独行穿落叶,闲坐数流萤。

授权品牌卖家

  • 16042823

    总访问

  • 24388

    文章数量

高速梯子怎么修安卓苹果APP

内置常用软件的定制化加速方案,实现 无配置,易上手 的产品体验,提供专业、稳定、可靠的服务质量。
立即下载

点击上方“蓝色字体”,选择 “设为星标”

关键讯息,D1时间送达!

浪潮集团执行总裁、首席科学家王恩东院士15日在浪潮数据中心合作伙伴大会上表示,智慧时代,计算需求呈指数级增长,计算技术、产品与产业面临着多元化、巨量化和生态化的新挑战。计算产业迎来由计算到智算、多元算力融合、算力供给基建化的新格局。

当天,“浪潮数据中心合作伙伴大会(IPF)2021”在苏州举行,王恩东在出席大会时作如上表述。

智慧计算无处不在,重塑着世界的方方面面,为第一、二、三产业发挥重要价值——无人农场、智能农机、智慧农业正在改变延续了上千年的农业生产方式;智能工厂让生产效率显著提升;医疗机器人在抗击新冠疫情中大显身手,无接触送货、无人机送餐也已成为智慧物流的亮点。智慧计算已经渗透进各个行业,让智慧时代充满希望。

十四五,数字经济推动智慧算力加速普及和升级,智慧时代,计算能力需求将出现巨大的飞跃。王恩东说:“面对指数级增长的计算需求,计算技术、产品与产业也面临着三大挑战。计算场景愈加复杂、计算架构更加多元;巨量模型、巨量数据、巨量算力及巨量应用挑战着现有计算机体系结构,以及如何开放包容地最大化生态效能。”

王恩东表示:“以创新应答挑战,浪潮通过创新智算体系结构、构建智算产品体系、推动智算中心落地、建设元脑产业链生态引领智算发展。智慧计算,未来可期。”

以下是演讲全文:

各位领导、合作伙伴大家上午好,欢迎大家来到太湖之滨,莅临“智算·向新”浪潮数据中心合作伙伴大会,正是由于在座各位的大力支持,浪潮在过去的一年又取得了高速的发展,继续保持服务器全球第三,中国第一,并且成为全球人工智能计算的领导者。在此,感谢大家一年来对浪潮的支持和帮助,谢谢大家!

过去的一年,是极不平凡的一年。全球新冠病毒肆虐,彻底改变了人类的生活方式。“绿水青山妄自多,全球无奈病毒何”,全球经济出现大幅下滑。中国率先控制住了疫情,率先实现了经济恢复和增长,完胜脱贫攻坚战,制定了激动人心的十四五规划,宣告中国进入新的发展阶段,将构建以国内大循环为主体、国内国际双循环相互促进的新发展格局。

在过去的一年,大家听到最多的一个词就是创新,创新在新发展理念中的核心地位深入人心,创新驱动发展也是十四五规划的关键词。总书记讲,创新就是生产力,企业赖之以强,国家赖之以盛。创新也是浪潮的核心价值观之一,创新、诚信、共赢更是浪潮坚持发展合作伙伴、建设生态体系的初心。

那么,立足新的发展阶段、我们应该如何贯彻新发展理念、构建新的计算产业发展格局?带着这样的问题,今天我要报告的题目是《创新驱动 共建计算新格局》,和大家分享一下,面对经济主战场数字化转型的重大机遇,浪潮对于计算向智算发展、多元融合新格局的洞察与思考,以及通过技术架构和产品体系创新、算力供给模式创新和生态平台建设进行布局的规划。

既然是思考,我们不妨把时间维度放大一点。在百万年以前,人类的祖先走出森林,走向草原,逐渐形成了人类智能,经历了渔猎采集时代、农业时代、工业时代和信息时代,创造了光辉灿烂的文明和科技。随着以人工智能为代表的新一代信息技术的进步,人类社会正加速度进入智慧时代,这是对终点的冲刺,还是新的百万年的开始?我想这可能是一个值得思考的问题。为什么这么说?

