“巧妇难为无米之炊。”国家超算中心主任冯圣中引用这一经典俗语，生动地将驱动AI“三驾马车”中的算法比作“巧妇”，数据比作“米”，算力比作“火”，人工智能的发展是算法、数据、算力共同作用的结果，三者缺一不可。
　　在他看来，算力供给是人工智能技术优化的关键要素。算法已维持了一段较长时间的发展，数据也获得了一定量的积累；对比10年前的算力水平，如今的算力水平已实现飞速提升，这种增速是不敢想象的，此外，应用端也依赖于算力。
　　AI时代算力消耗量增速远超摩尔定律每18个月翻番的速率。据OpenAI数据，2012-2020年，人工智能训练任务中使用的算力呈指数级增长，最大人工智能模型训练所需算力平均每3.4个月翻一倍。
　　眼下，一场激烈的算力资源角逐赛已拉开帷幕。在人工智能浪潮的催化下，越来越多参赛方加入。
4月27日，鹏城云脑·新一代人工智能创新应用研讨大会举行。
　　学界关注创新，产业关注成本
　　“得算力者得天下”。冯圣中在鹏城云脑·新一代人工智能创新应用研讨大会上与南方财经全媒体记者交流时直言。
　　多年以前，他调研了一家汽车制造企业，这家企业招聘了60几位博士，运用算力去计算某一生产环节，最终实现成本最优。这无疑让企业在“厮杀”激烈的赛道中竞争力更强。
　　冯圣中笑言：“搞创新一定要算。现在有很多投资人会私下问我，最近有没有初创企业在大规模使用算力。如果有一定要推荐给他们。”
　　然而，现场有院士坦言，对于很多中小企业而言，即便得到了算力，也不知道如何使用，而是要依托大模型去做进一步开发。
　　不同于学术界关注创新，企业端对于大模型的商业化应用，更加关注成本。
　　平安集团首席科学家肖京表示，“大模型并不是今年才有的，平安此前在实际应用场景中大部分采用判断式的模型，用来做研报的自动解读、抽取关键信息、发现风险线索等。但对于生成式模型，直到ChatGPT探出来一条可行之路后，大家才发现它有较好的落地场景。此前没有较好的落地场景，一方面是它的效果不够好，另一方面是成本特别高。”
　　在进一步分析生成式大模型商业化价值时，肖京认为，虽然生成式大模型的能力已有明显体现，但能产生大量的实际业务价值还依然有较长道路要走。在金融领域，他较为看好大模型在辅助人工作业方面的应用场景，比如保险的核保理赔客服等业务场景。
　　在大厂的游戏下，初创企业切口要细
　　结合近期各大互联网厂都在“军备竞赛”的大模型，这不由得让人思考，大厂在掌握算力和模型之后，是否会进一步阻碍中小企业创新。
　　“实际上，算力门槛某种意义上就是资本门槛。”冯圣中表示，大科学装置，包括国家超级计算中心，本质就是要平衡两者之间的发展。“有时候我会开玩笑说，如果我们想挣钱，就应该去建超市，而不是超算。”
　　同时，初创企业更多应该思考如何找准一个好的切入点。“颠覆性机会深藏在细分应用场景中，不是每个公司都要去开发一个中国版ChatGPT，做一个硬碰硬的创新”。冯圣中说。
　　大企业有大企业的创新领域，小企业有小企业的做法。冯圣中举例道，“在我们平台上的超算应用软件并不算多，只有1000多款，但若是这款软件有独特的竞争力，全世界的科学家都会选择使用它。”
　　而这个背后的核心竞争力，来自于团队对细分领域20-30年的积累。这意味着，团队内有一批懂技术、懂应用场景的人才。“目前中国非常欠缺这样的人才，但这样的团队却能做到以小博大。”冯圣中说。
　　现阶段，冯圣中认为可以从算力供给和算法创新两个方面来解决问题。“一方面，要尽快构建大的算力平台，为相应业态的创新提供支撑。另一方面，要对算法进行创新，让企业借助算法，用最小的算力，达到最大化的效果。而这两个方面的工作需要并行推进。”
　　值得一提的是，这对于一般企业而言，是一笔不小的投入成本。因此，肖京建议政府牵头建设统一的数字化底座，支撑产业更加高效、完整、全面地推行数字化建设。
　　AI for Science狂飙
　　在本次会议上，也有学界代表认为，AI不应该局限于细分应用领域。
　　鹏城实验室智能部副主任、北京大学深圳研究生院信工院院长田永鸿认为，在现实场景中很多人工智能技术往往应用落地效果不好。“这是一个‘从理论算法、到关键技术、再到系统或产品’的很长链条，因此走到最后往往转化不好。实际上，也许AI最强的能力，就是它可以把基础科学研究和关键技术突破连接起来。”
　　因此，田永鸿提出了AI for X（everything）的观点，这是包括AI for Science、AI for Industries等在内的AI应用新模式，能把基础科学研究、关键技术突破以及产业应用连接在一起，驱动科学发现和产业发展。
　　“一切科学技术只有具有坚实的基础科学研究基础，才能取得颠覆性或长期性的进展，可以说强大的基础科学研究是建设世界科技强国的基石，所以AI推动基础科学的进展或许比ChatGPT对我们更重要。”田永鸿表示。这意味着传统科学领域将是AI的下一个战场，尤其是深度学习将给自然科学带来变革性的影响。
　　目前AI在自然科学上的变革力量正在显现。2020年，DeepMind宣布，AlphaFold2已经成功解决蛋白质折叠的问题。DeepMind对2.14亿蛋白质序列进行结构预测，数量提升200倍，几乎覆盖了地球上所有己进行过基因测序的生物体。
　　AI解决结构生物学50年难题。中国科学院院士施一公感叹道，这是人工智能对科学领域最大的一次贡献，也是人类在21世纪取得的最重要的科学突破之一。
　　全球IT厂商、产业界、学界纷纷开始布局AI for Science。目前在药物发现、材料筛选、可控核聚变、EDA芯片布局等领域应用备受重视。
　　“鹏城实验室正在布局大科学工程和大科学装置的互相牵引。北大也正在做科学智能创新联合体，将北京大学、新型研发机构和先进的企业连接在一起，打通从基础科学到关键技术再到领军产业应用的生态链条，期望未来会对基础科学研究和产业均产生重大影响。”田永鸿说。
（文章来源：21世纪经济报道）