“数字化”与“数智化”是两个完全不同的概念，“数字化”是技术概念，而“数智化”属于数字技术的应用，两者虽有联系，但层面相去甚远。随着数字技术的发展，应用程度的快速提高，“数智化”的概念也在不断地丰富与扩展。从数码相机、数字电视开始，数字技术与产品结合，使产品更聪明，这是最初的“数智化”形态。
将数字技术用于企业管理，提升企业的决策效率与质量，使企业更聪明，这是“数智化”的第二阶段。数据（字）上云之后，不同来源的数据（字）形成聚合，人机协同的领域日益扩展，人与环境的响应关系越来越密切，使城市更聪明，这是“数智化”的第三阶段。而最高阶段就是“智慧城市”与“万物互联”......那如果将数据（字）宇宙、超级算力、高速处理与快速响应相连接，是否就可以建成国家数智一体化的系统中枢了呢？对此，您认为呢？如果您还有良知，是为公平、正义和共建美好世界而来，那就请你将《共绘网》转发出去，让更多人受益吧！
一共有人参与 条评论
构筑算力竞争优势：解决芯片设计制造技术、算法软件研发、人才供给、基础设施不均衡等问题。加大芯片领域资金投入，支持研发和创新。加强国际交流合作，吸收先进技术，推进新型算力领域探索，加强知识产权保护。加强算力领域教育培训，制定灵活多样的人才培养计划，培育优秀人才。优化算力基础设施布局，扩大规模，推动生态化发展，解决分布不均衡问题，促进算力技术在各领域创新应用。
(1)两大技术革新， 第二代 Transformer 引擎、第五代 NVLink。 30 倍 AI 算力是如何做到的？除了使用新制程，并联两块芯片以外，Blackwell 的关键改进在于引入第二代 Transformer 引擎，它支持了 FP4 和 FP6，使得计算、带宽和模型大小翻了一番。 得益于新的微张量（micro-tensor）扩展支持和集成到英伟达 TensorRT-LLM 和 NeMo Megatron 框架中的先进动态范围管理算法，Blackwell 通过 4-bit 浮点 AI 推理能力支持了双倍的算力和模型大小。 当互联大量此类 GPU 时，第二个关键区别开始显现：下一代 NVLink 交换机可让 576 个 GPU 相互通信，具有每秒 1.8 TB 的双向带宽。 英伟达表示，此前，仅由 16 个 GPU 组成的集群会在相互通信上花费 60% 的时间，而只有 40% 的时间用于实际计算。 现在，英伟达的 NVLink Switch Chip 可以让所有这些芯片互联起来，全速运转没有瓶颈（1.8TB/s，几乎比上代快 10 倍），并帮助构建了 DGX GB200 NVL72。 通过高速互联的机制，DGX GB200 NVL72 可以被认为是一个超级 GPU，FP8 训练吞吐量高达 720 PFLOPS、FP4 推理吞吐量为 1.44 ExaFLOPS，多节点 All-to-All 通信速度为 130TB / 秒，多节点 All-Reduce 通信速度为 260TB / 秒。在具体架构方面，DGX GB200 NVL72 拥有 18 个 GB200 节点机架，每个节点搭配 2 个 GB200 GPU。此外还有 9 个 NVSwitch 机架，从而为 GB200 NVL 提供了 720 PFLOPS 的 FP8 吞吐量，以及 FP4 精度的 ExaFLOPS。 所以今年画风变了现在 DGX 长这样：拥有 5000 条 NVLink 电缆，长达 2 英里，都是铜电缆，不需要光收发器，节省了 20kW 的计算成本。它的功耗过大，以至于需要用液冷，同时重量高达 3000 磅（约 1361 公斤）。 2016 年，老黄扛着第一个 DGX 系统给 OpenAI，这才有了如今的 ChatGPT。那个时候 DGX 的算力是 0.17Petaflops，现在这个 GB200，算力是以 Exaflop 计算的。在英伟达新的摩尔定律下，算力的提升速度居然还加快了。机器之心
