这种AI基础设施，正在成为新的大国角力场

◎作者 | 张静波

◎编辑 | 王晓

◎来源 | 华商韬略（hstl8888）已获授权

过去十年，人工智能（AI）大爆炸，并第一次走进普通人的生活。

但蓬勃发展的AI却碰到一个空前棘手的问题：自2012年以来，AI算力需求6年增长30万倍，远超摩尔定律！

人类现有的基础设施，已跟不上AI算力需求的增长。未来，该怎么办？

一百多年前，人类也曾面临同样的难题。

1866年，德国西门子发明自激发电机，开启了人类的电力时代。

此后十几年，虽然很多企业纷纷采用电能这种新的动力，但一台电机只能供应一栋房子或一条街道的现状，制约了电力的进一步普及。

直到1882年，爱迪生在珍珠街建起了第一个中央发电厂，照亮了整个曼哈顿。

与一百多年前相比，今天的世界正发生翻天覆地的变化。

自1946年第一台计算机诞生以来，算力逐渐成为新的电力，推动人类社会不断从物理世界向数字世界迁移。

在此期间，人类对算力的需求不断增长。尤其2012年以后，随着深度学习等算法的突破，AI第一次走进普通人的生活。

一方面，AI的应用场景越来越多，从语音、目标识别，到智慧工厂、智慧城市……乃至战争中的武器。

另一方面，AI模型的大小、算法参数也呈几何级增长，鹏城实验室最新发布预训练大模型，拥有惊人的2000亿个参数！

这样的大模型，以及越来越广泛的应用场景，对AI算力的需求呈现爆炸式的增长。

几年前，谷歌AI负责人杰夫·迪恩（Jeff Dean）曾预言：“我们真正需要的是超过现在100万倍的计算能力，而不仅仅是几十倍的增长。”

即便如此大胆的预测，也还是显得太保守。

事实上，从2012年到2019年，短短七年，人类对AI算力的需求增长了30万倍，平均每100天就会翻倍，远超摩尔定律。

与此同时，AI算力的实际增长却有限，需求和供给之间形成一个巨大的鸿沟。

为了填补这个鸿沟，一种新的AI基础设施诞生了，它就是——人工智能计算中心。

在此之前，人类建过许多大型的计算中心。比如，我们熟知的超算中心，集中了一个国家或地区的最强算力，主要用于科研。

而人工智能计算中心专为AI打造，主要用于AI模型的开发、训练和推理，能够为全社会提供AI所需的专用算力。

这种新的AI基础设施，自诞生之日起，就成为全球主要AI大国的角力场。

比如，美国投资18亿美金，计划在全国打造三个E级超算，其中一个的算力，超过目前全球十大超算的总和。

德国早在2018年就推出国家级人工智能战略，并资助一批高校建设人工智能计算中心。

中国先后在深圳和武汉建成了人工智能计算中心，还有多个城市已开工或者正在筹建人工智能计算中心。

在政府主导下，许多头部企业也纷纷下场。

谷歌自研AI专用的TPU芯片，并通过云平台对外输出AI云服务。微软也宣布，斥资10亿美元，构建一个AI计算平台。

蓬勃发展的AI产业，无限放大了全社会对算力的需求。

为了迈过这道鸿沟，全世界以政府主导、头部企业参建的模式，正掀起一场AI算力的军备竞赛。

在人工智能计算中心出现前，人们是如何解决AI算力问题的呢？

除了超算中心和云计算中心“兼职”外，更多靠企业自建。例如，谷歌早期就用GPU来加速。后来，为了训练AlphaGo，开发了TPU芯片。

但像谷歌这样财大气粗的企业，毕竟是少数。更多的企业，缺乏足够的资金来搭建自己的AI算力。而且不同企业的算力，还分散在全国，各自为政。

以这样的算力，很难训练出大模型，更别提GPT-3这种超级大模型。而后者，是推动AI技术不断进步、产业不断发展的关键。

这有点类似于爱迪生修建珍珠街中央发电厂之前的情况。

彼时，电力还属于少数有钱人或大企业的奢侈品，门槛高，难普及。直到爱迪生修建中央发电厂，改变了这一情况。

未来，AI产业要想大发展，同样需要降低算力门槛。

类似OpenAI那样，花1200万美元，训练一个GPT-3模型的事情，很少有企业或个人负担得起。

解决的办法是，像爱迪生建中央发电厂一样，在各地集中建设AI基础设施，也就是人工智能计算中心，降低AI的算力成本。

一个人工智能计算中心，就像一个电厂，通常包含机房，以及各种软硬件设施。

大名鼎鼎的谷歌TPU服务器机房长这个样子：

在地方政府的产业政策引导下，通过集中建设，这种AI基础设施可将算力普惠地输出给全社会，包括企业、科研机构和高校。

过去，训练一个大模型，动辄上千万美元。如今，企业和开发者，可按需租用算力，花小钱办大事，极大地降低了门槛，加速了AI创新。

这一点，对于AI产业的繁荣，极为关键。

就像电厂一样，人工智能计算中心首先是一个公共算力服务平台。

但，光有算力还不够。电厂之所以是社会经济的发动机，背后是一个生态，包括上下游产业链、设备厂商和终端用户，等等。

因此，人工智能计算中心除了是一个算力服务平台，还是一个AI产业聚集发展平台，能够聚合AI产业链上的各类公司，包括算法公司、数据处理公司、行业集成公司等，形成完整的产业闭环，促进和推动AI产业集群发展。

