AI走向深度学习 构建强大通用算力是重要指标

本篇文章952字，读完约2分钟

“2016年3月，当谷歌的人工智能alphago击败韩国选手李世石(Li Shishi)时，人们感叹人工智能的威力，但它背后巨大的‘报酬’却鲜为人知——数以千计的服务器、数以千计的CPU、高性能显卡以及下棋时惊人的功耗。”王源智库人工智能部主任、图灵机器人首席战略官谭明洲在接受《科技日报》记者采访时表示。

“与云计算和大数据等应用相比，人工智能对计算能力的需求几乎是无止境的。”中国工程院院士、Inspur集团首席科学家王恩东也指出。

据介绍，人工智能面临的挑战之一是识别度不高，准确率不高。为了提高精度，需要增加模型的规模和精细度，增加离线训练的频率，这就需要更强的计算能力。

目前，随着人工智能算法模型的复杂性和准确性不断提高，由互联网和物联网生成的数据呈几何级数增长。随着数据量和算法模型的双层叠加，人工智能对计算的需求越来越大。

从中国信息与通信研究院王运涛在《通信世界网》上发表的文章中可以看出，人工智能基础设施建设的重要方面是继续巩固通用计算能力的基础。目前，计算能力的供给已经不能满足智能社会的建设。据openai统计，从2012年到2019年，随着深度学习模型的发展，模型所需的计算量增加了30万倍。无论是计算机视觉还是自然语言处理，由于预训练模型的广泛使用，模型所需的计算能力呈现出逐步发展的趋势。

根据斯坦福大学2019年的报告，在2012年之前，人工智能的计算速度紧跟摩尔定律，计算能力需求每两年翻一番。2012年后，计算能力需求的倍增时间直接缩短至3至4个月。不言而喻，通用计算的供应能力每20年只能翻一番。

毫无疑问，人工智能正在走向深度学习，计算能力已经成为评估人工智能研究成本的重要指标。

关于未来如何解决计算能力的问题，据《科技日报》报道，计算和存储的融合有助于推动算法升级，成为下一代人工智能系统的入口。内存计算提供的大规模和更高效的计算能力使人工智能算法设计更富想象力，不再受计算能力的限制。因此，硬件的进步将升级为系统和算法的优势，最终新服务的孵化将加速。

除了计算和存储的集成趋势，量子计算是解决人工智能所需的巨大计算能力的另一种方法。目前，量子计算机的发展已经超越了传统计算机的摩尔定律。以传统计算机的计算能力为基本参照，量子计算机的计算能力正在迅速发展。