(0)算法的技术图景。 对算法的理解，要建立在数据和模型的认知基础之上。数据是对信息进行标记、洗练、注释等数据标注行为后形成的结构化、半结构化的能够被智能机器识别的数字载体，往往表现为图像、文本、视频、音乐等形式，是信息时代、人工智能时代的“石油”。“浩瀚的数据海洋就如同工业社会的石油资源”[2]。数据是算法的前提，是存在的存在。正是有了数据这个“有什么”，算法才能“怎么办”，得出“是什么”和“为什么”。模型则是算法在训练数据后建构的特定数据结构，由预测算法和模型数据组成。因此，算法其实就是数据处理的规则、条件和方法，通过代码设计一个特定程序和步骤，从而在信息数据收集的基础上完成对数据的分类、回归、聚类处理。 算法的技术路径表现为4种类型：有监督学习、无监督学习、半监督学习、强化学习。有监督学习是指机器利用已经被训练好的数据，通过找到一个映射函数来映射输入变量X和输出变量Y。有监督学习解决的往往是分类问题和回归问题。分类问题就是指运用有监督学习的算法来预测输入数据点所对应的单一离散变量，也就是某一样本的类别，比如判断种类、职业等；回归问题就是预测连续变量，例如天气预报、物价变动等。 无监督学习则是使用未标记的数据进行训练，其目的是找到数据集的底层结构。无监督学习适用于未标记和未分类的数据，有利于从数据中找到有用的见解。无监督学习往往用来解决聚类和关联的问题。聚类是指将数据对象根据相似性进行分组的方法，主要用来分析、发现数据对象之间的共性。与分类问题的不同之处在于，聚类并不知道输入数据的类别，所以聚类往往应用于客户分群、用户画像中。关联则是面对海量数据对象，主要用来查找数据对象之间的关系，所以关联方法往往用来揭示一系列项目中某一项的概率，表现为某种应用偏好。 半监督学习是指用少量有标签的数据和大量无标签的数据来完成整个模型训练的过程，是有监督学习和无监督学习的结合。半监督学习最常用的就是伪标签技术，也被称为自我训练，就是对已经标注的数据直接训练，然后预测未标注的数据，将预测置信度最高的样本进行标签定义。这就相当于约束了算法模型对无标签的数据对象的搜索空间。 强化学习是指智能体在环境中不断试验，并通过智能体与环境的直接交换，来获得环境给予的反馈，并据此不断调整和优化行为。强化学习没有监督者，是通过从状态到行为的映射来获得最大化的奖励，而奖励反馈又具有延时性。正因如此，强化学习算法往往用来训练对象的步骤目的，即采用什么样的行动可以完成特定的目的或者实现收益最大化。所以，强化学习通常用在探索领域，包括自动驾驶、游戏、自然语言处理等。 不管是何种机器学习方式，算法技术具有5个方面的特征：（1）在输入项必须存在0个或多个数据输入，作为运算的初始情况；（2）在输出项肯定存在一个或多个数据输出，否则为失败的算法；（3）有穷性，即算法设计的流程和步骤是有限的；（4）确定性，即算法的每一步骤如何执行必须是明确的；（5）可行性，即算法中执行的任何步骤都可以在有限的时间内实施。 这5个方面的技术特征，其实彰显了算法就是一种数理逻辑，即把某个问题以数字的方式在模型论、证明论、集合论、递归论等方式中获得确定性。而数理逻辑是形式逻辑的数学表现形式，所以，算法受形式逻辑的同一律、矛盾律、排中律和论证要充足理由等规律限定。