元宇宙

来袭-AIGC、XR元宇宙、量子计算、高性能计算…多位大咖探讨行业破局之道

作者:CETCIT小编

2022-12-15 21:19:02

来源:封面新闻

封面新闻记者 吴雨佳

究竟什么样的技术和解决方案能够引领时代级变革?终极场景价值又将在何时何处抵达?企业该如何穿越周期、生生不息? 12月14日,在由量子位主办的MEET2023智能未来大会上,中国工程院院士、清华大学计算机科学与技术教授郑纬民、高通Ziad Asghar、小冰公司首席执行官李笛、百度量子计算研究所所长段润尧、阿里巴巴集团副总裁、阿里云计算平台事业部负责人贾扬清等多位产学研行业人士探讨和分享了行业破局之道,议题兼具理论与行业深度,涵盖AIGC、XR元宇宙、量子计算、高性能计算等各个方面。

郑纬民院士:AI基准的设计能达到4个指标

人工智能算力是当前人工智能领域发展的关键,中国工程院院士、清华大学计算机科学与技术系郑纬民分享了他们所在团队对人工智能的三件事。简单来说,就是AI与算力基础设施的设计、评测和优化。


郑纬民院士

第一件事,提出了一种AI算力基础设施的架构和平衡设计原则。目前全国20多个人工智能超算中心基本上都采纳了他们团队的设计思想。

首先,他谈到了HPC与AI之间的不同,包括应用领域、运算精度等方面。基于此,他们提出了人工智能计算机设计的平衡性原则,包括计算平衡设计、网络平衡计算、IO子系统设计。

目前,行业整体趋势是HPC+AI+BigData融合在一起。未来两到四年,三者融合的服务器就会出现。

第二件事,就是大规模人工智能算力基准评测程序AIPerf。

传统的AI算力评测基准存在着只针对单个芯片、只是移动端的硬件、可扩展性不好等问题,因此整个行业没有太合适的,于是他们就决定自己做一个。

AI基准设计要达到这四个目标:统一的分数、可变的规模、具有实际的人工智能意义、评测程序包含必要的多机通信。最终,以清华大学为主要团队做了AIPerf来测试,已于2020年11月15日发布。

第三件事,就是百万亿参数超大规模训练模型的加速方法。

学界达成一个基本共识,那就是模型规模和模型效果呈正相关关系。但模型规模上去了,CPU的内存、计算能力是有限的。因此大模型训练一定是多机的,分布并行的。

现在主要有三种并行方式:数据并行、模型并行、专家并行。他们把这三种并行训练模型开源到FastMOE系统当中,得到了工业界许多认可。

高通Ziad Asghar:如何让「智能网联边缘」成为现实

高通技术公司产品管理高级副总裁Ziad Asghar提出AI处理的重心正在持续向边缘侧转移。原因有多方面,大量的数据在边缘侧产生,当今消费者希望拥有更好的数据隐私、希望数据可靠,并希望及时获取处理结果。


高通Ziad Asghar

Ziad相信,目前我们所利用的终端侧AI能力还只是冰山一角,而从智能车到元宇宙,终端侧AI的需求巨大。

潞晨尤洋:AI落地面临很大问题,是最先进的 AI 技术训练成本太高

潞晨科技董事长兼总裁、新加坡国立大学校长青年教授尤洋,则介绍了一种全新的AI大模型解决方案Colossal-AI,面向未来各种大模型应用场景的低成本落地。


潞晨尤洋

首先,Colossal-AI解决的是一个什么样的问题?从过去AI模型发展的参数量来看,2016年—2021年模型大小从200多万增长到了1.6万亿,相当于翻了成千上万倍。而不管是大企业、小企业,大家都普遍把自己的模型做得更大,因为效果会更好。

但一个很大问题是,大模型或者是最先进的AI技术训练成本太高了。Stability AI每年光花计算的钱就大概2000万美元。

因此未来迫切需要一个可扩展、高效的计算基础设施Colossal-AI。

其次,Colossal-AI主要由三部分组成。

1)高效的内存管理系统。因为大模型本质上还是太吃内存。

2)自动的N维并行技术。

3)大规模优化技术。

从三方面把AI模型的训练部署性能提到最高,目标是希望用户只需要在自己单机笔记本上写好代码,通过Colossal-AI能够无缝地部署到云端或者是超级计算机上。

目前训练大模型主要有三种并行方式:数据并行、张量并行、流水线并行。

Colossal-AI的解决方案首先是支持了上述主流并行方案,然后我们创新性地打造了2D张量并行、2.5D张量并行以及3D张量并行,以及提出了数据序列并行,还提供了降低显存消耗的异构内存管理和大规模并行优化,把它们整合起来提供一套自动并行的解决方案。

其实AI工程师、研究员,不需要理解背后的技术细节,只需要把模型的信息、计算资源告诉我们,就可以自动地把计算资源能力发挥到最大化,同时完成虚拟模型训练和自动部署,轻松低成本应用AI大模型。

浪潮刘军:智算力就是创新力

浪潮信息副总裁、浪潮人工智能与高性能计算产品线总经理刘军分享的主题是“AI新时代 智算力就是创新力”。


浪潮刘军

刘军提出了“算力当量”的概念,用PetaFLOP/s-days(PD)这个指标来衡量算力消耗,也就是每秒千万亿次计算完整运行一天,完成一个任务需要多少这样的计算量。

