「大建設」時期，AI算力何去何從？

算力就是生產力，得算力者得天下。

隨著新一代人工智慧技術的快速發展與突破，以深度學習運算模式為主的AI算力需求呈指數級增長。

數據顯示，在1960到2010年間，AI的計算複雜度每兩年翻一番；在2010到2020年間，AI的計算複雜度每年猛增10倍。

面對如此大的模型和複雜的計算，提升AI算力迫在眉睫。

畢竟，在人工智慧發展的三要素：數據、演算法和算力中，無論是數據或演算法，都離不開算力的支撐。

那麼，AI算力從哪裡來？

AI算力進入「大建設」時期

AI算力對於提升國家、區域經濟核心競爭力的重要角色已成為業界共識。

《2020全球計算力指數評估報告》顯示，計算力指數平均每提高1個點，數位經濟和GDP將分別成長3.3‰和1.8‰」。對數位經濟肉眼可見的拉動動作用，成為國家和地方政府加碼AI算力的內在邏輯。

放眼國際，在政府投資主導模式下，美國依托能源部下屬6大國家實驗室、國家科學基金會支持的依托高校的智能計算中心以及NASA下屬的研究中心超級運算中心這三大體系，大力推動算力平台「長出」智慧運算能力；歐盟則透過「EuroHPC計畫」在歐洲建設8處大規模算力平台，並積極促進與人工智慧技術的結合。

我國AI算力建設也正進入一個「大建設」時期。

自2017年國務院印發《新一代人工智慧發展規劃》以來，我國透過政府投資主導、企業投資主導、政企合資等模式，一批AI算力基礎設施拔地而起。

#近年來，隨著「東數西算」工程的啟動以及智算中心的建設，從國家層級實現有效的資源結構整合，目前全國已有8地啟動建設國家算力樞紐節點，並規劃了10個國家資料中心集群，以推進集約化、綠色節能、安全穩定的算力基礎設施的建設。

同時，在新基建等政策的鼓勵和支持下，各地方政府也在積極開展人工智慧計算中心（AIDC）的建設。

據智東西統計，2021年1月到2022年2月之間，全國規劃、在建和投入運營的人工智慧計算中心超過20個，其中8個城市的人工智慧計算中心已建成並投入運營的。

各地的AIDC可提供或規劃的算力規模一般為100PFLOPS，相當於5萬台高性能電腦的算力。

#例如，武漢AIDC一期可提供100PFLOPS的算力，從2021年5月投入營運至12月，吸引了超過100多家企業入駐， 已孵化出超過50多類場景化解決方案，日均算力使用超過90%。

在武漢AIDC的算力使用接近飽和的狀態下，其在2021年底完成了二期擴容工程，可提供總算力200PFLOPS，正在規劃三期擴容工程。

在AI產業化、產業AI化和政府在治理智慧化等需求的驅動下，我國AI算力蓬勃發展。

根據IDC 與浪潮資訊共同發布《2022-2023中國人工智慧運算力發展評估報告》顯示，中國人工智慧運算力持續維持快速成長，2022年智慧算力規模達到268百億億次/秒(EFLOPS)，超過通用算力規模。

預計未來5年中國智慧算力規模的年複合成長率將達52.3%，而同期通用算力規模的複合成長率為18.5%。

AI算力建設仍面臨挑戰

目前，AI算力建設仍處於初期摸索階段，存在建設標準不統一，產業定價混亂等問題。這些問題正成為這一新生平台發展路上的滯礙。

在《新一代人工智慧算力基礎設施發展研究》白皮書中，國家工業資訊安全發展研究中心梳理了AI算力基礎設施建設中的四方面問題：國家頂層制度建設和標準體系仍不統一、國內AI晶片等軟硬體技術仍受制於國外、大型智算中心面臨重複建設且高能耗問題、重建設輕應用導致無法覆蓋不同的應用場景需求。

以產業定價標準混亂為例，國家工業資訊安全發展研究中心副總工程師兼資訊政策所所長黃鵬指出，功能類似、規模近似的兩家智算中心，建設投入相差6倍多。

從AI算力的建造成本來看，可分為廠房等基建、伺服器和運算晶片等設備和產品、後製運維成本和電費等。

就基礎建設、電費、人員等的成本而言，東西部或許有差異，但並不會差6倍這麼多。

這也說明了我國仍處於智能算力發展的初級階段，還沒有形成標準化的模式。

黃鵬認為，智算中心的建設可藉鏡參考中科院人工智慧產學研創新聯盟推出的算力價格標準方案——在綜合儲存、能耗、開發、客製化、資料調度等一系列因子並代入明確演算法標準後，得出同時具備5P雙精度算力（64位元）、25P單精度算力（32位元）與100P半精度算力（16位元）的情況下，智慧運算中心的基礎設施價格約1億~1.5億元。