我们来看一些关于人类大脑和未来的人工智能的大脑,或者说硅基大脑和碳基大脑发展的情况。

类脑计算是全球的研究热点,清华的施路平教授在去年曾经说:“碳基上能够实现的,硅基上一定能够实现”。而实际情况也显示,碳基生物大脑同硅基系统结合已不再仅仅停留在科幻小说、科幻电影中,而是逐步在形成科学与技术的突破。

比如就在最近,埃隆·马斯克公布了一项脑机接口的最新实验,科学家们在猕猴的大脑皮层中植入两块芯片来捕捉大脑活动的信号,实现了将大脑信号翻译成游戏里的动作。如此一来,猴子动动脑子便可以打乒乓球电子游戏了,脑机接口技术延伸了生物大脑。

在中国,2020年人工智能学会评选出的自然科学类5个一等奖中,有2个都是关于类脑计算和脑机接口的,最近一个时期,脑机接口技术获得了显著的进展。

我们已经看到了人工智能技术的大爆发,但是,站在人类历史这个更大的时空维度上,我想这一切才刚刚开始。

现在,我们创造了无数的智慧大脑,城市大脑、交通大脑、企业大脑等等,这些正在改变世界的方方面面。

在第一产业,无人农场、智能农机、智慧农业正在改变延续了上千年的农业生产方式。在黑龙江,浪潮与北大荒集团合作建设智慧农业,开拓了全球最大面积的无人农场,智能农机覆盖了农业生产的耕、种、管、收全流程。

2020年中国农业无人机的销量超过了1.5万架,一架无人机一天农药喷洒面积达到300亩,是人工的20倍。无人机装载了病虫害识别系统,及时发现受到病虫害侵袭的叶子,实现农药的喷杀精准,减少了农药的使用量。另外,通过精准喷洒催熟剂,实现作物生长成熟周期同步、规模化批量收割,成本大大降低、利润率大幅提升。

在第二产业,2020年我国制造业增加值达到26万亿,继续保持世界第一制造大国地位。智能制造是数字经济的皇冠,正在成为各国抢占数字经济制高点的主战场。作为双循环基础发力点,智能制造将成为提升我国整体制造业水平不可忽略的增长引擎。

中国智能制造装备产值规模在2020年已经超过了两万亿。就在苏州,浪潮建设了一座PCBA智慧工厂,整个生产制造过程弹性、透明、可追溯,智能技术贯穿了设计、生产、配送和检测的全流程,生产效率提升了60%以上。

智慧计算已经对第三产业形成了深刻的改变,在突如其来的新冠疫情面前更是发挥了巨大的作用,各种功能的医疗机器人等人工智能设备服务在各地的防疫前线,无接触送货、无人机送餐成为智慧物流的亮点。

浪潮和工商银行合作,形成了智慧金融解决方案,帮助更多人实现了创业的梦想;在上海奉贤区智行生态谷,基于浪潮智算平台建设了一条无人驾驶实验公路;在北京天坛医院,浪潮建设的智慧医疗平台,帮助医生实现了更快速、更准确的病情分析。

同时,智慧计算也已经成为守护大自然的好帮手。在云南,浪潮协助西双版纳国家自然保护区建设了亚洲象活动轨迹采集系统,在雨林内实时收集亚洲象的行为数据和活动轨迹,基于人工智能技术实现毫秒级精准辨识,准确度高达99%,即使在光线不足的夜晚,也可以根据一条尾巴或一个背影识别出亚洲象。

通过对野生大象的长期追踪和观测,为洞察大象物种习性、种群迁移轨迹提供帮助,进而对合理的开展亚洲象国家公园区域规划、栖息地改造、食源地优化等保护举措提供科学依据。

通过上面的例子可以看出,智慧计算时代的序幕已经拉开,人工智能已经开始渗透到经济社会的方方面面,在深刻地影响着我们的工作和生活,在这个过程中,浪潮一直发挥着重要的作用。

智慧时代是充满希望的,我们看到全球主要经济体都在积极投入到人工智能的技术研究和产业发展中,中国、美国、欧盟都发布了多个重要的支持政策,投入了巨量的研发基金。根据IDC的数据,2020年全球对人工智能的投资总额超过了500亿美元,到2024年,投资额将达到1100亿美元。投入是巨大的,而回报也将是丰厚的。据普华永道预测,至2030年,人工智能技术将为全球GDP带来14%的提升,相当于16万亿美元。

进入智慧时代,相比以往的传统信息化应用,对计算能力的需求将是一个巨大的飞跃。传统的信息化应用主要以基于数据库事务的业务为主,像OA、ERP、邮件等,计算量随着业务量的增长基本是线性增长的,但是智慧计算对计算能力的要求则是指数级增长的。2020年以GPU为代表的AI加速芯片所交付的计算力总和已经超过了通用CPU,预计到2025年,加速芯片所提供的计算力可能超过80%。所以,从计算到智算,智慧计算将是智慧时代的核心动力。

