近年来，我国人工智能在技术创新、产业生态构建、融合应用拓展方面取得积极进展，已进入全球第一梯队。据中国信通院测算，2022年我国人工智能核心产业规模达5080亿元，同比增长18%。人工智能已经逐渐渗透到各行业各领域，为经济社会发展注入强劲动能。
在近日举办的第十六届中国电子信息技术年会上，来自全国电子信息领域的高等院校、科研机构的专家学者和企业代表围绕算力、人工智能等行业热点话题展开交流与研讨。
ChatGPT类大模型驱动算力需求增长
近期持续火热的ChatGPT引领了人工智能浪潮，大模型GPT-3、GPT-4为其在短期内迅速“走红”提供了关键技术与基础。中国工程院院士高文认为，数据、算力、算法组合到一起构成了这次浪潮。数据与算力是模型训练的基础，算法是模型实现的路径，AI大模型实际上是数据、算力、算法的有机结合。
在算力的有力支撑下，大模型正在引领AI领域的关键创新。高文谈到，算力对于经济社会高质量发展具有重要意义，智能算力（非传统超算）、以16位精度为主的算力不仅正在改变目前人工智能的格局，也深刻影响着其他领域科学研究的格局，比如依托算力优势和相关人工智能算法来预测蛋白质的空间结构。
我国网络基础设施建设稳步前行，为算力网络建设、数字经济高质量发展提供了有力支撑。数据显示，截至2022年底，我国累计建设开通5G基站231万个，实现“县县通5G”“村村通宽带”，已建成全球规模最大、技术领先的移动通信网络。全国在用数据中心超过650万标准机架，算力总规模位居世界第二。
我国在算力规模上具有优势，但是在高效利用算力、按需匹配算力等方面挑战犹存。
去年是“东数西算”工程启动的关键之年，也是算力消费元年。高文认为，构建算力网络，让用户像用电一样可以高效便捷地使用算力资源需要解决两个问题。一是算力的封装、调度，二是如何用高速、低时延、大带宽的网络把算力节点连接起来。
算力分为三大类：云算力、超算算力、智能算力，多种异构算力对于网络交换、响应、数据的要求各不相同，如何通过合理的封装方式将算力进行标准化封装，是“算跟数走”还是“数跟算走”，这些都是构建一体化算力网络面临的挑战，是技术层面需要攻克的难题。
我们常说要用理论指导实践，对于算力网络一体化建设也是如此，需要以基础理论指导技术和应用发展。如何强化基础创新，推动产学研深度融合？
阿里巴巴集团副总裁李飞飞认为，高校和科研院所在基础研究、基础学科方面的创新与突破至关重要，基础科研具备非常大的不确定性，需要持续的、大量的投入。将科研成果转化为对社会有价值的生产力，则需要构建科研院所、高校与企业之间的桥梁。
李飞飞建议，坚持应用科学以企业为主体的创新机制，鼓励高校、科研院所和企业之间的科研成果转化。在人才评价体系中，尤其是应用科学方面应该提高企业的参与度。在人才培养方面，希望高校、科研院所持续加大对基础学科、基础软件系统、基础电子材料等方面的教育培养。
AI应用要与行业需求紧密结合
近年来，人工智能应用场景不断拓展，逐渐深入到社会生活的各个领域，其对众多行业领域的赋能效应日益凸显。
艾瑞咨询日前发布的《2022年中国人工智能产业研究报告》指出，从2018年到2021年，企业营收中，“由AI推动的份额”平均增加了一倍，预计到2024年，可进一步增加至36%，打通AI应用的“最后一公里”，推进AI与产业需求紧密结合的价值与战略意义愈发明确。
人工智能已经成为新一轮科技革命和产业变革的重要力量，而大模型则成为人工智能发展的热点方向。
现在主流的大模型基于大规模无标注数据进行预训练，再经过精调，从而应用于特定领域。百度首席技术官王海峰谈到，大模型具有效果好、泛化性强、研发过程标准化的特点，使得大模型技术及产业应用得到蓬勃发展。
王海峰认为，大模型将催生三大产业机会，第一类是新型云计算模式MaaS（模型即服务），第二类是进行行业模型精调，第三类是基于大模型底座进行应用开发。
无论是ChatGPT还是“文心一言”，新技术新应用想要持续火热，需要与行业需求紧密结合，数实融合是AI大模型发展的方向。
打通AI应用的“最后一公里”需要从技术和应用两方面入手。一方面，持续深耕技术。加强对模型结构的理论研究和工程实践，进一步提升算力利用效率、优化算法、提高数据质量、融入行业知识，以“大规模预训练﹢微调”开发范式，打造具备通用基础能力的AI底座。在此基础上，结合多种垂直行业和业务场景进行微调与应用适配，有效支撑智能终端、系统、平台等产品应用落地，解决传统AI应用落地存在的壁垒多、部署难等问题。
另一方面，推进数实融合。加强开发者、行业用户、上下游产业之间的交流沟通，营造创新开发生态，推动AI大模型与行业需求有机结合，切实解决产业发展痛点问题。同时，通过遴选典型案例，打造标杆应用，不断拓展AI与产业发展结合的深度和广度，找到合适且高效的商业化路径，更好支撑千行百业数字化转型升级。
高校和企业要紧密配合，充分发挥各自优势。美的集团首席AI官唐剑以人工智能为例谈到，企业的优势是数据、算力以及有完善的实验室、测试机制和品质评估机制。高校的优势一方面是多年相关领域的研究经验，另一方面是科研创新上的新思考。唐剑说，要充分把这些优势有机结合起来。一些颠覆性创新，比如ChatGPT，不是一蹴而就的，而是经历了GPT-1、GPT-2、GPT-3、GPT-3.5，然后今天才展现出惊艳的效果。
划重点！
高效利用算力面临的两个挑战
◆ 算力的封装、调度。
◆ 如何使用高速、低时延、大带宽的网络把算力节点连接起来。
算力分为三大类：云算力、超算算力、智能算力，多种异构算力对于网络交换、响应、数据的要求各不相同，如何通过合理的封装方式将算力进行标准化封装，是“算跟数走”还是“数跟算走”，这些都是构建一体化算力网络面临的挑战，是技术层面需要攻克的难题。
打通AI应用的“最后一公里”
一方面，持续深耕技术。加强对模型结构的理论研究和工程实践，进一步提升算力利用效率、优化算法、提高数据质量、融入行业知识，以“大规模预训练﹢微调”开发范式，打造具备通用基础能力的AI底座。
另一方面，推进数实融合。加强开发者、行业用户、上下游产业之间的交流沟通，营造创新开发生态，推动AI大模型与行业需求有机结合，切实解决产业发展痛点问题。