南方財經全媒體記者 周妙妙 石恩澤 深圳報道

“巧婦難為無米之炊。”國家超算中心主任馮圣中引用這一經典俗語，生動地將驅動AI“三駕馬車”中的算法比作“巧婦”，數據比作“米”，算力比作“火”，人工智能的發展是算法、數據、算力共同作用的結果，三者缺一不可。

在他看來，算力供給是人工智能技術優化的關鍵要素。算法已維持了一段較長時間的發展，數據也獲得了一定量的積累；對比10年前的算力水平，如今的算力水平已實現飛速提升，這種增速是不敢想象的，此外，應用端也依賴于算力。

AI時代算力消耗量增速遠超摩爾定律每18個月翻番的速率。據OpenAI數據，2012-2020年，人工智能訓練任務中使用的算力呈指數級增長，最大人工智能模型訓練所需算力平均每3.4個月翻一倍。

眼下，一場激烈的算力資源角逐賽已拉開帷幕。在人工智能浪潮的催化下，越來越多參賽方加入。

4月27日，鵬城云腦·新一代人工智能創新應用研討大會舉行。

學界關注創新，產業關注成本

“得算力者得天下”。馮圣中在鵬城云腦·新一代人工智能創新應用研討大會上與南方財經全媒體記者交流時直言。

多年以前，他調研了一家汽車制造企業，這家企業招聘了60幾位博士，運用算力去計算某一生產環節，最終實現成本最優。這無疑讓企業在“廝殺”激烈的賽道中競爭力更強。

馮圣中笑言：“搞創新一定要算。現在有很多投資人會私下問我，最近有沒有初創企業在大規模使用算力。如果有一定要推薦給他們。”

然而，現場有院士坦言，對于很多中小企業而言，即便得到了算力，也不知道如何使用，而是要依托大模型去做進一步開發。

不同于學術界關注創新，企業端對于大模型的商業化應用，更加關注成本。

平安集團首席科學家肖京表示，“大模型并不是今年才有的，平安此前在實際應用場景中大部分采用判斷式的模型，用來做研報的自動解讀、抽取關鍵信息、發現風險線索等。但對于生成式模型，直到ChatGPT探出來一條可行之路后，大家才發現它有較好的落地場景。此前沒有較好的落地場景，一方面是它的效果不夠好，另一方面是成本特別高。”

在進一步分析生成式大模型商業化價值時，肖京認為，雖然生成式大模型的能力已有明顯體現，但能產生大量的實際業務價值還依然有較長道路要走。在金融領域，他較為看好大模型在輔助人工作業方面的應用場景，比如保險的核保理賠客服等業務場景。

在大廠的游戲下，初創企業切口要細

結合近期各大互聯網廠都在“軍備競賽”的大模型，這不由得讓人思考，大廠在掌握算力和模型之后，是否會進一步阻礙中小企業創新。

“實際上，算力門檻某種意義上就是資本門檻。”馮圣中表示，大科學裝置，包括國家超級計算中心，本質就是要平衡兩者之間的發展。“有時候我會開玩笑說，如果我們想掙錢，就應該去建超市，而不是超算。”

同時，初創企業更多應該思考如何找準一個好的切入點。“顛覆性機會深藏在細分應用場景中，不是每個公司都要去開發一個中國版ChatGPT，做一個硬碰硬的創新”。馮圣中說。

大企業有大企業的創新領域，小企業有小企業的做法。馮圣中舉例道，“在我們平臺上的超算應用軟件并不算多，只有1000多款，但若是這款軟件有獨特的競爭力，全世界的科學家都會選擇使用它。”

而這個背后的核心競爭力，來自于團隊對細分領域20-30年的積累。這意味著，團隊內有一批懂技術、懂應用場景的人才。“目前中國非常欠缺這樣的人才，但這樣的團隊卻能做到以小博大。”馮圣中說。

現階段，馮圣中認為可以從算力供給和算法創新兩個方面來解決問題。“一方面，要盡快構建大的算力平臺，為相應業態的創新提供支撐。另一方面，要對算法進行創新，讓企業借助算法，用最小的算力，達到最大化的效果。而這兩個方面的工作需要并行推進。”

值得一提的是，這對于一般企業而言，是一筆不小的投入成本。因此，肖京建議政府牽頭建設統一的數字化底座，支撐產業更加高效、完整、全面地推行數字化建設。

AI for Science狂飆

在本次會議上，也有學界代表認為，AI不應該局限于細分應用領域。

鵬城實驗室智能部副主任、北京大學深圳研究生院信工院院長田永鴻認為，在現實場景中很多人工智能技術往往應用落地效果不好。“這是一個‘從理論算法、到關鍵技術、再到系統或產品’的很長鏈條，因此走到最后往往轉化不好。實際上，也許AI最強的能力，就是它可以把基礎科學研究和關鍵技術突破連接起來。”

因此，田永鴻提出了AI for X（everything）的觀點，這是包括AI for Science、AI for Industries等在內的AI應用新模式，能把基礎科學研究、關鍵技術突破以及產業應用連接在一起，驅動科學發現和產業發展。

“一切科學技術只有具有堅實的基礎科學研究基礎，才能取得顛覆性或長期性的進展，可以說強大的基礎科學研究是建設世界科技強國的基石，所以AI推動基礎科學的進展或許比ChatGPT對我們更重要。”田永鴻表示。這意味著傳統科學領域將是AI的下一個戰場，尤其是深度學習將給自然科學帶來變革性的影響。

目前AI在自然科學上的變革力量正在顯現。2020年，DeepMind宣布，AlphaFold2已經成功解決蛋白質折疊的問題。DeepMind對2.14億蛋白質序列進行結構預測，數量提升200倍，幾乎覆蓋了地球上所有己進行過基因測序的生物體。

AI解決結構生物學50年難題。中國科學院院士施一公感嘆道，這是人工智能對科學領域最大的一次貢獻，也是人類在21世紀取得的最重要的科學突破之一。

全球IT廠商、產業界、學界紛紛開始布局AI for Science。目前在藥物發現、材料篩選、可控核聚變、EDA芯片布局等領域應用備受重視。

“鵬城實驗室正在布局大科學工程和大科學裝置的互相牽引。北大也正在做科學智能創新聯合體，將北京大學、新型研發機構和先進的企業連接在一起，打通從基礎科學到關鍵技術再到領軍產業應用的生態鏈條，期望未來會對基礎科學研究和產業均產生重大影響。”田永鴻說。