据介绍,人工智能面临的最大挑战之一是识别度不高,准确率不高。要提高准确率,必须提高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。当前,随着人工智能算法模型的复杂度和精度越来越高,互联网和物联网产生的数据呈几何级数增长。在数据体量和算法模型的双重叠加下,人工智能的计算需求越来越大。大的。”2016年3月,当谷歌的人工智能AlphaGo(阿尔法围棋)击败韩国棋手李世石时,人们感叹人工智能的强大,但鲜为人知的是其背后的巨额“付出”——数千台服务器、数千的CPU、高性能显卡,以及一盘棋消耗的惊人电量。”远望智库人工智能事业部总监、图灵机器人首席战略官谭明舟在接受科技日报记者采访时表示,“与云计算、大数据等应用相比,人工智能已经对算力的需求几乎是无限的。”中国工程院院士、浪潮集团首席科学家王恩东也指出。据介绍,人工智能面临的最大挑战之一是识别度不高,识别度不高。准确率不高,要提高准确率,需要增加模型的规模和精细度,增加离线训练的频率,需要更强的计算能力。目前,随着人工智能算法模型的复杂度和精度的提高越来越高,互联网和物联网产生的数据呈几何增长讽刺地。在数据体量和算法模型的双重叠加下,人工智能的计算需求越来越大。大的。中国信息通信研究院王云涛在通信世界网发表的文章称,人工智能基础设施建设的一个重要方面是继续夯实通用计算能力基础。当前的算力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“bigdeepmulti”模型的演进,模型计算所需的计算量增长了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直接呈现出阶梯式发展。根据斯坦福的《AIINDEX2019》报告,在2012年之前,人工智能的计算速度紧随摩尔定律,计算能力需求每两年翻一番。2012年后,算力需求翻倍的时间直接缩短到3、4个月。.面对每20年只能翻一番的通用计算供给能力,算力捉襟见肘不言而喻。毋庸置疑,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。未来如何解决算力问题,据科技日报报道,当前计算与存储的融合正在助力和推动算法升级,成为下一代AI系统的入口。内存计算提供的更大规模、更高效的计算能力,让AI算法设计拥有更多的想象空间,不再受制于计算能力。以此将硬件的先进性升级为系统和算法的前沿,最终加速新业务的孵化。除了计算和存储一体化的趋势,量子计算是另一种解决AI所需的巨大计算能力的方式。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础参照,量子计算机的计算能力发展迅猛。
