來源： 編輯：匿名 發表時間：2024-09-20 00:52:01 熱度：1
【大河財立方消息】9月19日，2024年華爲全聯接大會在上海舉辦，華爲副董事長、輪值董事長徐直軍在大會上發表主題演講，從7個方面分享了華爲全面智能化战略的思考。
華爲副董事長、輪值董事長徐直軍發表主題演講/圖片來源：華爲
徐直軍認爲，智能化必將是一個長期過程，而算力是智能化的關鍵基礎，過去是，未來也是。因此，智能化的可持續，首先是算力的可持續。人工智能正在成爲主導性算力需求，促使計算系統正在發生結構性變化，需要的是系統算力，而不僅僅是單處理器的算力。這些結構性變化，爲華爲通過架構性創新，开創出一條自主可持續的計算產業發展道路，提供了機遇。
對此，徐直軍提到，華爲的战略核心就是，充分抓住人工智能變革機遇，基於實際可獲得的芯片制造工藝，計算、存儲和網絡技術協同創新，开創計算架構，打造“超節點+集群”系統算力解決方案，長期持續滿足算力需求。
大模型的技術突破大大加速了智能化的進程，一段時間以來，各行各業幾乎言必稱大模型，紛紛建設AI算力，紛紛訓練大模型。對此，徐直軍表示，這對於華爲這樣的算力提供商而言，無疑是重大利好。但從長遠發展角度考慮，華爲始終相信，只有客戶的持續成功，才有華爲的持續發展。
徐直軍就幾個問題談了以下幾點想法。
第一，不是每個企業都要建設大規模AI算力。AI服務器，特別是AI算力集群不同於通用x86服務器，對供電、散熱等數據中心機房環境要求極高，且隨着大模型越來越大，AI算力也將走向更大規模，而且變化節奏快，AI服務器快速升級換代，數據中心機房面臨要么浪費、要么滿足不了需求的困境。
其次是，現在業界平均一到兩年推出新的AI硬件產品，迭代速度快，相比公有雲，企業受限於算力規模小，面對快速變化的大模型，比較難以讓每個代際的算力硬件獨立完成工作，而是希望多個代際產品混合使用來進行模型訓練，由此導致資源調度復雜度高，而且因爲歷史代際產品的“木桶短板”效應，拖累新一代產品性能的充分發揮，影響大模型訓練的能力。
最後是運營維護帶來的挑战，AI技術還處於成長期，技術變化快，多代際產品共存，對技能要求高，導致運營維護困難，對很多只具備傳統IT維護能力的企業而言是重大挑战。由於這些挑战在一段時間內將繼續存在，因此，徐直軍認爲，每個企業都要思考適合自己的獲取AI算力的方式，而不僅僅是建設自己的AI算力。
第二，不是每個企業都要訓練自己的基礎大模型。訓練出基礎大模型，關鍵是數據，而准備足夠多的高質量數據是很大挑战，基礎大模型預訓練數據量進入10萬億tokens量級，這對於企業來說，不僅意味着高成本，同時是否能獲取到足夠的數據量也是挑战。
其次，模型訓練難，基礎大模型參數量在持續增大，模型迭代和優化難度大，通常需要數月到數年時間完成模型迭代訓練。每個企業都應聚焦自身核心業務，自行訓練基礎大模型會影響AI盡快賦能核心業務。
最後，人才獲取難，基礎大模型涉及的相關技術每天都在更新，具備實战經驗的技術專家少，對於企業來說，建立足夠的技術人才資源也是挑战。
第三，不是所有的應用都要追求“大”模型。從華爲盤古在行業的實踐看，十億參數模型可以滿足科學計算、預測決策等業務場景的需求，比如降雨預測、藥物分子優化、工藝參數預測，在PC、手機等端側設備上，十億參數模型也有廣泛應用。而百億參數模型可以滿足面向NLP、CV、多模態等大量特定領域場景的需求，比如知識問答、代碼生成、坐席助手、安全檢測。面向NLP、多模態的復雜任務，可以用千億參數模型來完成。
所以，企業需要的是根據自身不同業務場景需求，選擇最合適的模型，通過多模型組合，解決問題，創造價值。
責編:李文玉 | 審核:李震 | 監審:萬軍偉
標題：華爲輪值董事長徐直軍：不是每個企業都要建設大規模AI算力
地址：https://www.vogueseek.com/post/88767.html
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。
