我想了半天，現在的人工智慧的確就是算力的比拼，誰在將來佔據最多的計算能力，誰就能在ai上取得最大的優勢，因為演算法的發展和效能已經接近一個瓶頸。

以後要想做這個行業，沒有強大的運算能力做支撐是不可想象的。

行業革命的前夜已經到來，這個行業我們和美國基本處於同一水平，各自之間互有優勢。新時代的增長點就在這裡了。

未來伴隨著技術和社會的發展，尤其是現在的現實傳統企業都要線上化，資料化，然後實現高效的資訊化與最後智慧化與自動化！你想如此龐大的資料量，必然需要強大的算力，去進行處理！你看阿里或者騰訊，成立的雲事業部，大資料處理中心全球的佈局。都是很大的處理中心，包括雙十一十二的淘寶等節日的大量銷售額，都需要很強大的支撐系統，你的線上能力，協作能力，然後資訊及時處理能力！未來的萬物互聯以及例如智慧城市等，強大的暴力算力，絕對是不可或缺的！

現階段的人工智慧主要依賴於深度神經網路（Deep Neural Network，DNN）技術，深度神經網路技術非常依賴晶片提供的算力、優質的資料集和深度神經網路的方法。單塊晶片的算力是基礎，多機器多晶片組成的計算叢集能提供超強算力。

深度神經網路，是一種機器學習技術，又被成為深度學習。它主要是對已有資料集的某種模式進行學習，得到一個模型，然後就可以用模型來預測新的資料。例如，對一組影象資料進行學習後，再給定一個新的帶有狗的影象，深度學習模型可以將這張圖片識別為“狗”，如下圖所示。深度學習模擬了生物的神經元面對外部刺激產生應激的機制，因此被冠以神經網路的名字。

整個深度學習模型是透過學習得到的，在學習的開始，模型並不能很好地預測一張圖片的內容是什麼，幸運的是，資料集的這張圖片上標註（Label）了它是“貓”還是“狗”。深度學習模型一般隨機初始化，這時候模型還不能預測一張圖是什麼內容，學習的過程就是不斷逼近標註的過程，一般採用梯度下降（Gradient Descent）的方法，讓模型從一個初始權重（Initial weight）慢慢逼近到最優效果，就可以“學到”資料集中特有的模式。這個學習的過程可以理解成一個暴力計算的過程，當資料量越大，計算機學習到得越準確，也越依賴算力。

神經網路的思想其實在60年代就已經被提出，但是鑑於當年計算機的處理能力有限，無法儲存和計算大規模資料，因此神經網路並沒有取得像現在這樣的顯著效果。進入20世紀，神經網路的發展出現了轉機，幾個關鍵的因素包括：

算力在深度學習中起到了基礎性的作用，它能讓深度學習的暴力求解時間縮短千百倍。算力由晶片提供，比如CPU、GPU、FPGA等各類晶片。以GPU為例，個人桌面電腦CPU只有2到8個CPU核心，資料中心的伺服器上也只有20到40個左右CPU核心，GPU卻有上千個核心。與CPU的核心不同，GPU的核心只能專注於某些特定的任務。有人把CPU比作大學教授，把GPU比作一個學校幾千個小學生：同樣是做加減法，幾千個小學生所能做的計算，遠比幾十個大學教授要多得多。俗話說，三個臭皮匠，頂一個諸葛亮。大學教授的知識結構和個人能力遠強於小學生，能獨立解決複雜問題，小學生的知識有限，只能進行簡單的計算。

上圖為當前最強GPU英偉達V100的設計圖，圖中綠色部分密密麻麻的計算核心，共計5120個核心，一塊這樣的GPU售價7萬人民幣。華為8月剛剛釋出了昇騰910晶片，直接對標這款V100，華為徐直軍稱華為昇騰910的算力完勝V100。

在最頂尖的人工智慧場景，算力都不是單個晶片提供的，而是有一大批高效能的計算機節點組成的叢集來提供的。將整個計算任務劃分成很小的任務，每個節點處理一部分，最後將結果彙總。

比如Google 2018年推出的超越人類閱讀理解能力的深度學習模型BERT，英偉達宣稱，使用92個計算機節點組成的的共計1472塊V100 顯示卡的大型叢集來學習一個BERT模型，需要53分鐘。這個叢集價值近億元人民幣，這樣的算力不可不謂之恐怖。詳情：

https://devblogs.nvidia.com/training-bert-with-gpus/

算力是當前人工智慧技術的基礎，資料量越大，對結果要求越精確，越需要更高效能的算力支援。算力一般由多個計算機節點組成的高效能叢集提供。

計算能力由三部分構成：硬體，軟體，及軟硬體的匹配性。

硬體最直觀的就是超級計算機，世界有一個500強的排名，每年釋出時都引起很大轟動，當然更底層的還有晶片，硬體架構，資料儲存和傳輸等。

軟體簡單說就是演算法，各種滿足功能需要的成熟軟體。人工智慧主要是演算法的開發和軟體化（當然也需要更適合的硬體）。

軟硬體的匹配是最重要的，不匹配就會出現一方的閒置，無法發揮最大能力。

硬體能力強就好比是一個人，身體很強壯，有力量，但不一定能把有些事做好。有的事用蠻力可以，但有些事卻需要技巧和智慧，比如破解密碼，如果死算，再多的計算資源都不夠用，看看《模擬程式碼》這個電影就知道了。人工智慧也是這樣，需要處理大資料，需要機器學習，因此演算法非常重要，好的演算法能起到四兩撥千斤的作用，大幅度降低對計算機的計算量。軟硬體匹配是相對計算需求而言的，好比一個人，總有擅長的，也有不擅長的，計算機也是這樣，要根據需求選擇設計硬體和軟體。

最後，對於人工智慧，還需要高速的傳輸，這樣才能更好的商業化，使萬物互聯，每個人與企業互聯。終端不需要太強的計算資源，而享受高速計算的便利。