|
■本报记者 赵广立
日前，武汉城市人工智能（AI）计算中心建成投用，媒体在报道该中心算力时称：“中心一期建设规模100P FLOPS人工智能算力……其算力相当于5万台高功能计算机。”该报道一出，引发高功能计算范畴专家关注。相关专家对《中国迷信报》表示，该报道内容对“超级计算机”与“智能计算机”看法不清、概念混淆，极易引发误导。
中国迷信院计算技术研讨所研讨员、中国计算机学会高功能计算专业委员会秘书长张云泉告诉《中国迷信报》：“智能计算机不是超级计算机，两者的概念应该区分清楚，否则能够会惹起行业混乱。”
超级计算机还是智能计算机
目前业界用于衡量超级计算的Linpack测试，测试的是超级计算机的“双精度浮点运算才能”，即64位浮点数字的计算（FP64）。在以二进制所表示的数字精度中，还有单精度（32位，FP32）、半精度（16位，FP16）以及整数类型（如INT8、INT4）等。数字位数越高，意味着人们可以在更大范围的数值内表现两个数值的变化，从而完成更准确计算。
与许多迷信计算等不同，AI所需的计算力不需求太高精度。“比如一些AI运用需求处理的对象是语音、图片或视频，运转低精度计算甚至整型计算即可完成推理或训练。”张云泉说，这种公用计算机处理AI算法速度快、能耗低，这是由其特点决议的。
智能计算机是一种公用算力，在推理或训练等智能计算方面的确表现出色，但由于AI推理或训练普通仅用到单精度甚至半精度计算、整型计算，多数智能计算机并不具有高精度数值计算才能，这也限制其在AI计算之外的运用场景运用。
而超级计算机是一种通用算力，其设计目的是提供完备、复杂的计算才能，在高精度计算方面才能更强、运用范围更广，比如迷信家常运用超级计算机停止行星模拟、新材料开发、分子药物设计、基因分析等迷信计算和大数据处理。
中国工程院院士陈左宁曾笼统地将运用超级计算机做AI计算比喻成“大马拉小车”，来阐明超级计算虽然“十项全能”，但毕竟不是为AI量身打造。智能计算机由此兴起。
此前曾一度热炒的AI与超算交融，其实正是将改良的计算机“AI公用化”，严厉意义下去说，它们曾经不再属于传统超算范畴。
“如今不论超级计算中心落成还是智能计算中心，都宣称算力是多少‘FLOPS’，其实这个单位是‘每秒浮点运算才能’，而一些智能计算机的单位其实是‘OPS’——每秒操作次数。假如不加区别地报道，大家很容易误以为是同一种计算精度、同一种计算才能。”张云泉说，这也导致一些地方以为花了小钱建了世界顶级的“大超级计算”，好像占了便宜；等项目上了马，将项目引见给超算业内人士时，才恍然大悟。
用新目的引导行业健康发展
张云泉告诉记者，除了混淆智能计算机和超级计算机之外，业内还存在另外一种误导。
“有些厂商还会模糊智能计算机的推理功能和训练功能。”张云泉告诉《中国迷信报》，“与推理相比，训练功能往往需求计算精度高一些，比如32位甚至64位；而大部分功能‘耀眼’的AI芯片，往往指的是其推理功能，而且能够只是实际值。”
对于AI计算而言，训练功能往往更重要——许多智能模型正是依赖于此。张云泉说，训练模型的计算量与参数量成反比，而且需求反复迭代，直到达到理想的效果。
假如要画一张AI所需算力的表示图，“推理”位于算力矩阵的最下层，由于半精度算力（FP16）或整型算力（如INT8）即可满足推理需求；排在其上的是“训练”，普通需求运用单精度算力（FP32）或半精度算力（FP16）；对算力需求最高的是类脑“模拟”，它需求双精度算力（FP64）和低精度算力同时支持。
“混淆传统超级计算与智能计算、混淆智能计算的训练功能和推理功能，这两种状况都能够会导致用户或地方政府错误决策——他们本意是建设弱小的计算集群，最后却只建成了一台只要推理功能的机器。”张云泉说。
