人工智能的算力是什么意思-人工智能爆发背后，如何解决算力焦虑？

主持人：世界与人工智能的关系越来越深刻。 尤其是当你在世界人工智能大会上时，你会清楚地感受到人工智能世界是多么丰富和发达。 今天我们要找一个特殊的切入点，叫做“算力”。

我们都知道，数据、算法、算力是开启AI大门的三把钥匙。 如果说数据是生产资料，生产力就是计算能力，生产关系就是一些算法。 今天我们专门来说说计算能力。 我们直播间邀请了三位嘉宾，分别是Unfinished Research创始人周建工、申万宏源证券研究董事总经理、TMT部总监兼首席分析师刘洋、联想集团副总裁兼ISG总经理陈振宽中国服务器事业部。 我们和三位嘉宾一起围绕计算能力进行了深入的讨论。

AI有惊喜，算力引发焦虑

主持人：算力是推动人工智能发展的重要驱动力之一。 大家都知道，现在各大平台都在生产各种大型车型。 大型模型需要训练，应用阶段对计算能力的要求是无止境的。 那么，算力发展现状如何，未来趋势是什么，算力。 差距有多大，有哪些解决方案？ 这就是我们今天要跟各位来宾聊的话题。

首先我想和各位来宾聊一聊。 根据您的观察，现在人工智能世界已经发展到什么程度了？ 它给你带来了哪些惊喜呢？

周建功：我认为AI最大的惊喜是完成一些任务，比如对话。 我们一直在谈论图灵测试。 这是我的第一感觉。 第二个感觉就是大家都在谈论通用人工智能。 我曾经认为这是一个非常科幻的概念。 现在我记得GPT4出来后，微软的科学家做了一个测试。 业内人士都读过那篇论文，题目是通用人工智能。 火花。 我觉得这个比喻比较恰当。 我们已经看到了通用人工智能的火花，但仍处于相对早期的阶段。

陈振宽：ChatGPT目前采用的是ChatGPT3.5技术，大约有1750亿个参数。 大家可能有一些相关资料表明人工智能的算力是什么意思，人脑的神经元数量在800亿到1000亿之间，大脑皮层的神经元数量为1000亿个。 亿元级别。 800亿到1000亿的参数其实和人类神经元的数量很相似，所以也是一个大参数，一个大模型。 当达到1750亿的水平时，人工智能将不仅仅由我们训练ip形象，它会根据我们的训练来学习和成长。 更重要的是人工智能的算力是什么意思，它会自我学习和进化。 所以，当深度AI技术爆发的今天，大家发现大门突然打开了。

刘洋：人工智能的整体复杂性要大得多。 小模型精度高，但通用性较差卡通人物，智能性较差； 大型模型可能不那么准确，但更加智能。 所以对于我们来说，最大的痛苦不只是横向的大扩展，关键是有很多种可能性，是用大模型还是小模型，用前一种还是组合，还是垂直的。 这些问题会让我们焦虑，需要使用太多的东西。 所以我认为人工智能在2C、2B方面的应用其实会让今天算力焦虑这个话题变得更加复杂。 这是我们迄今为止所看到的。

主持人：如果应用到大家都方便的程度的话，现有的算力能支持吗？ 过程中有没有间隙？ 在过去的大模型开发时期，如何突破算力差距的瓶颈？

周建工：事实上，大模型的规模每18个月增加35倍，但摩尔定律每18个月增加2倍。 这就是速度上的差距。 第二，我们也看到国外一些大公司的不同业务部门也在争夺算力。 从这一点来看，中国也存在这种情况。

主持人：算力的差距是因为芯片的差距吗？ 英伟达今年的生意非常好，供不应求。 买不到芯片是不是说明差距特别明显？

陈振宽：这肯定是影响因素之一，但我看到了另外一个因素。 刚才提到，我们的大参数数量和人类神经元的数量是一样的，但是这个算力的功耗和人脑的功耗根本不是一个数量级。 要支持如此大的算力，对功耗的要求非常高。 我们需要研究当我们的算力不断增长的时候如何解决电力消耗的问题，以及如何达到碳峰值的要求。 所以从技术上来说，我们可能要考虑是否可以从现在的风冷散热改为液冷散热，是否可以有更好的条件来支持我们算力的不断增长，但是功耗仍然是控制在我们星球的范围内。 在容忍范围之内。 这是我们未来需要考虑的另一个因素，就是除了算力竞争之外，我们可能还会考虑在节能减排方面如何有越来越好的解决方案。 如果我们在这方面做得好，我相信即使有差距，有一天我们也能够赶上。

算力发展仍处于“预热阶段”

主持人：我们算力市场整体发展到什么程度了？ 够了吗？

周建工：我只能泛泛地说。 陈先生是专家。 我个人觉得在总算力方面，中国和国外是不相上下的，在通用算力、智能算力、总超级算力方面都是不相上下的。 甚至有些领域中国也有优势，比如智能计算能力。 但在这一轮与大模型、人工智能相关的算力方面，我国存在比较大的差距。 另一个领域当然是企业数据中心和云计算领域。 中国企业与国际领先企业存在明显差距。 第三，我们现在处于模型训练计算能力相对匮乏的情况。 但如果未来生成式人工智能发展起来并变得更加普及，它的应用将会更加广泛，对推理的需求也会更高。 事实上，当谈到计算能力时，扩展要求更高。 所以我们希望到时候，整个算力的发展能够满足这些需求。

