在数字化转型的浪潮中,算力成为推动人工智能发展的核心动力。近日,以“算力飞驰,AI驱未来”为主题的2024国际AI与高性能计算学术会议在合肥成功举办。
本次学术盛会汇聚了众多行业精英,包括中国工程院的资深院士、享有盛誉的国际学术专家,以及来自合肥高新区、中国移动通信联合会、合肥市青年创新创业协会等政府机构的高层领导。同时,我们也迎来了科技界企业领袖和知名投资机构的代表,他们在此分享人工智能的最新动态,共同深入讨论高性能计算与人工智能融合领域的突破性进展、当前挑战及未来发展方向:
主动免疫、可信计算是人工智能发展的前提
通用大模型可以分析生产数据,优化生产计划,提高生产效率
大模型需要提供个性化的产品定制服务,满足市场的多样化需求
HPC可以快速将原始数据转化为可执行洞察,支持AI高级应用
HPC支持数据密集型合作,推动知识整合和创新解决全球问题
(大会现场)
在人工智能和高性能计算领域,专家学者们的见解和建议是推动行业发展的宝贵资源。以下是一些精选观点,它们不仅反映了当前技术趋势,也为未来的研究方向和技术应用提供了指导。
嘉宾语录合集
中国工程院院士 沈昌祥
人工智能的快速发展可能带来国家安全和人类安全的新风险,如系统失误、舆论干预、恶意使用智能硬件、智能化武器问题和机器人失控。
网络安全风险主要源于计算原理、体系结构和工程应用的安全性不足,导致网络空间脆弱,易受攻击。
可信计算3.0通过引入硬件级安全措施和并行安全防护,结合访问控制,构建了计算环境的免疫体系。
前法国布尔日国立高等工程师学院教授、意大利技术研究院机器人学部主任Jean-guy A. FONTAINE
大型语言模型(LLMs)和大规模机器学习模型能够深入分析客户的反馈、偏好和行为模式,这些分析结果对于指导产品开发和制定市场策略至关重要,因为它们能够揭示客户的真实需求和市场趋势,从而帮助企业更精准地定位产品特性和市场推广方向。
工业企业通过有效利用这些模型,不仅可以显著提高生产和运营的效率,降低不必要的成本开支,还能通过优化资源配置和流程管理,实现整体运营表现的全面提升,这包括但不限于产品质量的提升、生产周期的缩短以及市场响应速度的加快。
K.N.图斯大学副教授 Masood.Varshosaz
通用的大型模型通过集成强大的机器学习和人工智能算法,能够显著提升工业效率。这些模型在处理复杂任务时展现出卓越的能力,例如通过优化生产流程、预测设备故障和自动化决策制定,它们为工业自动化和智能化提供了强大的技术支持。
在质量控制这一关键领域,大型模型的应用尤为突出。它们利用人工智能驱动的计算机视觉系统,对生产线上的产品进行细致的检查。这些系统通过整合来自生产线各个环节的传感器和摄像头的数据流,能够实时收集关于每件产品的详尽信息。一旦发现产品偏差或异常,模型能够立即进行识别并发出警报,指导操作员或触发自动化系统采取相应的快速纠正措施,从而确保产品质量和生产效率。
安徽大学大数据与统计学院数据科学与大数据技术系主任 宣寒宇
通用大模型在进行专业化定义时,需要对模型进行细致的调整和优化,以确保其能够适应特定领域的数据和问题。这种调整有助于模型在特定领域内实现更准确的理解和处理,但即便如此,模型的专业化调整并不能完全解决其固有的问题。
尽管通用大模型在跨领域知识迁移方面具有潜力,但它们在实际应用中仍然面临可解释性和交互能力差的问题。这些问题可能会对模型的实际落地造成致命影响,特别是在那些要求高度透明度和用户参与度的应用场景中。因此,为了确保模型的可靠性和用户满意度,需要在模型专业化的同时,继续研究和改进这些问题。
合肥申威睿思信息科技有限公司人工智能首席专家 张旭
AI的发展正在经历从模仿人类到表现得像人类,甚至在某些领域超越人类的过程。大模型的出现代表了这一进程中的一个关键阶段,它们被设计成具有类似人类大脑的功能,能够独立进行思考和分析。这种能力不仅令人惊喜,而且在工业领域中,大模型可以被视作一个高度智能的"大脑",它在解决问题时不仅依靠自身的计算能力,还结合使用各种工具和辅助技术。
为了满足工业界对高性能计算的需求,提出了智慧体和多智慧体的概念,这些智慧体可以协同工作,以解决复杂的工业问题。在为这些智慧体配备"大脑"的同时,还需要提供必要的工具和辅助系统,以增强它们的性能和效率。此外,在工业应用中,大模型需要注意数据的可靠性和计算性能,特别是在处理海量数据时,需要利用数据加速卡等技术来提高数据处理的效率。
千行资本合伙人 孔雷