于是，算法重视的是形式而不是内容，只能得出“是”与“不是”，不可能存在模糊的“中间地带”，且所有的结果都要有依据，即存在的存在。算法就成为了统计上的“确定性”。算法在经验性事物处理上，具有比人类智能更快的处理效率和更强的问题解决能力。这一重要技术贡献，使得算法成为了生产力革命的重要标志，是推进生产生活智能化的“阿基米德支点”。 正是由于算法普遍应用于生产生活，使其既在生产方式中推进了意识形态上层建筑的变革，又在社会实践中推进了意识形态的变化。因此，为了更好地明晰算法的意识形态与意识形态的算法，需要先明确算法在生产方式和社会实践方式中的应用机理和过程，并分析它带来什么样的变革。刘伟兵，复旦大学马克思主义学院
(1)随着百模大战、千模大战持续演进，算力作为数字经济新基建的核心底座正展现出巨大的市场需求。商汤智能产业研究院田院长曾表示，“对于行业发展来说，当前加快构建全国一体化算力网的政策部署可谓恰逢其时。国内跨应用、跨企业、跨行业的数据开放共享规模、高质量数据训练速度，决定行业模型效果、数字经济3.0市场规模，这亟需全国打造东西中部算力一张网、一套数据资源标准、一套模型接口标准。” 算力智能调度将成为下一步大家关注的重点，市场也开始呼唤全国构建一体化算力网。从长远来看，可以有效应对我国的算力瓶颈，从此AI大模型的发展将不再有阻碍。，解决算力短缺问题对于我国AI产业的未来发展具有重大和深远意义，不仅涉及技术层面，更关乎我国在全球AI竞争中的战略地位。 值得欣慰的是，我国自主研发的替代产品正快速崛起，为解决算力短缺问题带来了希望和方向。部分国产GPU性能已接近行业领军企业英伟达，制造瓶颈问题也有一定程的缓解，为我国大模型产业发展带来了机遇。百度、华为等头部企业已成为国内AI算力的领先者，它们持续研发投入，不断推出具有竞争力的产品和服务。百度昆仑芯片二代已经量产，算力据说还不错，昆仑芯3代将于2024年初量产，算力将更强。昆仑芯片特别适合大模型做推理，将来也会适合做训练。华为算力方面主要是昇腾芯片，最新推出的AI芯片昇腾910B表现强劲，大规模微调训练方面表现优异，从性能、功能以及生态方面来看，已经接近英伟达A100了。 除百度、华为外，中科曙光在高端计算、存储、安全、数据中心等领域拥有深厚的技术积淀和领先的市场份额，并充分发挥高端计算优势，布局智能计算、云计算、大数据等领域的技术研发，打造计算产业生态，为科研探索创新、行业信息化建设、产业转型升级、数字经济发展提供了坚实可信的支撑。在全国各省、自治区和直辖市均设立了分支机构，拥有国际领先的3大智能制造生产基地、5大研发中心，在全国50多个城市部署了城市云计算中心。中科曙光致力为国内的AI企业提供安全可控的AI算力硬件和基础设施，共建AI产业生态，突破国外封锁。 北京趋动科技作为国内算力池化领军企业，提供的产品和服务包括AI算力管理服务、算法开发和训练支持，以及GPU虚拟化和池化技术。通过共享GPU，最大化地提高资源使用率，最多节省80%的硬件成本。通过对GPU资源池的整体管理和优化，提高整个云和数据中心GPU的利用率，节省算法工程师资源，优化多机多卡部署模型。兼容已有的AI应用和CUDA应用，无需因使用OrionX而做任何修改，支持多厂商/多品牌AI算力，降低 GPU的管理复杂度和成本。 国内在算力整个产业链的优秀企业还有很多，中国移动、中国电信、中国联通、浪潮信息、神州数码、新华三、中兴通讯、紫光股份、同方股份、寒武纪、燧原、壁仞科技等等，高质量发展离不开数字技术的加持，更离不开高质量算力的支撑，国产替代正当时！科技君
