AI+行业需求爆发，计算力跟得上吗？

“2017 年是中国 AI 发展的元年，AI 的投资增长 10 倍，算力提高 230.7%，数据量增加 50%。”这一结论来自近日由浪潮联合IDC研究发布的《2018中国AI计算力发展报告》。

AI投资的大幅增长，已让我们普通民众体验到了AI应用带来的生活方式的改变，比如，网上叫车、点外卖、在线搜索，语音识别翻译、机场刷脸过闸等等，让我们感觉到AI已来到我们身边。

2018年被看做是AI商业化落地之年，确实，除了我们大众日常接触的互联网领域的AI服务，AI已经开始加速向传统行业落地。

据该报告分析，中国应用 AI 计算的前四大行业：一是互联网，应用场景有搜索引擎、电商用户行为分析；二是政府部门，主要应用场景为公共安全和公共服务；三是医疗行业，主要用于疾病预测诊断、信用风险管理；四是金融行业，主要应用场景有知识管理和生成、在线业务人脸识别等。

AI要深入走向大规模商用落地，还需要做什么，存在哪些挑战？这正是所有AI从业者和专家共同关心的问题。

在9月12日举办的第二届人工智能计算大会（AICC 2018）上，来自中国工程院、美国工程院、美国杜克大学等10余位学术界领袖，来自微软、Intel、NVIDIA、百度云、阿里云、浪潮、Face++等数十位AI产业界领袖，以及2000多位互联网、金融、公安、能源、医疗等行业专业人士共同参与，围绕AI计算对AI发展的重要性、AI计算面临的挑战等话题进行了研讨。也是在此大会上，《2018中国AI计算力发展报告》摘要版发布。

AICC由中国工程院信息与电子工程学部主办、浪潮集团承办

“没有计算就没有人工智能，”中国工程院院士、浪潮集团首席科学家王恩东认为，在人工智能的发展中计算力始终发挥着关键作用。

人工智能自1956年提出以来，经历了三个阶段，近几年才逐渐步入快速发展期，走入商业应用。这轮人工智能爆发背后有三大驱动力：数据、算力与算法，它们都与计算息息相关。

一方面，互联网、数字化带来了大数据。据统计，整个人类文明所获得的全部数据中，有90%是过去两年内产生的，到2020年，全世界所产生的数据规模将达到今天的44倍。

这么多的数据的产生、存储、处理，其实都是基于包括手机、电脑、服务器等计算设备，可以说计算提供了数据。

另一方面，近年来GPU等加速技术带来计算力的跨越式发展，给深度神经网络算法应用于大数据处理提供了可能性。

2012年，Hinton与其学生设计了AlexNet卷积深度神经网络，并在GPU上实现，结果大大提高了对ImageNet的识别准确率。自此以后，计算力和深度神经网络模型的不断提升，带动了整个AI的革命与复兴。

所以，AI的发展离不开计算力的快速发展，某种意义上来讲，是计算点亮了AI。同时AI也反过来给计算带来新的要求。

王恩东

随着人工智能应用快速落地并赋能更多的行业，数据和训练任务量呈指数级增长，激发了对计算的巨大需求。OpenAI报告显示，从2012年以来，AI的计算力6年增长30万倍以上，但是按照摩尔定律，而每18个月芯片性能才能翻倍。

显然，AI对计算力的需求已远超摩尔定律的性能增长速度。在当下阶段，神经网络和其他机器学习系统的实现，依然依赖于庞大的计算能力。与人工智能发展需求相比，计算力发展显得滞后了。

我们知道，芯片是驱动计算力的核心。而摩尔定律逐渐逼近极限，通用计算的芯片结构未来已经不能引领信息产业的发展。

当前执行深度学习算法的主流方式仍然采用GPU芯片，虽然从架构上看，GPU相比CPU更有效率，但是离最优还相距甚远。美国杜克大学终身副教授陈怡然谈到，“过去五年如果单看GPU的单板计算能力，只提高了3-4倍，但参数提高了几百上千倍。需要有更加高效的AI芯片，才能弥补摩尔定律本身发展限制以及参数增加所带来的算力差距。”

谷歌、百度等公司都推出了自主研发的芯片，AI芯片也成为了创投的热门领域。然而这些为深度学习定制的专用AI芯片还远没有形成规模，经典计算瓶颈尚未被打破。这也是计算能力难以获得突破的根本原因。

