三、算力

在人工智能的三個基本要素中，算力的提升直接提高了數據的數量和質量，提高了算法的效率和演進節奏，成為推動人工智能系統整體發展并快速應用的核心要素和主要驅動力。

人工智能計算具有并行計算的特征，按照工作負載的特點主要分為訓練（Training）和推理（Inference）。傳統的通用計算無法滿足海量數據并行計算的要求，于是以CPU+GPU為代表的加速計算應運而生并得到了快速的發展，成為當前主流的人工智能算力平臺，尤其是在面對訓練類工作負載時具有很高的效率和明顯的生態優勢；推理類工作負載具有實時性要求高、場景化特征強、追求低功耗等特征，在不同的應用場景下呈現明顯的差異化，除了GPU加速計算解決方案以外還出現了眾多新的個性化算力解決方案，比如：基于FPGA、ASIC、ARM、DSP等架構的定制芯片和解決方案，其計算平臺呈現明顯的多樣化特征。

算力的提升是個系統工程，不僅涉及芯片、內存、硬盤、網絡等所有硬件組件，同時也要根據數據類型和應用的實際情況對計算架構、對資源的管理和分配進行優化。目前提升算力的手段主要是兩種，一種是與應用無關的，通過對架構和核心組件的創新，提升整體系統的算力水平；另一種是與應用強相關的，通過定制芯片、硬件和系統架構，為某個或某類應用場景和工作負載提供算力。

國際上來看，谷歌發布第二代TPU，Intel通過收購布局人工智能市場，Nvidia不斷推出新的GPU產品和軟件，微軟和AWS率先在云端推出AIaaS服務，美國科技企業以核心技術和創新精神引領著人工智能市場的發展及算力的提升。

目前，中國廠商仍然缺乏算力的核心技術，算力的供給主要還是由服務器廠商將國際廠商的解決方案產品化來實現。但我們也看到，領先的廠商已經開始在芯片、算法框架、應用部署和管理工具等方面加大研發和投入，豐富和加強自己的算力平臺，并且已經取得了一定的成果。

伴隨算力的提升，尤其是GPU等技術應用于人工智能之后，極大提升了算法的效率和演進的節奏，使產業界看到了人工智能實際應用的可能，推動算法的研究走出實驗室，更多地與產業和行業相結合，衍生出豐富的與行業應用和場景相關的算法分支，從而形成了算力、算法和數據的良性互動，促進了人工智能生態的快速發展和繁榮。