人工智能走向深度学习

据介绍，人工智能比较大的挑战之一是识别度不高、准确度不高，提高准确度就要提高模型的规模和精细度，提高线下训练的频次，这需要更强的计算力。当前随着人工智能算法模型的复杂度和精度愈来愈高，互联网和物联网产生的数据呈几何倍数增长，在数据量和算法模型的双层叠加下，人工智能对计算的需求越来越大。

“2016年3月，谷歌人工智能阿尔法围棋（AlphaGo）战胜韩国棋手李世石时，人们慨叹人工智能的强大，而其背后巨大的‘付出’却鲜为人知——数千台服务器、上千块CPU、高性能显卡以及对弈一场棋所消耗的惊人电量。”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受科技日报记者采访时表示。

“相比云计算和大数据等应用，人工智能对计算力的需求几乎无止境。”中国工程院院士、浪潮集团首席科学家王恩东也指出。

据介绍，人工智能比较大的挑战之一是识别度不高、准确度不高，提高准确度就要提高模型的规模和精细度，提高线下训练的频次，这需要更强的计算力。

当前随着人工智能算法模型的复杂度和精度愈来愈高，互联网和物联网产生的数据呈几何倍数增长，在数据量和算法模型的双层叠加下，人工智能对计算的需求越来越大。

从中国信息通信研究院王蕴韬在通信世界网发表的文章了解，人工智能基础设施建设重要一方面是继续夯实通用算力基础。当前算力供给已经无法满足智能化社会构建，根据OpenAI统计，从2012年至2019年，随着深度学习“大深多”模型的演进，模型计算所需计算量已经增长30万倍，无论是计算机视觉还是自然语言处理，由于预训练模型的广泛使用，模型所需算力直接呈现阶跃式发展。

据斯坦福《AIINDEX2019》报告，2012年之前，人工智能的计算速度紧追摩尔定律，算力需求每两年翻一番，2012年以后，算力需求的翻番时长则直接缩短为3、4个月。面对已经每过20年才能翻一番的通用计算供给能力，算力捉襟见肘已经不言而喻。

无疑，人工智能走向深度学习，计算力已成为评价人工智能研究成本的重要指标。

未来如何解决算力难题，据科技日报报道，目前计算存储一体化正在助力、推动算法升级，成为下一代AI系统的入口。存内计算提供的大规模更高效的算力，使得AI算法设计有更充分的想象力，不再受到算力约束。从而将硬件上的先进性，升级为系统、算法的领先优势，最终加速孵化新业务。

而除了计算存储一体化的趋势，量子计算或是解决AI所需巨额算力的另一途径。目前量子计算机的发展已经超越传统计算机的摩尔定律，以传统计算机的计算能力为基本参考，量子计算机的算力正迅速发展。