文 | 智能相对论
作者 | 陈泊丞
日前，英伟达CEO黄仁勋和Meta创始人马克・扎克伯格开展了一场“炉边谈话”。
两人作为当今人工智能领域的领袖人物，一边凭借AI芯片的绝对优势占据着算力领域的至高地位，另一边借助开源大模型Llama 3.1强势崛起成为开源领域的标杆。这样的对话为未来AI的发展趋势呈现了不同的视角。
黄仁勋对话扎克伯格
两位大咖的对话为我们描绘了AI技术未来的发展蓝图：从开源的AI算法，到先进的人形机器人，到未来即将普及的智能眼镜，AI技术发展充满了机遇与挑战。未来AI手机、AIPC、AI汽车、智能眼镜、服务器等等各类产品都会实现智能化升级，复杂的模型、海量的数据和计算，都极大地依赖于AI算力支持。
AI算力也正在从专用计算扩展到所有的计算场景，逐步形成“一切计算皆AI”的格局。
事实上，算力厂商们的动作也见证了市场对算力发展的要求。一方面，CPU、GPU、NPU等各种PU，也都被用于了AI计算。
另一方面，在适配不同场景应用的通用服务器上，浪潮信息也在致力于提供兼具高性能与低成本的选择。前不久，基于2U4路旗舰通用服务器NF8260G7，浪潮信息创新采用领先的张量并行、NF4模型量化等技术，实现了服务器仅依靠4颗CPU即可运行千亿参数“源2.0”大模型，再度成为通用AI算力的新标杆。
在今天的市场上，算力的产业地位正在迅速崛起。对应人工智能发展的三驾马车，算力、算法、数据三者终于到达了一个地位相当的状态，走向“并驾齐驱”。
要知道，在AI技术发展的前期，中国庞大的互联网用户群体和丰富的在线数据资源，侧重于数据的发展。而美国在计算机科学、数学和统计学等基础学科方面有着悠久的研究传统，则更聚焦算法的研发。对比两者，算力在前期的关注度就显得弱了许多。
时至今日，三驾马车并驾齐驱。大众对人工智能的发展思路也愈发清晰——AI产业的爆发是算法、算力与数据三者协同发展的结果。而这样的状态也就代表着AI产业正在进入一个全新的阶段。
人工智能产业来到了“过弯点”
现阶段，大模型技术的加速迭代，带来了千亿级大模型的持续涌现与精进。相关的AI应用也在以前所未有的速度和规模渗透到各行各业，并融入日常的生活和工作中。
人工智能产业正在从初步探索进入到了广泛应用的“过弯点”。在这个过程中，AI的三驾马车也到了全面协同发展的关键时刻，才能为场景应用的跨越式升级提供必要的技术支持。
以银行的防欺诈系统为例，早期的系统是基于大数据构建的，通过经验预设规则和统计模型来判断、检测可疑交易。如今，基于更高性能的通用算力整合大数据系统和金融防诈的AI模型，银行防欺诈系统实现了功能升级，不仅具备更高的准确性和更低的误报率，而且还能够根据新的数据自我学习和调整，快速适应新的欺诈模式。
算法、算力和数据三者协同，构成当前AI应用的基本范式。一个成功的AI项目往往需要在这三个方面都做出适当的投入和优化。
算法相当于AI的大脑，负责处理信息、学习知识、做出决策。而数据是算法的基础，如果没有足够的数据，即使是再先进的算法也无法发挥出应有的效果。
而在此基础上，不管是算法的运行还是数据的处理，都离不开算力的支持。特别是在涉及到大量的数据处理、复杂的模型训练以及实时的推理需求等场景中，AI对算力的要求，同时随着场景的规模化普及，还得进一步兼顾经济性。
现如今，针对AI产业的三驾马车，算法、算力和数据层面的升级依旧在同步进行，三者之间的协同在AI行业发展的驱动下达到了新高度。AI产业的加速发展，需要三驾马车的步伐更加一致。
是时候全面调整三驾马车的状态了
人工智能的广泛应用必然要建立在三驾马车协同发展的基础上。在接下来的时间内，针对人工智能产业的升级就需要解决一个关键问题，即如何保持三驾马车并驾齐驱的稳定状态。
一、技术“并驾”：一马当先并非最佳，三马同行最为稳定。
算力、算法、数据三者相辅相成，单一的技术领先无法带来AI产业的全面爆发，必须要另外两项迅速补齐，才能对应解决相关的技术问题。
例如，在当前，千亿级参数、甚至万亿级参数的大模型加速发展，带来了更强大的信息处理和决策能力，为智能涌现提供了基础。但是，算法层面的突破，必然要有算力、数据层面的升级，才能发挥出应用的效果。简单来说，如果没有足够的算力带动千亿级大模型的训练、推理等需求，那么再强大的模型也没有“用武之地”。
