论文部分内容阅读
第三方研究机构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，远超摩尔定律的发展速度。
面对AI算力需求的爆发式增长，华为作为AI的后入局者，大胆提出要为业界提供“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？
这也是今年9月举行的2019华为全联接大会备受瞩目的重要原因。
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，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“以火力排水”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、职业、组织、家庭和个人。
搭载了麒麟990芯片的华为Mate30手机
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，按照OpenAI最新的分析，从2012年到2018年，最大的人工智能训练运行中使用的算力增长了30多万倍，每3.5个月就会翻倍，远超摩尔定律的增长速度（每18个月芯片的性能翻一倍）。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。
人工智能是时代潮流，潮流不可逆。但从2018年开始，全球包括中国在内，人工智能研究和产业的发展短暂地束了高速奔跑的节奏，进入一个相对平稳的周期。算力的稀缺和昂贵在一定程度上制約了当前的人工智能发展，易获取、用得起、方便用的算力，是AI产业发展的关键。
此时回顾过去的5年到10年间人工智能产业化的经验可以得知，技术快速商业化的一个重要原因来自芯片处理能力提升、云服务普及以及硬件价格下降的并行使得计算力大幅提升。
过去5年到10年间，算力投资最大的行业集中在互联网、政府、金融制造业和电信业。更多的行业受制于算力提升而难以使用上人工智能为代表的新技术。
只有解决了这个问题，才能推动人工智能产业进入下一个快速发展周期。
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AI算力资源却稀缺且昂贵，快速发展的应用和不断增多的数据量，需要越来越强劲的AI算力。但算力价格贵、使用难和资源难获取，已经形成了人工智能发展的三大瓶颈。
其一是价格贵：目前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。
其二是使用难：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。
其三是难获取：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。
为了解决这一问题，行业巨头目前都在着力开发大规模AI训练芯片，英伟达、Google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训练场景的华为昇腾910AI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。
华为数十年长期聚焦在ICT基础设施研发和建设领域，这也令华为可以深刻理解运营商和企业用户的使用场景，以此为基因，华为的打法是以“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。
芯片领域，需要强调的是华为昇腾系列AI处理器，采用了面向张量计算的达芬奇3DCube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。
华为轮值董事长徐直军认为，“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，这是现在其他计算框架所做不到的。”
AI训练的耗时跟模型的复杂度、数据集和硬件资源的配置是强相关的，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，硬件资源显得尤其重要，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管理。
云端计算领域，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，开新的人工智能市场。
华为的AI战略包括投入基础研究，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%。
此时，华为在算力领域已取得突破，站在了时代风口之上。
面对AI算力需求的爆发式增长，华为作为AI的后入局者，大胆提出要为业界提供“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？
这也是今年9月举行的2019华为全联接大会备受瞩目的重要原因。
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，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“以火力排水”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、职业、组织、家庭和个人。
解决了算力等问题，才能推动人工智能产业进入下一个快速发展周期
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，按照OpenAI最新的分析，从2012年到2018年，最大的人工智能训练运行中使用的算力增长了30多万倍，每3.5个月就会翻倍，远超摩尔定律的增长速度（每18个月芯片的性能翻一倍）。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。
人工智能是时代潮流，潮流不可逆。但从2018年开始，全球包括中国在内，人工智能研究和产业的发展短暂地束了高速奔跑的节奏，进入一个相对平稳的周期。算力的稀缺和昂贵在一定程度上制約了当前的人工智能发展，易获取、用得起、方便用的算力，是AI产业发展的关键。
此时回顾过去的5年到10年间人工智能产业化的经验可以得知，技术快速商业化的一个重要原因来自芯片处理能力提升、云服务普及以及硬件价格下降的并行使得计算力大幅提升。
过去5年到10年间，算力投资最大的行业集中在互联网、政府、金融制造业和电信业。更多的行业受制于算力提升而难以使用上人工智能为代表的新技术。
只有解决了这个问题，才能推动人工智能产业进入下一个快速发展周期。
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AI算力资源却稀缺且昂贵，快速发展的应用和不断增多的数据量，需要越来越强劲的AI算力。但算力价格贵、使用难和资源难获取，已经形成了人工智能发展的三大瓶颈。
其一是价格贵：目前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。
其二是使用难：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。
其三是难获取：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。
为了解决这一问题，行业巨头目前都在着力开发大规模AI训练芯片，英伟达、Google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训练场景的华为昇腾910AI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。
业界主流AI训练芯片能力对比
华为数十年长期聚焦在ICT基础设施研发和建设领域，这也令华为可以深刻理解运营商和企业用户的使用场景，以此为基因，华为的打法是以“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。
芯片领域，需要强调的是华为昇腾系列AI处理器，采用了面向张量计算的达芬奇3DCube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。
华为轮值董事长徐直军认为，“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，这是现在其他计算框架所做不到的。”
AI训练的耗时跟模型的复杂度、数据集和硬件资源的配置是强相关的，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，硬件资源显得尤其重要，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管理。
云端计算领域，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，开新的人工智能市场。
华为的AI战略包括投入基础研究，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%。
此时，华为在算力领域已取得突破，站在了时代风口之上。