尽管通用大模型在工业界的应用已经取得了一定的进展,如在光伏领域提高良品率和效率,但它们目前主要依赖纯自然语言处理能力,缺乏多模态数据处理能力,这是一个需要改进的重要方面。此外,大模型在工业物流等更广泛的应用场景中,也显示出了性能不足的问题,需要进一步增强其能力。
工业品的最终目的是服务于人民,因此,提高大模型在工业界的应用效果,不仅能够提升生产效率和产品质量,还能够更好地满足消费者的需求。为了实现这一目标,需要硬件公司提升其算力,为大模型提供更强大的计算支持。同时,工业界也需要不断探索和改进大模型的应用方式,以确保它们能够在实际生产中发挥更大的辅助作用,从而推动整个工业的智能化和自动化发展。
中国移动通信联合会区块链与数据要素专业委员会主任 陈晓华
通用大模型通过预测性维护、自动化质量控制和生产流程优化等手段,在工业领域实现降本增效。这些模型能够预测设备故障,减少意外停机时间,通过自动化检测提高产品质量,以及通过优化生产流程提高生产效率,从而降低成本并提升整体的生产性能。
通用大模型在供应链优化和能源管理方面的应用促进了创新和个性化生产,实现了资源的优化配置,并加速了新质生产力的发展。通过精细化管理供应链,可以减少库存成本,提高响应速度;而能源管理的智能化有助于降低能耗,提升能源使用效率,这些因素共同推动了工业生产的创新和可持续发展。
合肥申威睿思首席科学家 周民
在大数据时代,企业面临着如何有效利用庞大数据量的挑战。企业可以通过开发和应用先进的数据分析技术,提取有价值的信息,从而为自身在市场中提供差异化的产品和服务。这种差异化策略不仅能够帮助企业在竞争激烈的市场中脱颖而出,而且通过精准的数据驱动决策,能够更好地满足客户需求,提升客户体验。
同时,企业在处理大数据时需要考虑性价比和成本控制。通过优化数据处理流程、采用成本效益高的技术和工具,企业可以在保持竞争力的同时,实现资源的高效利用。这种成本优势不仅体现在直接的财务节约上,还包括提高运营效率、减少浪费和提升数据处理速度等方面,从而在整体上增强企业的市场竞争力。
意大利热那亚大学教授 Agostino G. Bruzzone
数据分析、模拟以及人工智能解决方案的相关性和训练需要巨大的计算能力,这些计算需求可以通过高性能计算(HPC)得到满足。HPC提供了必要的计算资源,以处理大规模数据集并执行复杂的计算任务,这对于推动数据分析和人工智能的发展至关重要。
面对这些计算需求,计算机集群、超级计算机和云计算提供了不同的解决方案。这些选项在性能、安全性、易用性、服务和可靠性等方面各有优势,企业或研究机构可以根据自己的特定需求和预算,选择最合适的计算资源来支持其数据处理和AI解决方案的开发。
意大利热那亚大学教授 Marco Gotelli
高性能计算(HPC)在处理和分析大规模数据集方面发挥着关键作用,它能够加速数据的处理和转换,将原始数据迅速转化为可执行的洞察。在人工智能(AI)和机器学习领域,HPC提供了训练复杂模型所需的强大计算能力,这对于自然语言处理和自主系统等高级应用至关重要。
跨学科研究也从HPC的统一平台中受益,这个平台支持数据密集型的合作研究,使得不同领域的研究人员能够共同应对和解决复杂的全球性问题。HPC的这种能力促进了不同学科之间的知识整合和创新,为解决当今世界面临的挑战提供了新的视角和解决方案。
合肥先进产业研究院执行副院长 王伟
在数据处理领域,不同应用场景对信息处理的速度和响应时间有着不同的需求。为了适应这些需求,采用分散式架构,如端设备、云平台和本地数据中心,能够提供更加灵活和高效的数据处理解决方案。这种架构允许数据在最靠近数据源或用户的地方进行处理,从而减少延迟,加快数据处理速度,满足实时或近实时的数据处理需求。
人工智能的有效应用依赖于对特定场景的深入理解和定制化训练。通过这种方式,AI模型可以更精准地适应其应用环境,提高性能和效率。同时,资源的高效分配和优化利用是确保AI应用成本效益的关键。这包括合理分配计算资源、存储空间和网络带宽,以及根据应用需求动态调整资源分配,从而实现成本节约和性能提升。
苏州速显微电子科技有限公司CEO 王攀
在数据应用中,需要根据实时性需求在端侧和边缘端进行多层级的分布式计算。对于实时性要求不高的任务,可以部署在边缘端处理,而对实时性要求高的则应放在端侧进行,以确保快速响应。这种分层计算策略要求芯片设计满足更高的性能和灵活性标准。
不同类型的芯片针对不同的应用场景展现出各自的优势。GPU因其对通用模型的广泛支持而受到青睐,ASIC则需要统一的算法架构来实现特定任务的优化,而FPGA则适合定制化的小规模场景应用。随着人工智能的深入发展,新的计算架构需要在系统层面进行创新和优化,以适应多样化的应用需求。