对此，张云泉以为，需求一个简单、有效的目的来协助判别系统的AI算力和整个高功能AI范畴的发展状况，从而防止行业乱象。
2020年11月，张云泉结合清华大学教授陈文光、美国阿贡国家实验室研讨员Pavan Balaji和瑞士苏黎世联邦理工学院教授Torsten Hoefler，与ACM SIGHPC China委员会共同发起了基于AIPerf大规模AI算力基准评测程序的“国际人工智能功能算力500排行榜”。记者留意到，这一榜单的算力单位是OPS。
“超级计算与AI计算，一码归一码，需求一个新的标尺来引导AI计算行业走上健康发展的道路。”张云泉说。
国产AI芯片正待奋起直追
算力始于芯片。在AI芯片赛道上，我国拥有华为（昇腾）、百度昆仑、燧原等芯片设计企业，但即便如此，国内的智能计算机仍很少能绕过美国GPU巨头英伟达。
这是一个无法的理想：国内下马诸多智能计算中心，英伟达是切实在实的受益者。
“专门做智能计算的AI芯片，只需核数足够多、主频足够高，就可以完成速度更快、在低精度计算中高出几个量级的功能。但假如某个计算集群既需求高精度计算又需求低精度计算，这对AI芯片的要求就高了。”张云泉说，英伟达的GPU各种精度的计算才能都很突出、比较平衡。这也是大部分国产AI芯片难以与英伟达GPU硬碰硬的缘由之一。
不过，国产AI芯片并非完全没无机会。
首先，当下我国的算力基础设备，都有激烈的国产化志愿。即便英伟达、英特尔等巨头虎踞龙盘，但基于综合成本、生态等各类要素，国产化的大潮仍不可阻挠。
其次，就AI当前发展而言，场景、数据、模型、算力缺一不可，这也就意味着，中国将是将来全球AI算力富集地。AI芯片作为核心需求，不能够被一种形状、一种生态所垄断，寒武纪、昇腾等国产AI芯片的佼佼者仍坐拥宏大发展空间。
专家以为，虽然芯片是算力的次要来源和最根本的物质基础，但是算力的消费、聚合、调度和释放是一个残缺过程，需求复杂系统的软硬件生态共同配合，才能完成“有效算力”。因此，不能只关注芯片的单一功能目的，更要注重下层软件运用生态。
没有宏大算力无法发展AI？
在算力概念被混淆的背后，是AI计算有如脱缰野马普通疯长的算力需求。
由多位硅谷“大亨”结合建立的人工智能非营利组织OpenAI，在2020年5月推出了其新一代无监督的转化言语模型GPT-3，目前已有1750亿参数，训练数据量达到45TB（约1万亿单词量）。
GPT-3模型目前曾经在语义搜索、文本生成、内容了解、机器翻译等方面获得严重打破。其最大价值是证明了机器在无监督下的自我学习才能，验证了纯粹经过扩展规模即可完成功能提升。
更壮观的是，万亿参数模型曾经在路上。6月初，北京智源人工智能研讨院发布了“悟道2.0”，宣称达到1.75万亿参数，超过之前由谷歌发布的Switch Transformer，成为全球最大的预训练模型。
迅猛增长的参数体量，也意味着更高的计算需求——有的能够需求数千块GPU来提供必要的算力。张云泉说，相似GPT这样的巨模型，对算力的需求“不是闹着玩的”。
难道，没有宏大算力就无法发展AI吗？
张云泉以为，在目前AI的发展阶段（感知智能和认知智能）中，算力照旧是第一位的。
他的理由是，发展AI可以经过算力提升、算法革命等途径停止，但在“资本导向”的现阶段，相比不确定性的算法模型打破，算力提升是个更容易的选择。
但必需要指出的是，运用宏大算力并不是人工智能发展的独一方向，GPT-3这样的巨模型异样存在缺陷，如缺乏常识等；而探求人脑奥妙机理，完成小数据学习、迁移学习也是重要手腕。
毕竟，大脑的功耗只要20瓦左右，创建低能耗的智能系统或许是更重要的努力方向。 | 