此外，它还是一个应用创新孵化平台，通过开发者AI创新，与本地优势产业（如制造、医疗、交通、智能电动车等）相结合，让技术转化为产业价值，带动当地产业智能化升级。

以武汉为例，库柏特的智能机器人在武汉人工智能计算中心的支持下，通过视觉处理算法创新，其机械臂每次抓取药盒的拍照时间，从过去200毫秒缩短至50毫秒！

武汉市政府计划，到2023年孵化60个以上类似的AI深度应用场景，形成AI应用示范项目超过100个。

人工智能计算中心也是一个科研创新和人才培养平台，为将来储备技术和人才。

目前，经教育部批准设立AI本科专业的高校已达200余所。有了人工智能计算中心，这些院校可联合行业龙头企业，基于前者充沛的算力，开展技术研发和关键人才的培养。

深圳正是因为最早建立人工智能计算中心，才聚集了31位院士和2000多名科研人员，使得深圳一跃成为国内AI人才高地。

今天的中国，正在打造国家新一代人工智能创新发展试验区。

未来，小到手机、人脸识别，大到无人驾驶、工业机器人……人工智能计算中心将为全社会的智能化，提供源源不断普惠充沛的AI算力，从而托起中国经济的明天。

中国在兴建人工智能计算中心的路上，再次展现了“基建狂魔”的本色。

武汉和深圳之外，包括成都在内，全国多个城市也在积极筹建人工智能计算中心。

充沛的算力，给当地乃至全国经济注入了强劲的动力。

但同时，我们也要清醒地看到，在这个事关未来的AI基础设施建设上，我们还存在短板。

过去十年，中国在目标识别等AI应用上，领先于世界。

可当我们向上捅破天，低下头来建人工智能计算中心时才发现：与西方先进水平相比，自己在AI根技术上还有不小的差距。

电厂的核心是发电机组，人工智能计算中心的核心是芯片。

过去，无论超算还是云计算中心，多采用CPU+GPU组合。如今，人工智能计算中心加入了NPU等异架构处理器，以多样化算力，加速AI计算。

NPU是一种AI专用芯片，可在电路层模拟人类的神经元和突触。与传统芯片相比，AI算力有数十上百倍的提升。

下图对比了CPU、GPU和TPU（谷歌开发的NPU）的数据处理方式。

NPU的这种大吞吐量，对于需要数据清洗、模型生成、训练和推理的AI计算来讲，优势尤其明显。

美国排名第二的打车软件Lyft，自从用了谷歌Cloud TPU，也就是云上AI算力后，以前几天才能干完的活，现在几小时就搞定了。

但无论CPU、GPU，还是NPU，几乎被英特尔、AMD和英伟达三家公司垄断。国内企业在这些底层芯片上的积累，还比较薄弱。

而这，还只是硬件问题。

软件方面，人工智能计算中心是一个算力多样化的平台，如何将众多异架构芯片放在一起还能相互兼容，需要统一的编程框架。

算法是AI的核心。

全世界每天都在产生新的算法和模型，开发者不需要从头学习，但他们需要一个统一的AI算法平台和框架。

目前，全球大多数开发者都选择了谷歌的TensorFlow和Facebook的Pytorch。国内企业与对手还有不小的差距。

有了芯片，有了编程平台和AI框架，再往上，就到了AI应用软件开发平台。

在这一层上，国内企业实力不俗。开发者们在这些平台上，最终做出赋能千行百业的APP。

根技术是AI的基石，只有根深，才能叶茂，才能从底层释放出充沛的算力，支撑起整个AI顶层应用的全面繁荣。

这种从底层算力释放，到顶层应用使能的AI全栈能力，可以用下图一览全貌：

2017年，AlphaGo击败李世石后不久，俄罗斯总统普京曾告诫国内师生：未来，谁成为AI的领导者，谁就将统治世界！

毫无疑问，人工智能已成为全球大国角力的主战场，并在某种程度上，决定了一个国家或地区未来的命运。

早在2017年就发布人工智能国家战略的中国，将AI视为重大的战略机遇，并希望到2025年成为人工智能的世界领导者。

为了实现这一目标，我们还有很多的事情需要做。这其中，最重要、最紧迫的事情之一，就是兴建更多的人工智能计算中心。

从这个意义上讲，深圳与武汉人工智能计算中心的先行，只是这场世纪大戏的开场白而已。