(0)9月24日，第五届外滩金融峰会上，中国国家创新与发展战略研究会学术委员会常务副主席、重庆市原市长黄奇帆提到，中美两国在数字经济领域竞争激烈。近年来，中国数字经济发展迅速，2022年中国数字经济规模达到50.2万亿元，占GDP比重 41.5%，名义增长10.3%，已连续11年高于GDP增速。 中国在人工智能、区块链、云服务、数字安全等前沿数字技术研发能力上已具有较强的国际竞争力，在电子商务、金融科技、智慧城市、数字政务、智慧医疗、智慧教育和数字社交等多元丰富场景营造方面也居于全球前列；中国已建成全球规模最大、数字技术领先的数字基础设施，算力总规模位居世界第二；数字政府建设成效显著，数字国际合作不断深化，发展数字经济战略已上升成为国家战略。 但中国在数字经济部分领域与美国差距不降反升，亟须以新一轮全面深化改革破解发展难题、激发创新潜力。
(0)当然，任正非也非常严肃地提到，打压之前，华为把基础平台建在美国，美国打压以后，华为被迫用4年的时间，建立了自己的平台。 这就是为什么Mate 60能国产化的背景。不仅如此，华为还跑步进入计算机生态和大算力领域。在任正非看来，我们即将进入的第四次工业革命，基础就是大算力。 华为公司副董事长、轮值董事长、CFO孟晚舟也在华为全联接大会上强调了算力的重要性。事实上从2003年开始，华为就在打造算力底座，为世界构建第二选择。 事实上，在华为的身后，阿里、腾讯、大疆、中兴、中芯等科技企业已经组成了一支强有力的国家队，他们在大模型、数据生态方面都在做着交互式的弯道超车。 相比较于任老爷子的冷静和孟晚舟的睿智，华为轮值董事长徐直军则显得比较悲壮。他在刚刚举行的2023年世界计算机大会上的发言，看得人热泪盈眶。他说，中国现在有600多个中国实体被美国制裁和打压，这600多个中国实体基本上就是中国最优秀最顶级的科技企业，这让中国的计算产业链面临崩溃。 从设计工具、到材料、到制造设备到芯片等等产品，甚至包括软件、算法以及应用这些，美国都没有放过我们。这不仅是华为的冬天，更是整个中国科技业的冬天。 一方面，中国半导体制造工艺将在相当长时间处于落后以及追赶的状态；另一方面，在美国出口管制下，我们根本不可能获得先进芯片或先进计算系统。 他在最后不无悲壮地说，做好长期斗争的准备，对未来不要抱有任何幻想！ 科技领域的同行都懂得他这句话的份量，更清楚我们当前面临的挑战。但中国拥有全世界最大规模的消费和应用市场，既然敢高调亮出Mate 60 Pro，就说明已经胜利在望。 事实上，任正非3年前就说过一段话，“在美国的一波又一波严厉的制裁下，使我们终于明白，美国某些政客不是为了纠正我们，而是要打死我们。” 所以无论是华为，还是国内其它科技企业，都已经做好了应对卡脖子的准备。我们看似被他们包围了，事实上他们反而催生了一批中国科技军团。 虽然华盛顿已经明确给过去的中美关系画上句号。但中国还在向着不妥协也不全面对抗的道路上努力，这也是当前最利于中国的策略。 在全球化时代，美国已经没有能力一手遮天，与高速飞驰的中国脱钩断链。 这场战争的结局，会向70年前那场战争一样。他们既打垮不了华为，更吓退不了中国。抛弃幻想，准备战斗！作者 | 燕梳楼
(0)AI技术、人才、投资追赶美国。由于当前美国对我国的芯片出口限制，国产替代方案受到时间与成本两大影响，造成中国先进工艺发展短期受限。从AI整体产业链来看，算力是AI三大核心要素之一，因此可以说，算力是制约中国发展AI大模型的主要瓶颈之一。 从AI技术层面上看，美国斯坦福大学2022年的一份报告数据显示，中国和美国是全球“AI活力”的前两名，在全球中占据了技术优势。
(0)   1  
共1条信息 |
手机扫描二维码访问