智慧时代,生产力的三要素也发生了相应的改变。劳动者从人转向了人加上AI,劳动效率显著提升;劳动工具从传统的机械设备变成了智能装备,就像我们前面讲到的智能农机;而劳动对象从矿石、农作物等转变为大数据,数据作为重要的生产要素,蕴含了巨大的价值。

面对指数级增长的计算需求,计算技术、产品与产业也面临着新的挑战。具体来说,体现在以下三个方面,一个是多元化的挑战,也就是计算场景的复杂、计算架构的多元;一个是巨量化的挑战,也就是由巨量模型、巨量数据、巨量算力及巨量应用引发的对现有计算机体系结构的挑战;最后一个则是生态化的挑战,简单来说现在的智算处于群雄并起阶段,自成体系、生态离散,同时产业链上下游脱节。

第一个挑战是多元化。计算最关键的任务就是支撑业务,那么不同的业务类型,势必要求有不同的计算系统来完成。例如针对传统的地震波模拟等科学计算,数值精度要求高;而AI训练,则可以使用数值范围大、精度低的16位浮点类型;对于AI推理,由于推理要求的速度快、耗能少,则可以在更低的数值精度下处理,如4位、甚至2位、1位整数类型。

也就是说,AI的应用引入了新的计算类型,从推理到训练,跨度更大,同时,数据量也从GB级到TB级、PB级不断提升,类型从结构化到半结构化、非结构化更加复杂多样。

不同数值精度的计算类型对于计算芯片指令集、架构的要求是不一样的,这样就导致之前我们一直使用的通用CPU已经无法满足这种多元化计算场景要求了,这也是计算芯片的种类越来越多的很重要的原因。

芯片种类多另外一个原因就是芯片代工模式的普及,现在芯片设计、制造的关键环节都有开源开放的软件、工具或代工企业可以利用。但是芯片从造出来到大规模用起来,往往还隔着一个巨大的生态鸿沟。芯片应用一般都面临着开发者学习成本高、用户应用迁移困难、芯片制造公司难以上规模的困难和挑战。

在有些芯片造出来后,面向开发者的帮助文档、调试工具或者交流问答社区建设不足,导致开发者学习时间长,难度大,如果学习多个芯片,难度更大,开发者的学习积极性下降。而对于芯片的最终使用者来说,由于芯片指令集或芯片架构的差异,导致编程库、编程模型、算法框架无法有效的横向拉通,致使大量的应用迁移困难,可能只是1%的小小的依赖,就会导致适配工作前功尽弃。

而芯片供应商如果想解决开发者的问题、想解决使用者的问题,则往往需要投入比芯片研发成本高数十倍的推广费用。例如,我们往往认为Intel是一个硬件公司,其实在Intel内部有超过1万人在围绕芯片的配套支撑、应用适配、优化调优做工作。英伟达公司的CUDA软件环境更是通过长期的大规模投入,才打造了其GPU在HPC和AI方面的领先地位。

第二个挑战是巨量化。巨量化首先表现在模型参数多、训练数据量大。

以自然语言处理为例,基于自监督学习的预训练模型兴起后,模型精度随着模型尺寸和训练数据的增加而显著提升。2020年GPT-3模型的参数量首次突破千亿大关,达到了1750亿。按照当前的发展趋势,到2023年模型的参数量会突破百万亿,也就是基本达到人脑神经突触数量,人脑的神经突触数量约125万亿。

巨量模型需要巨量内存。当前一颗GPU的板载高速内存容量大概是40GB,对于包含百万亿参数的巨量模型,仅是将这些参数平均分配到每个GPU内存中,就需要1万块GPU才能装得下。考虑到训练中需要额外的存储,实际上至少需要2万块GPU才能启动训练。现有AI芯片的架构已经不足以支撑巨量模型的参数存储需求。

同时,巨量模型依赖海量数据的喂养,目前的AI算法本质上还是一种依赖量变的质变,很难从一种质变跳跃到另一种质变,例如最新的巨量模型需要万亿级的词量数据。海量数据需要海量存储。在超大规模集群中同时满足几万块AI芯片的高性能读取,对存储系统是个极大的挑战。

巨量化的第二个表现是计算力需求指数增长

深度学习自2011年兴起至今,对算力的需求始终呈指数增长。每隔3.4个月,算力需求翻一倍。左图中纵轴Petaflops*day代表以1P每秒的算力计算一天所用浮点计算量,共计8.6千亿亿次浮点运算,就像用千瓦时度量用电量,天文学以光年为单位
标签

加速器

发布日期

2021年08月02日

阅读次数

6319