比如特斯拉的DOJO用于感知模型的训练和仿真,算力当量是500个PD。AlphaFold2的训练消耗300个PD。

再加上AI大模型训练、数字人的建模和渲染等方向,我们可以确切地感受到今天在AI领域的众多创新背后离不开智算力的支撑,所以我们可以说智算力就是创新力。

接下来,刘军还分享了当前智能计算发展的三个重要趋势:

第一是算力多元化。在国内市场上有十几种CPU芯片、将近100种AI算力芯片,原因是算力应用场景多元化。这就需要从系统的硬件角度、从平台的软件角度来进行相应的创新支撑。

第二是模型巨量化,大模型使得AI从五年前的能听会看走到今天能思考、会创作,下一步甚至到会推理、能决策的进步。下一个挑战是如何把大模型能力交付到众多中小企业手中,帮助他们实现智能化转型。

第三是元宇宙。现在元宇宙的构建包括协同创建、高精仿真、实时渲染、智能交互,每一个环节都需要大量算力去支撑。这里不光是AI计算,还有仿真计算、图像渲染计算,这对算力基础设施的硬件平台和软件栈都提出了更高的要求。

小冰李笛:我们为什么想和ChatGPT交流?

小冰公司首席执行官李笛分享了对大家更有借鉴意义的行业趋势。

李笛认为,每一次技术变革都是在改变人与世界/人与人之间的关系。


小冰李笛

在人与世界关系这条线上,我们经历了门户网站、搜索引擎、推荐算法。

它们利用计算机系统实现了高并发,一次触达很多用户。但缺点是转化率低,如果想提高转化率就需要人工客服,人力成本巨大。

下一站,该看向AI Being。

AI Being与之前的人机交互相比,关键不同在于高转化率,如小冰岛App的留存率就高达39%。

另一个例子是ChatGPT,通过它获取知识比搜索引擎的准确度要低,但为什么人们都愿意和它交流?

人们在使用它时往往心里已经有了答案。如果ChatGPT给出的结果都准确,那人们会认为它很强大,即使不准确,人们也会觉得很有意思。

其实ChatGPT改善的不是准确率而是行为,让AI有了主体性。从行为模式判断与从结果上判断一个技术,就会得到完全不同的结论:

它能和你建立一种以往没有过的一种关联,这种关联的价值本身具有非常大的商业价值。

李笛认为,AI Being的未来还会引发很多新的变革。

如数字员工会使toB和toC的界限变得模糊,比如银行的数字客户经理可能会与客户变成朋友。

又比如AI Being将不再隶属于某一平台,人们在客服、手机、汽车上与同一个AI Being交流,得到更加无缝、24小时、持续连贯的服务。

同时这种方式也能建立更好的反馈机制,推动系统得到更好的发展。

AI Being比现在的虚拟偶像等数字人应用,还有千倍百倍的价值没被看到。

百度段润尧:聪明的脑袋、足够的资源和最好的技术匹配起来,就能做出量子计算机

当前,量子时代正在加速到来,接近70%全球企业都想或正在布局相关技术。国内像百度这样的技术大厂,今年率先给出了从底层硬件到上层应用的一整套产业化解决方案。

百度量子计算研究所所长段润尧就在大会现场分享了百度是如何思考量子计算的。


百度段润尧

我们身处的这个时代其实已经到了第二次量子革命,这几年应该是量子真正开始和计算相结合的关键几年,为什么说量子计算出现是必不可少的。

第一,芯片尺寸小到一定程度就到了量子尺度。要想摩尔定律延续下去,就需要考虑新的计算模式。而且量子计算本身,能耗也非常低。

第二,数据量很大。想模拟一个量子系统,哪怕非常小但所需存储量也很巨大,比如300个量子比特,就超过整个宇宙可见原子数目。

第三,全新计算范式,在解决特定问题上有指数级优势。

第四,信息安全,可以攻破RSA系统。

也正因为这些可能性,量子科技一直受到行业关注。有相关机构预计,到了2031年将有8000亿元市场规模直接与量子计算相关。

那么量子计算可以应用在那些方面呢?典型的有,药物研发、金融科技、材料模拟、信息安全等领域。

除此之外,量子计算与的人工智能还是一个相互纠缠的关系,从上层应用、框架到底层硬件都可以产生相互联系。另一方面,量子计算也受益于AI,尤其是深度学习。

即便有这么多机会,那实际真正走入生活还需要多远?需要解决这几个方面的问题,硬件的稳定性、好的软件平台,以及自动化的芯片设计方案。

阿里贾扬清:工程化和开源是AI普惠最重要的两大支撑

AIGC爆发成为当下AI绕不过去的话题。如果溯源,是从1999年的纹理生成,再到2015年前后的神经风格迁移,再到现在更强语义的AI创作。这些创新背后的推动机制,总结来说就是AI普惠的两大支撑:AI工程化和开源。

这也就是阿里巴巴集团副总裁、阿里云计算平台事业部负责人贾扬清分享的主题。


阿里贾扬清

工程化,让开发、迭代到应用的路径变得更加简单;开源可以让工作开展更加迅速,实现市场共赢。在这个基础之上,AI的产业落地有以下明显趋势:

第一,云原生的AI工程化平台;

第二,大规模端到端的异构计算体系;

第三,通过算法的系统组合实现更加智能的、贴近用户需求的产品;

最后,通过算法的开源助力AI在产业垂直化落地。

这四个趋势,无论从供给角度还是需求角度,都是推动AI进一步往前走的方向。

web3.0教程