在巨大需求的驱动下，GPU加速计算、可定制计算、异构计算架构得到快速发展，越来越多的公司使用FPGA、ASIC等定制芯片为人工智能加速。

比如，作为AI计算平台厂商的浪潮，在整合使用各种主流芯片的同时，也在自己开发在算法和集成层面的K1高速交换芯片、处理器协同芯片组、FPGA等芯片类产品，实现更灵活的IT架构构建模式，形成自己计算平台的核心竞争力。

浪潮提升计算能力的做法是“软件定义、硬件重构”。在软件定义方面，通过连接、池化和重构的技术，将CPU和各种协处理器（GPU、FPGA和xPU）更紧密结合，利用全互联NVSwitch、PCIe 4.0、Open CAPI等新型超高速内部、外部互连技术，增加不同计算资源的协同能力，通过软件定义实现业务自动感知和资源自动重构，使计算的性能和效率实现大幅提升。

在硬件重构上，则通过数据中心内部如硅光互联，NVlink等高速物理互连技术，实现包括x86、Power、国产芯片、各种PU等异构计算芯片的融合，实现NVM、SSD、HDD等异构存储介质的融合，真正实现对计算、存储资源的深度池化。

浪潮很早就判断人工智能会成为未来增长点，在AI领域不断加大投入。浪潮在同行中较早成立了AI HPC部门，打造AI计算全栈式产品布局，可以为行业客户提供从计算平台、整套管理套件、到深度学习框架的优化和端到端的解决方案。

浪潮长期致力于打造软硬件全栈式解决方案，在AI市场取得了优异的成绩。IDC 2017年中国AI基础架构市场调查报告显示，中国2017年AI硬件销售额同比增长235%，浪潮市场份额占比57%居第一，超过其他厂商份额的总和。

浪潮的多个AI产品是全球领先的，如2U8卡AI服务器AGX-2是业内最高计算密度的AI服务器。今年5月份，在基于浪潮AI服务器的公有云环境下实现了512片GPU集群的AI训练，打破AI训练性能世界记录，在10s内完成ImageNet数据集训练，比Facebook保持的世界纪录快1倍以上。

在这次AICC大会上又发布了AI计算性能高达每秒2千万亿次的超级AI服务器AGX-5。据介绍，与之前同类GPU服务器相比，AGX-5可支持4倍超大规模深度神经网络模型且训练速度提高10倍。

针对如何为AI提供更强计算力这个问题，浪潮AI HPC总经理刘军给出的答案是：一方面会继续在产品创新上下功夫，使得浪潮在AI产品开发上线能够更快更强；而另一方面则是关注AI的生态问题，如何建立健全AI生态。

在刘军看来，如今，金融、保险、高铁等领域都有大量的AI落地需求，但是同时存在的挑战在于：AI发展速度太快了，既缺少充足的人力资源，也缺乏充足的AI合作伙伴，来支撑庞大的行业用户进行AI转型。这是整个AI产业链中最大的挑战。

刘军介绍，行业客户在转型AI时常会问三个问题：第一，谁帮我快速建立AI的应用；第二，谁帮我实现AI里软硬件系统交钥匙，第三，谁帮我发展自我AI开发。只有这三个方面问题有有答案，行业客户才能更加快的启动AI业务。

正是基于此，浪潮今年4月份提出一个“T计划”，希望打造行业AI新生态，服务于行业客户AI转型。

然而，对于成千上万有AI落地需求的行业用户，与在“金字塔”头部的AI科技公司和金字塔底座的SV等应用公司在非常大的鸿沟。

在传统行业信息化过程中有SV、销售通道、服务商、人才培养、应用开发等非常丰富的产业生态链支撑，而在传统行业AI转型过程中，生态则是挑战。

具有服务行业客户经验的ISV、SI，大部分在AI领域的技术能力都不强，浪潮希望帮助这些合作伙伴去成长，让他们具备AI的产品和能力。

比如，Caffe是一个单机版本，而浪潮在此基础上开发了多机版的，这是一个开源项目，浪潮可以把这个项目贡献在SV和SI的体系里，希望合作伙伴在开放开源的架构里发展自己的AI能力。

对于这些合作伙伴来说，不仅可以从浪潮的通道获取产品，还能获取到百度、讯飞、网易等公司的AI能力。浪潮希望把金字塔的“腰”建立起来，对上连接百度等腰上面的合作伙伴，对下连接腰下的SV和SI等合作伙伴。

添加新手交流群：币种分析、每日早晚盘分析

添加助理微信，一对一亲自指导：YoYo8abc