黃鵬建議，地方政府要在建造AI算力平台之前做好充分的研究和論證，以免出現「低水準重複建設」和「與當地發展需求不匹配」的情況。

如果說「概念混淆」「價格混亂」「重建設輕應用」等問題可以透過充分的研究和論證來規避，但AI算力建設的一些深層難題還需要全產業鏈的努力，例如AI軟硬體技術受制於國外、大型AI計算中心的能耗過大成本過高等等。

企業層面要積極探索AI技術研發和模式創新，尤其要加大對AI晶片等核心技術的自主研發力度，聯合上下游提升產業鏈黏合度和生態相容度，同時加強對演算法、架構、模型等軟體平台及應用的研發，把技術發展掌握在自己手中。

場景落地推動AI算力發展

不可否認的是，一個國家的算力規模越大，經濟發展水準就越高。

全球各國的算力規模與經濟發展水平，已呈現出顯著的正相關關係。

萬物智聯時代的到來，AI智慧場景的落地，將產生難以想像的大量資料。這些數據將進一步刺激對AI算力的需求。

《2022-2023 中國人工智慧運算力發展評估報告》顯示，2022 年中國人工智慧產業應用滲透度排名前五名的產業依序為網路、金融、政府、電信和製造業。

與2021年相比，產業AI滲透度明顯提升。

其中，網路產業依然是人工智慧應用滲透度和投資最高的產業；

金融業的人工智慧滲透度從2021年的55%提升到62%，智慧客服、實體機器人、智慧網點、雲端上網點等成為人工智慧在金融產業的應用典型；

電信業的人工智慧滲透度從2021年的45%成長到51%，人工智慧技術融入電信網路的建置、最佳化，並為下一代智慧網路建設提供支援；

製造業的人工智慧滲透度從40%成長到45%，預計到2023年年底，中國50%的製造業供應鏈環節將採用人工智慧。

隨著新的技術和應用場景的使用量和開發量不斷提升，也為AI算力的發展帶來了源源不絕的動力。

一是，雲端AI模型正向大型化的方向發展，算力基礎建設成為競爭的關鍵要素。

2019年Google推出的BERT大模型擁有3.4億個參數，使用了64個TPU，訓練到目標精確度的花費為1.5萬美元。

2020，OpenAI推出的GPT-3大模型擁有1750億參數，訓練成本達到了1200萬美元。

2021年，微軟和英偉達使用了4480個GPU訓練出的擁有5300億參數的MT-NLG大模型，其訓練成本更是高達8500萬美元。

二是，邊緣端對AI算力需求快速增加。

雲端遊戲、自動駕駛等新興應用場景對於資料傳輸的速度和量級都提出了更高要求，在終端和雲端間佈設邊緣端，形成「雲-邊-端」通訊架構已經成為未來科技發展的主要方向。

邊緣運算的需求成長將有效帶動AI算力的發展。

三是，智慧網聯汽車對AI算力需求提升。

自動駕駛汽車滲透率不斷提升，汽車駕駛控制系統正向「感知-辨識-互動」等智慧功能發展。

因此，智慧駕駛AI模型對於汽車從L1/L2輔助駕駛階段走向L3/L4自動駕駛階段，並最終實現「智慧決策、即時控制」的功能具有重要作用。

隨著需要訓練的各類行駛資料量的增加，以及開發智慧駕駛AI模型需求的增加，未來對於AI算力的需求將大幅提升。

四是，虛擬實境世界的建構需要AI算力支援。

AI技術為虛擬實境世界提供建模自動化、互動方式智慧化等智慧化賦能，可望提升VR內容生效率與使用者的沉浸式體驗。

VR內容提供者對於快速打造虛擬場景、提高使用者感官體驗的追求，激發了其對於AI算力的需求。

結語

新一輪的算力革命，正在加速啟動。

作為新的生產力，算力仍面臨許多挑戰，需要落實集中算力的普惠功能，真正發揮出「電力」和「石油」的作用。

畢竟，「用得上，用得起，用得好」的算力資源，才是真正的變革生產力的基礎設施。

以上是「大建設」時期，AI算力何去何從？的詳細內容。更多資訊請關注PHP中文網其他相關文章！