想到的比看到的多

把话题起得博大一点，人类文明的发展一直与能源变革密切相关。从百年前电力的大规模应用完成了第二次工业革命，到以2G、3G、4G为代表的通信技术驱动了第三次工业革命，人与人之间的联结已经变得非常紧密。现在我们一直说，以5G、AI、云等为代表的创新ICT技术正在驱动第四次工业革命，5G高速率、低延迟、大容量的特性实现了万物互联，AI高算力、

低功耗、全场景的特性实现了万物智能，云虚拟化、超大规模和高扩张性的特性实现了万物共享。5G、AI、云使能所有行业，构建了数字世界基础，而AI在5G时代的算力化考量，就变得很有迫切感了。

AI是又一次工业革命

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+A，I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。

可以说，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。

AI的根本难题在哪里

我们知道，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。

但是我们也看到，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。比如，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;又比如，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;再比如，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 Tera FLOPS深度学习性能，最大功耗为300 W。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。华为早在去年10月的全联接大会上发布了针对AI训练场景的昇腾910AI处理器。昇腾910AI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310W。

很显然，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的綜合解决方案，开拓新的人工智能市场。

如上，这其中最值得一书的就是华为昇腾系列AI处理器。昇腾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-Min、i 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。

正如华为轮值董事长徐直军所述，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。

后续

可以预见，5G与AI、云计算等技术融合，有助于打造智能机器人云端大脑，突破单个机器人自我学习的局限，赋予终端设备更加强大的智能，极大拓展智能机器人的应用场景，加速智能机器人规模化发展。目前，我们的运营商把5G智能工业产品通过5G厂内专网切片实现实时通信就是AI在5G时代算力化考量的一个明显表现。管中窥豹，想到的比看到的多，这就是现实。