主持人：陈总作为联想的专业人士，您如何解读现在或未来计算能力是否存在较大差距？

陈振宽：如果我们把人工智能的算力视为一场竞争，那么这场竞争才刚刚开始。 如今，很多企业都在参与这场竞争，实际上他们在前期就已经做好了基础的准备。 现在正在预热或者刚刚进入预热阶段的企业已经投入了数百亿元的大型车型。 但要真正训练大型模型，还有很多工作要做，我相信这就是需要持续投资的地方。

对于联想来说，我们不会参与大模型赛道或者训练大模型，但是我们会为所有构建和训练大模型的公司提供基础设施和服务，比如提供GPU服务器、人工智能服务器。 过去，如果不是人工智能服务器，一台通用服务器的研发投入大概在2000万元左右。 但GPU和人工智能服务器的投入需要普通计算成本的5倍，以亿元人民币计算。 除了比较复杂之外，还必须考虑刚才提到的散热、更快的连接速度等诸多因素。 因此，技术投入是非常巨大的。 另外，以后会在训练完成后开始推理。 推理将被用在各种场景中，无论是在边缘，还是在个人上。 对计算能力的要求将不断提高。 因此，如何在这样的场景下继续优化，为未来整体的人工智能相关产业理论服务提供更具普适性的能力，是我们持续思考的问题。

所以，还有很长的路要走。

主持人：我刚才咨询了微软投资OpenAI开发的ChatGPT。 事实上，微软数据中心的建设与联想有很大关系。 具体情况如何？

陈振宽：联想是一家全球化比较早、比较成功的中国企业。 我们的海外业务几乎占四分之三。 微软是我们海外客户的代表。 我们还有很多像微软这样的大客户。 我们在全球拥有约7个制造基地和10个研发中心。 我们也希望未来积极参与国内人工智能服务，服务好我们的客户。

主持人：从资本市场的角度来看，这个细分行业有哪些投资机会？ 。

刘洋：一方面，很明显我们的机架，包括服务器，都需要升级。 我认为AI渗透率有可能会逐渐达到50%，价格量价都会上涨。 还有很多工程设计问题，比如液冷、风冷、散热等，以及相关的光器件和光模块。 事实上，还有一些市场我们没有特别关注。 例如，我们当前的超级计算数据中心很可能致力于科学或某些蛋白质分子的生成或天气预报。 这种东西是因为我们之前没有计算能力，所以没有办法推导它，但是它可以极大地提高科学研究和学术。 下限使许多难以测量的事情成为可能。 总之，我现在感觉至少AI芯片、服务器、光器件、光模块、封装测试技术和芯片架构，以及相应的AI应用都会有很大的机会。 现在市场基本上已经关注了AI服务器、芯片和光器件，但还有一些没有被特别关注，周期和机会可能会一再出现。

是时候打造通用计算能力了

主持人：中国的计算基础设施在全球竞争中处于什么地位？

陈振宽：联想是一个服务商，也是一个算力提供商，帮助在这个赛道上打造更大的模型。 从我们自己的角度来看，联想现在已经跻身全球前三的服务器制造商之列。 排名前两名的是两家美国公司。 中国企业在全球市场上也排名第一。 我们也希望未来我们能够更好地投入到国内所有人工智能算力的建设进程中，为我们国内的企业更多赋能，为他们提供更大的帮助。

主持人：说到赋能更多企业，我注意到联想提出了一个新的主张：通用算力。 通用算力到底指的是什么？

陈振宽：普惠算力把它解读为两类：普惠型和智能型。 我们建议Universal 获得三个A。 一种是（Affordable）所有人都可以使用，一种是（Available）所有人都可以使用，一种是（Adaptable）适用于所有人，也就是通用的意思。 另外，对于智慧，我们对智慧的理解应该是它可以自己适应（Self-adapting），自己学习（Self-learning），自己进化（Self-evolving），所以这就是三个S，三个A，三个S，我们对普惠算力的诠释。 我们希望通用算力首先帮助我们国家的产业升级，其次帮助我们的企业实现数字化、智能化转型，最终惠及所有人。

主持人：周先生，您认为未来大众对通用算力的需求有多大？

周建功：我觉得很大。 我有一个观点。 我认为未来它会部署在手机上。 消费者级 GPU 还可以运行模型并将其下载到手机上。 其实我觉得很有可能未来手机上的每一个APP都是一个模型。 我们可以拭目以待。 包括现在的设备端芯片，整个芯片的架构都是围绕着生命智能、人工智能的部署而发生的。 普世智慧的意义在于人人都可以运用它。

主持人：如何实现真正的效益？

陈振宽：我认为这是一项需要不断做的工作。 今天单位算力的成本在五年、十年前是不可想象的，但今天确实已经通过技术的发展实现了。 我们对未来的展望一定会随着技术的演进、迭代、创新而发展。 我们相信，最终，当大家看到算力就像在用电一样时，你不会感觉到它的存在，甚至不会觉得你有一笔巨大的支出来支付电费。 未来，计算能力也将相同。