初衷背道而驰。

英伟达CEO黄仁勋认为，即使 DeepSeek 的 R1 等更高效的模型出现，计算需求仍将增长，AI 大模型需要更好的芯片来创造更多收入，而不是更便宜的芯片来削减成本。他坚持打造具有更多处理核心、晶体管和更大内存容量的高性能GPU芯片和“AI 工厂”。

结果显示，在英语理解方面，蚂蚁论文中表示，Ling-Lite模型在一项关键基准测试中的表现优于 Meta的Llama 3.1-8B模型。在中文基准测试中，Ling-Lite 和 Ling-Plus 模型均优于 DeepSeek 的同类模型。

“Ling-Plus 和 Qwen2.5-72B-Instruct 在安全性方面表现突出，且Ling-Plus在错误拒绝方面表现更佳。DeepSeek系列模型的错误拒绝现象最少，但部分安全性较低。而Ling-Plus 在安全性和拒绝率之间表现出更好的整体平衡，在这些指标的平均值方面取得了最好的结果。”论文表示。

据悉，蚂蚁百灵大模型Ling-Plus 和 Ling-Lite将计划开源，并应用于医疗、金融等行业领域。

目前，蚂蚁拥有三款 AI 助手管家产品——生活助手“支小宝”、AI金融管家“蚂小财”，以及刚刚发布的 AI 医生助手等产品和解决方案。

不过，蚂蚁也在论文中表示，大模型训练是一个具有挑战性且资源密集的过程，经常伴随着各种技术困难，错误和异常很常见，有些相对容易解决，而有些则需要大量时间和精力。而Ling系列模型在训练阶段面临挑战，包括稳定性，即使是硬件或模型结构的微小变化也会导致问题，包括模型错误率的大幅上升。

针对这份论文，彭博行业研究高级 BI 分析师Robert Lea表示，蚂蚁的这一成果强调了中国 AI 创新能力不断增强，以及技术进步的步伐加快。如果内容得到证实，这将凸显出中国正在朝着 AI 自给自足的方向迈进，因为中国正在转向成本更低、计算效率更高的模型，以绕过英伟达芯片的出口管制。

（本文首发于钛媒体App，作者｜林志佳）