訂閱
糾錯
加入自媒體

華為拿什么破解AI核心難題?

2019-09-16 09:26
來源: C114通信網

OpenAI近期發布的研究顯示,僅2012年以來,人們對于算力的需求增長六年就超過30萬倍,平均每年增長10倍,遠遠超過了摩爾定律的發展速度。

作為AI的后入局者,面對AI算力需求的爆發式增長,華為大膽地提出要為業界提供“易獲取、用得起、方便用”的算力。如今,距離AI戰略提出一年,華為是否已經找到算力破局的入口?這亦成為即將到來的2019華為全聯接大會(HC 2019)如此受到矚目的原因之一。

人工智能:第四次工業革命代表技術

17世紀后期,英國采礦業特別是煤礦已發展到相當的規模,單靠人力、畜力已難以滿足排除礦井地下水的要求,而現場又有豐富而廉價的煤作為燃料。現實的需要促使人們致力于“以火力提水”的探索。1769年英國人詹姆斯·瓦特制造了蒸汽機,引起了18世紀的第一次工業革命。

100年后,美國人發明和實現了電力的廣泛使用,引領了19世紀的第二次工業革命。

1946年,世界第一臺二進制計算機的發明,人類在20世紀進入了第三次工業革命,信息技術的發展尤其是移動互聯網的普及極大地改變了人類的生活。

進入21世紀,人類正在迎來以智能技術為代表的第四次工業革命,人工智能、物聯網、5G以及生物工程等新技術融入到人類社會方方面面;驅動全球宏觀趨勢的變化,如社會可持續發展,經濟增長的新動能,智慧城市、產業數字化轉型、消費體驗等。

人工智能是一系列新的通用目的技術(GPT),包括自然語言處理、圖片識別、視頻分析等。人工智能是信息化進程的新高度,信息技術帶來了效率的提升,人工智能則帶來生產成本的變化。行業+AI,人工智能將會改變每個行業、每個職業、每個組織、每個家庭和每個人。

華為拿什么破解AI核心難題?

易獲取、用得起、方便用的算力是AI發展關鍵

時代又仿佛回到了對采礦行業非生物動力需求極大的17世紀,進入21世紀,人工智能也對算力提出了強勁的增長需求。AI算力需求的急劇增長與傳統CPU算力緩慢提升(每年10%)之間存在巨大矛盾,全球掀起造芯運動,加速算力成本降低和AI應用普及。

人工智能的支撐要素包括算力(工業云計算和邊緣計算)、數據(工業大數據)和算法(工業人工智能),在中國,基于人口規模和經濟的發展程度,在數據和行業應用都在全球處于領先地位。但是AI算力資源卻很稀缺而且昂貴,各行業應用需要越來越強勁的AI算力。

算力價格貴、使用難和資源難獲取是目前AI發展的三大瓶頸:

·價格貴:現在人工智能整個訓練的過程,譬如訓練人臉識別、交通綜合治理、自動駕駛,模型的訓練成本非常高昂的。

·使用難:缺乏一個統一的開發框架,無法適配從訓練到推理,從公有云到私有云、邊緣、終端的多種應用場景,開發、調優、部署的工作量巨大。

·難獲取:業界用于AI計算的GPU供貨周期長,限量供應等,導致硬件資源不易獲取。

業界開發大規模AI訓練芯片的主要廠家,比如英偉達、谷歌和華為都推出了自己的AI訓練芯片。英偉達Tesla V100 GPU最高提供125 TeraFLOPS深度學習性能,最大功耗為300瓦特。Google I/O 2018開發者大會上,Google推出了第三代TPU 3.0,最高提供90 TeraFLOPS深度學習性能。華為在2018年10月的全聯接大會上發布了針對AI訓練場景的昇騰昇騰910 AI處理器。昇騰910 AI處理器,是當前計算密度最大的單芯片,適用于AI訓練,可提供256 TeraFLOPS的算力,最大功耗為310瓦特。

華為拿什么破解AI核心難題?

面向人工智能這個大的時代潮流,算力的稀缺和昂貴在一定程度上制約了當前的人工智能發展。華為認為,易獲取、用得起、方便用的算力,是AI產業發展的關鍵。

華為拿什么破解AI核心難題?

華為數十年長期聚焦在ICT基礎設施研發和建設領域,深刻理解運營商和企業用戶的使用場景,以“高起點”和“全棧全場景”入局AI領域,真正提供普惠的、強大的算力。

華為昇騰系列AI處理器采用了面向張量計算的達芬奇3D Cube架構,該架構面向AI的全新突破性設計,為昇騰AI處理器提供了超強的AI算力,使得芯片具有高算力、高能效、可擴展的優點。基于統一的達芬奇架構,華為可以支持Ascend-Nano、Ascend-Tiny、Ascend-Lite、Ascend-Mini、Ascend-Max等芯片規格,具備從幾十毫瓦IP到幾百瓦芯片的平滑擴展,天然覆蓋了端、邊、云的全場景部署的能力。

“達芬奇架構可大可小,從Nano一直到Max、從穿戴設備一直到云,可以全場景覆蓋;我們推出MindSpore的目的就是協同達芬奇架構來面向全場景的。也就是說,在端、邊緣、云都可以訓練和推理,還可以進行相互協同,這是現在其他的計算框架所做不到的。”華為輪值董事長徐直軍在先前的媒體采訪中表示。

AI訓練的耗時與模型的復雜度、數據集和硬件資源的配置是強相關,在天文研究、自動駕駛訓練、氣象預測、石油勘探等大規模訓練時,硬件資源尤其顯得重要。人工智能的快速發展,得益于硬件和云計算技術的提升,更得益于各個行業數字化帶來的大量的數據來訓練模型。開發平臺要求從原始數據到標注數據、訓練數據、算法、模型、推理服務,實現千萬級模型、數據集以及服務對象的全生命周期的管理。

同時,無智能不成云,全棧發展走向縱深,AI已經成為云的基礎業務,實現云端訓練和推理。在云上部署,支持在線和批量的推理,滿足大規模并發的復雜場景需求。云、AI、IoT協調使能藍海市場,在智慧家庭、物聯網和車聯網等場景,構建云+AI+IoT的綜合解決方案,開拓新的人工智能市場

華為的AI戰略包括投資基礎研究,在計算視覺、自然語言處理、決策推理等領域構筑數據高效(更少的數據需求)、能耗高效(更低的算力和能耗),安全可信、自動自治的機器學習基礎能力;打造全棧方案,面向云、邊緣和端等全場景的、獨立的以及協同的、全棧解決方案,提供充裕的、經濟的算力資源,簡單易用、高效率、全流程的AI平臺。

華為全球產業展望(GIV)報告顯示,全球數據量將從2018年32.5ZB快速增長到2025年的180ZB。對于企業,AI算力需求每三個月增長一倍,AI應用率到2025年將達80%。不難發現,在算力領域已取得突破的華為,站在了一個巨大的時代風口之上。

聲明: 本文系OFweek根據授權轉載自其它媒體或授權刊載,目的在于信息傳遞,并不代表本站贊同其觀點和對其真實性負責,如有新聞稿件和圖片作品的內容、版權以及其它問題的,請聯系我們。

發表評論

0條評論,0人參與

請輸入評論內容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續

暫無評論

暫無評論

文章糾錯
x
*文字標題:
*糾錯內容:
聯系郵箱:
*驗 證 碼:

粵公網安備 44030502002758號

吉林11选5开奖视频