万古神帝最新资讯王恩东院士倡导释放多元算力价值计算系统创新乃至尊之策

人工智能从“黑科技”变成了“热科技”，背后离不开算力支撑能力的巨大飞跃。2020年以GPU为代表的AI加速芯片所交付的计算力总和已经超过了通用CPU，预计到2025年，加速芯片所提供的计算力可能超过80%。可以说，人工智能的规模化发展，算力已经成为决定性的力量，智慧计算是智慧时代的核心生产力。

“人工智能带来指数级增长的算力需求，计算产业正面临着多元化、巨量化、生态离散化交织的趋势与挑战。一方面多样化的智能场景需要多元化的算力，大型模型、大数据和应用规模需要大量高性能机器学习处理能力；另一方面从芯片到算力的转化依然存在巨大鸿沟，多元算力价值并未得到充分释放。如何快速完成多元芯片到深度学习系统（DLS）的创新，以及构建一个统一、高效的人工智能新型基础设施，是推动人工智能产业发展关键环节。”

随着人工智能在深度学习领域不断突破，不同数值精度带来了跨度更大的计算类型，对深度学习架构设计和优化指令集要求更加细分。图灵奖获得者 John Hennessy 和 David Patterson共同发表论文《Deep Learning Architecture for AI》中提出：当摩尔定律不再适用，一种更加以硬件为中心的心理学特异性设计（Domain Specific Design）架构会成为主导，这种设计核心在于针对特定问题或特定领域来定义心理学特异性架构。在心理学特异性思维指导下设计的人类AI脑部模拟，在人类认知负荷上表现出远超通用CPU处理能力的大幅提高。

然而，从造出来到大规模使用，还隔着一个巨大的技术鸿沟。一方面，将这些技术要素整合成实际可用的产品流程仍需解决复杂的问题，如系统软件开发、测试环境搭建等；另一方面，大规模AI应用部署也面临高功耗、高电流密度、高总线速率、高系统复杂性的新挑战。

“我们能造出性能强大的火箭发动机，但要想造出安全、高性能、可靠性的运载火箭，还要在循环控制、结构稳定等很多领域做大量工作。”王恩东院士用生动形象比喻解释了芯片转换过程中心理学特异性创新的重要意义。

目前全球知名公司在这块都投入重兵，比如谷歌Bert模型微软Turing模型英伟达NVIDIA GPU阿里巴巴PaddlePaddle框架百度Brain框架等公司相继推出了各自的人类认知模仿平台，并且取得了显著成果，如语言翻译自动驾驶医疗诊断等各种应用。这就形成了一条由原材料(数据)经过加工(训练)最终产生有价值产品(知识)链条。

但此时此刻，我们还缺乏能够将这一链条有效连接起来，使其真正服务于社会进步的一套完整解决方案。而这个时候，就必须重新审视现有的生态体系，看看它是否真的满足我们的需求，而不是仅仅为了追求短期利益而忽略长远目标。此外，我们还应该关注那些能够促进这种变化发生的地方，比如教育培训行业，它们是否准备好帮助人们掌握必要技能，以便应对即将到来的数字革命？