要加速人工智能的发展，支撑千行百业最广泛的通用场景，千亿级大模型必须要和大数据、数据库、云等场景相融合，实现高效运行。
但这一目标对计算、内存、通信等硬件资源需求量非常大。为了满足更多用户的AI算力需求，算力厂商不得不考虑如何有针对性地去克服现有的算力瓶颈。以承载千亿参数大模型推理的NF8260G7 AI通用服务器来看，浪潮信息在这方面就做出了专业的设计。
针对千亿级大模型推理过程中的低时延以及所需的巨大内存需求，NF8260G7服务器配置了4颗具有AMX的AI加速功能的英特尔至强处理器，内存方面，NF8260G7配置32根32G DDR5 4800MHZ的内存，内存带宽实测值分别为995GB/s（读带宽）、423GB/s（写带宽）、437GB/s（读写带宽），为满足千亿大模型低延时和多处理器的并发推理计算打下基础。同时，浪潮信息还对CPU之间、CPU与内存之间的高速互联信号走线路径和阻抗连续性做了优化，从而更好地支撑大规模并发计算。
这样的设计与升级，旨在面向算法，进行算力的优化，为接下来千亿级大模型的规模化应用提供了一个非常关键的支撑。
二、系统“齐驱”：三马拉车，重在系统性优化。
随着AI技术的发展，算力、算法、数据三者的系统性越来越强。很多科技巨头都在竞相发力寻找「模型水平高、算力门槛低」的人工智能方案。AI相关的解决方案不再是单一技术的应用，而是综合多个领域的突破实现整体系统性的升级。
举个例子，谷歌的EfficientNet模型通过优化网络架构，在ImageNet数据集上的精度相比传统模型提升了约6%，而所需计算量减少了70%。可见，当前大模型厂商在推动算力升级的过程中，也会考虑到软件层面的创新，提高算力和算法之间的适配运行能力。
为了能让通用服务器更好的运行千亿级大模型，浪潮信息除了对服务器本身进行创新升级外，也对千亿级大模型的参数规模做了优化。基于源2.0的算法研发积累，浪潮信息将1026亿参数的源2.0大模型卷积算子进行张量切分，为通用服务器进行高效的张量并行计算提供了可能，最终提高了推理计算效率。
基于CPU服务器的并行计算
同时，在这个过程中，浪潮信息还采用了NF4量化技术，对模型进行“瘦身”，提高了推理的解码效率等等。
NF4量化技术
当算力、算法走向协同，系统性优化的结果，是建立在两者协同的基础之上，最终目的在于为AI产业的落地提供一个稳定、强大的技术底座。未来，AI产业的全面爆发就需要以更系统的理念去驱动三驾马车的发展。
三、应用“加速”：产业落地需要“三驾马车”的综合最优解。
AI不再是实验室的产物，而是市场竞争的商品。不管是千亿级大模型的涌现，或是算力解决方案的升级，其根本的目标都是推动AI应用的加速落地，走向大众，带来实际性的经济效益。因此，在技术层面之外，行业还需要考虑经济层面的问题。
对比来看，尽管以英伟达GPU芯片为核心的AI服务器在处理机器学习、 学习等高性能计算任务方面表现卓越，但是浪潮信息等算力厂商依旧致力于研发和升级以CPU为核心的通用服务器，这是为什么？
根本原因就在于CPU在通用计算、能效比以及成本效益方面仍然不可替代。特别是关系成本效益的经济性问题，本来就是当前限制诸多场景应用规模化落地发展的关键因素。因为AI专用基础设施的成本居高不下，普通的企业很难承受。而浪潮信息则是提供了一个更低成本、同时兼顾高性能的经济性选择，恰恰正是市场需要的。
基于通用服务器NF8260G7的软硬件协同创新，浪潮信息成功实现了千亿级大模型在通用服务器的推理部署，同时还提供了性能更强，成本更经济的选择，让AI大模型应用可以与云、大数据、数据库等应用能够实现更紧密的融合，助力产业高质量发展。这样的综合最优解，才是产业实现规模化爆发最需要的条件。
结语
AI三驾马车的系统性已经成型，更强大的算力可以支持更复杂的算法模型，从而更好地处理大规模数据。同时，高质量的数据集有助于提升算法的效果，反过来又需要更强大的算力来处理。而算法的进步也可以减少对算力的需求，通过更高效的模型设计降低计算成本。
这种系统性的形成，将极大推动人工智能产业的发展，也为现阶段AI厂商们的产品升级、技术迭代、服务进阶提供了一个关键的大方向。但同时，也意味着新的挑战，即如何去整合算力、算法和数据三者之间的技术与资源，成就新的突破。
*本文图片均来源于网络
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
