华为拿什么破解AI核心难题？

内容简介：作为AI的后入局者，面对AI算力需求的爆发式增长，华为大胆地提出要为业界提供“易获取、用得起、方便用”的算力。如今，距离AI战略提出一年，华为是否已经找到算力破局的入口

OpenAI近期发布的研究显示，仅2012年以来，人们对于算力的需求增长六年就超过30万倍，平均每年增长10倍，远远超过了摩尔定律的发展速度。

作为AI的后入局者，面对AI算力需求的爆发式增长，华为大胆地提出要为业界提供“易获取、用得起、方便用”的算力。如今，距离AI战略提出一年，华为是否已经找到算力破局的入口？这亦成为即将到来的2019华为全联接大会（HC 2019）如此受到瞩目的原因之一。

人工智能：第四次工业革命代表技术

17世纪后期，英国采矿业特别是煤矿已发展到相当的规模，单靠人力、畜力已难以满足排除矿井地下水的要求，而现场又有丰富而廉价的煤作为燃料。现实的需要促使人们致力于“以火力提水”的探索。1769年英国人詹姆斯·瓦特制造了蒸汽机，引起了18世纪的第一次工业革命。

100年后，美国人发明和实现了电力的广泛使用，引领了19世纪的第二次工业革命。

1946年，世界第一台二进制计算机的发明，人类在20世纪进入了第三次工业革命，信息技术的发展尤其是移动互联网的普及极大地改变了人类的生活。

进入21世纪，人类正在迎来以智能技术为代表的第四次工业革命，人工智能、物联网、5G以及生物工程等新技术融入到人类社会方方面面；驱动全球宏观趋势的变化，如社会可持续发展，经济增长的新动能，智慧城市、产业数字化转型、消费体验等。

人工智能是一系列新的通用目的技术（GPT），包括自然语言处理、图片识别、视频分析等。人工智能是信息化进程的新高度，信息技术带来了效率的提升，人工智能则带来生产成本的变化。行业+AI，人工智能将会改变每个行业、每个职业、每个组织、每个家庭和每个人。

易获取、用得起、方便用的算力是AI发展关键

时代又仿佛回到了对采矿行业非生物动力需求极大的17世纪，进入21世纪，人工智能也对算力提出了强劲的增长需求。AI算力需求的急剧增长与传统CPU算力缓慢提升（每年10%）之间存在巨大矛盾，全球掀起造芯运动，加速算力成本降低和AI应用普及。

人工智能的支撑要素包括算力（工业云计算和边缘计算）、数据（工业大数据）和算法（工业人工智能），在中国，基于人口规模和经济的发展程度，在数据和行业应用都在全球处于领先地位。但是AI算力资源却很稀缺而且昂贵，各行业应用需要越来越强劲的AI算力。

算力价格贵、使用难和资源难获取是目前AI发展的三大瓶颈：

·价格贵：现在人工智能整个训练的过程，譬如训练人脸识别、交通综合治理、自动驾驶，模型的训练成本非常高昂的。

·使用难：缺乏一个统一的开发框架，无法适配从训练到推理，从公有云到私有云、边缘、终端的多种应用场景，开发、调优、部署的工作量巨大。

·难获取：业界用于AI计算的GPU供货周期长，限量供应等，导致硬件资源不易获取。

业界开发大规模AI训练芯片的主要厂家，比如英伟达、谷歌和华为都推出了自己的AI训练芯片。英伟达Tesla V100 GPU最高提供125 TeraFLOPS深度学习性能，最大功耗为300瓦特。Google I/O 2018开发者大会上，Google推出了第三代TPU 3.0，最高提供90 TeraFLOPS深度学习性能。华为在2018年10月的全联接大会上发布了针对AI训练场景的昇腾昇腾910 AI处理器。昇腾910 AI处理器，是当前计算密度最大的单芯片，适用于AI训练，可提供256 TeraFLOPS的算力，最大功耗为310瓦特。

面向人工智能这个大的时代潮流，算力的稀缺和昂贵在一定程度上制约了当前的人工智能发展。华为认为，易获取、用得起、方便用的算力，是AI产业发展的关键。

华为拿什么破解AI核心难题？

华为数十年长期聚焦在ICT基础设施研发和建设领域，深刻理解运营商和企业用户的使用场景，以“高起点”和“全栈全场景”入局AI领域，真正提供普惠的、强大的算力。

华为昇腾系列AI处理器采用了面向张量计算的达芬奇3D Cube架构，该架构面向AI的全新突破性设计，为昇腾AI处理器提供了超强的AI算力，使得芯片具有高算力、高能效、可扩展的优点。基于统一的达芬奇架构，华为可以支持Ascend-Nano、Ascend-Tiny、Ascend-Lite、Ascend-Mini、Ascend-Max等芯片规格，具备从几十毫瓦IP到几百瓦芯片的平滑扩展，天然覆盖了端、边、云的全场景部署的能力。

“达芬奇架构可大可小，从Nano一直到Max、从穿戴设备一直到云，可以全场景覆盖；我们推出MindSpore的目的就是协同达芬奇架构来面向全场景的。也就是说，在端、边缘、云都可以训练和推理，还可以进行相互协同，这是现在其他的计算框架所做不到的。”华为轮值董事长徐直军在先前的媒体采访中表示。

AI训练的耗时与模型的复杂度、数据集和硬件资源的配置是强相关，在天文研究、自动驾驶训练、气象预测、石油勘探等大规模训练时，硬件资源尤其显得重要。人工智能的快速发展，得益于硬件和云计算技术的提升，更得益于各个行业数字化带来的大量的数据来训练模型。开发平台要求从原始数据到标注数据、训练数据、算法、模型、推理服务，实现千万级模型、数据集以及服务对象的全生命周期的管理。

同时，无智能不成云，全栈发展走向纵深，AI已经成为云的基础业务，实现云端训练和推理。在云上部署，支持在线和批量的推理，满足大规模并发的复杂场景需求。云、AI、IoT协调使能蓝海市场，在智慧家庭、物联网和车联网等场景，构建云+AI+IoT的综合解决方案，开拓新的人工智能市场。

华为的AI战略包括投资基础研究，在计算视觉、自然语言处理、决策推理等领域构筑数据高效（更少的数据需求）、能耗高效（更低的算力和能耗），安全可信、自动自治的机器学习基础能力；打造全栈方案，面向云、边缘和端等全场景的、独立的以及协同的、全栈解决方案，提供充裕的、经济的算力资源，简单易用、高效率、全流程的AI平台。

华为全球产业展望(GIV)报告显示，全球数据量将从2018年32.5ZB快速增长到2025年的180ZB。对于企业，AI算力需求每三个月增长一倍，AI应用率到2025年将达80%。不难发现，在算力领域已取得突破的华为，站在了一个巨大的时代风口之上。

以上所述就是小编给大家介绍的《华为拿什么破解AI核心难题？》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！

查看所有标签

猜你喜欢:

• 自动驾驶如何解决道路安全难题？
• mysql同步延迟，世界级难题
• 虚拟电厂：解决能源转型的实际难题
• 消息架构的设计难题以及应对之道
• 智能制造基础问题，难题与实现要点浅见
• 微服务业务开发三个难题－拆分、事务、查询（下）

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。