21世紀經濟報道記者張梓桐 上海報道

作為支撐AI數據和模型的底層能量，算力正在成為數字經濟時代新型生產力的主要形式，有望迎來重大發展機遇。

7月7日，在2023WAIC“計算+：讓人工智能更通用賦能”論壇上，畢馬威中國數字化賦能主管合伙人張慶杰接受了21世紀經濟報道記者的專訪，在他看來，國內各大科技公司近日紛紛推出了自家的大模型產品，AI大模型的競賽正在打響。未來行業應該從“大規模、低成本與低能耗”三個方向來進一步夯實算力基礎。

“據公開資料，目前在追趕GPT3.5的中國團隊約有10個，在這一背景下，能否擁有或持續獲取算力將成為未來決定競爭格局的關鍵。”張慶杰說道。

《21世紀》：您如何看待中國大模型的競爭現狀和發展前景？

張慶杰：大模型的核心技術壁壘是數據、算法、算力等要素資源的精巧組合，單純從時間維度來評價發展差距可能過于片面。能夠擁有或持續獲取算力將是決定未來競爭格局的關鍵。

AI大模型的真正價值最終將體現在具體場景，可以依靠“大模型+小模型”的方式來推進，即大小模型協同進化，在利用大參數訓練完大模型之后，通過高精度壓縮，將大模型轉化為端側可用的小模型，大模型相當于超級大腦，小模型相當于垂直領域專家，進而實現場景化應用。

《21世紀》：您認為算力如何更好地支持大模型發展，還面臨哪方面挑戰？

張慶杰：中國是世界人工智能重要領軍國家之一，但做大模型還面臨多方面的挑戰，需要在政策、技術、資源、人才培養等方面進行綜合的改革和發展。

首先在計算資源方面，大模型的訓練需要大量的計算資源，包括CPU、GPU、TPU等。雖然中國算力具備一定的基礎，但在計算資源方面還存在一定的短板，各行各業在底層計算資源上存在缺乏，這會限制大模型的訓練和優化。

除此之外，大模型的訓練需要大量的高質量數據，但是目前在數據質量方面還存在一定的問題，包括數據噪聲、數據缺失、數據不平衡等問題。這會影響大模型的訓練效果和準確性。

而在投入成本方面，大模型的訓練需要大量的資金支持，包括硬件設備、人才引進、技術研發等方面的投入。最后，行業應該在專業人才、技術生態以及計算架構方面進行發力，來進一步夯實算力基礎。

《21世紀》：我國高度重視人工智能產業發展，智能算力發展的基礎在不斷夯實。請問智能算力如何推動人工智能的發展？

張慶杰：對通用人工智能（AGI）的來說，數據、算力、算法三大核心要素中，算力向下扎根于數據，向上支撐著算法，將是驅動AGI發展的核心動力。算力發展需要滿足大規模、低成本與低能耗三個方面。

首先在算力規模方面，在大數據、大模型、大算力的相互作用下，全球人均算力有望實現G-T-P三連跳，即從GFLOPS級別躍升到TFLOPS再到PFLOPS，乃至更高級別。正如工業經濟模式下，人均用電量和人民生活質量成正比，在數字經濟時代，人均算力也將會是衡量人民智能化生活水平的重要指標，算力需同電力一樣成為規模化發展的公共資源。

但與此同時，大模型訓練依然面臨著高昂的成本。放眼全球，除了幾大科技巨頭外，幾乎沒有企業承擔得起大模型訓練的高昂成本，算力不實現普惠化，任何關于AI和科技革命的暢想都將是空中樓閣。

目前偏大規模的算力需求以B端和G端為主，算力降本需求十分迫切，要利用有限資金獲取更多元的算力，同時優化算力資源配置和利用效率。

最后，低能耗也是行業需要探索的方向。數據中心是各國算力發展的重中之重，但也存在著嚴重的碳排放問題，隨著“碳中和”目標成為全球共識，大部分國家都提出了較為嚴格的數據中心節能減排要求。

《21世紀》：ChatGPT的出現具有顛覆性意義，中國可以從哪些方面發力去鼓勵ChatGPT這一類的技術顛覆式創新？

張慶杰：ChatGPT的顛覆性意義在于打破了以往人工智能技術發展的慣性思維，即從弱人工智能轉向強人工智能（也稱通用人工智能），智能不再局限于某些專用領域，如人臉識別、機器翻譯等，而是在盡可能多的領域中，幫助甚至代替人類執行體力和智力任務。

對于鼓勵ChatGPT一類的技術顛覆式創新來說，中國可以從基礎研究、應用創新發力等方面發力。

首先，基礎研究是整個科學體系的源頭，也是所有技術問題的總機關，在實現高水平科技自立自強、建設科技強國的時代背景下，基礎研究的重要性愈發凸顯。

中國近年來一直在持續加強基礎研究投入，科技部數據顯示，基礎研究經費已從2012年的499億元增長到2022年的1951億元，年均增長近15%，接近全社會研發投入增長速度的2倍。在通用人工智能這一嶄新發展機遇面前，圍繞產出重大原創成果，堅持目標導向、市場導向和自由探索將有利于中國在人工智能領域取得重大突破。

與此同時，通用人工智能也應當與經濟社會深度融合，在重大應用場景中錘煉技術。圍繞場景創新加快資本、人才、技術、數據、算力等要素匯聚，促進人工智能創新鏈、產業鏈深度融合，將會是推動通用人工智能落到實處的重要方式。

夯實底層算力。當前中國各大科技公司正不斷加碼算力進行大模型訓練，普遍要承擔巨大的成本投入。

以構建GPT-3為例，OpenAI數據顯示，滿足GPT-3算力需求至少要上萬顆英偉達GPU A100，一次模型訓練總算力消耗約3,640PF-days（即每秒一千萬億次計算，運行3640天），成本超過1200萬美元，這還不包括模型推理成本和模型后續升級所需的訓練成本。

因此，推動算力更加普適和智慧，才能切實助力科技企業等創新主體實現技術攻關。

《21世紀》：ChatGPT在聊天機器人、文本生成和語音識別等領域取得了巨大進展，未來大模型在實體行業的應用前景如何？

張慶杰：ChatGPT在一定程度上驗證了沿著“大數據、大模型、大算力”路徑發展通用人工智能的可行性。目前，各類科技創新企業都在積極探索這種可能性，相關方向包括教育、移動、搜索引擎、內容制作、醫藥等。

判斷這些應用價值關鍵在于落地成效如何，需要技術提供商和應用側企業共同厘清落地成效的具體維度和評估方式。

大模型在實體行業應用中面臨的挑戰和算力的落地挑戰存在共性。總體來說，算力在各行業的落地挑戰主要包括算力總量亟需補充、邊緣算力較為緊缺、單位能耗算力性能有待提升、中心式計算架構需轉型等。

預計隨著各行業全要素、全流程、全場景邁向數字化和智能化，實現“業務、數據、算力”之間的高效聯動，將是保證各類大模型或小模型按需匹配、精準賦能的重要前提。

關鍵詞：