日前，武漢城市人工智能（AI）計算中心建成投用，媒體在報道該中心算力時稱：“中心一期建設規模100P FLOPS人工智能算力……其算力相當于5萬臺高性能計算機?！痹搱蟮酪怀?，引發高性能計算領域專家關注。相關專家對《中國科學報》表示，該報道內容對“超級計算機”與“智能計算機”認識不清、概念混淆，極易引發誤導。
中國科學院計算技術研究所研究員、中國計算機學會高性能計算專業委員會秘書長張云泉告訴《中國科學報》：“智能計算機不是超級計算機，兩者的概念應該區分清楚，否則可能會引起行業混亂。”
超級計算機還是智能計算機
目前業界用于衡量超級計算的Linpack測試，測試的是超級計算機的“雙精度浮點運算能力”，即64位浮點數字的計算（FP64）。在以二進制所表示的數字精度中，還有單精度（32位，FP32）、半精度（16位，FP16）以及整數類型（如INT8、INT4）等。數字位數越高，意味著人們可以在更大范圍的數值內體現兩個數值的變化，從而實現更精確計算。
與許多科學計算等不同，AI所需的計算力不需要太高精度。“比如一些AI應用需要處理的對象是語音、圖片或視頻，運行低精度計算甚至整型計算即可完成推理或訓練?！睆堅迫f，這種專用計算機處理AI算法速度快、能耗低，這是由其特點決定的。
智能計算機是一種專用算力，在推理或訓練等智能計算方面的確表現出色，但由于AI推理或訓練一般僅用到單精度甚至半精度計算、整型計算，多數智能計算機并不具備高精度數值計算能力，這也限制其在AI計算之外的應用場景使用。
而超級計算機是一種通用算力，其設計目標是提供完備、復雜的計算能力，在高精度計算方面能力更強、應用范圍更廣，比如科學家常使用超級計算機進行行星模擬、新材料開發、分子藥物設計、基因分析等科學計算和大數據處理。
中國工程院院士陳左寧曾形象地將使用超級計算機做AI計算比喻成“大馬拉小車”，來說明超級計算雖然“十項全能”，但畢竟不是為AI量身打造。智能計算機由此興起。
此前曾一度熱炒的AI與超算融合，其實正是將改良的計算機“AI專用化”，嚴格意義上來說，它們已經不再屬于傳統超算范疇。
“現在不論超級計算中心落成還是智能計算中心，都宣稱算力是多少‘FLOPS’，其實這個單位是‘每秒浮點運算能力’，而一些智能計算機的單位其實是‘OPS’——每秒操作次數。如果不加區別地報道，大家很容易誤認為是同一種計算精度、同一種計算能力。”張云泉說，這也導致一些地方以為花了小錢建了世界頂級的“大超級計算”，好像占了便宜；等項目上了馬，將項目介紹給超算業內人士時，才恍然大悟。
用新指標引導行業健康發展
張云泉告訴記者，除了混淆智能計算機和超級計算機之外，業內還存在另外一種誤導。
“有些廠商還會模糊智能計算機的推理性能和訓練性能?！睆堅迫嬖V《中國科學報》，“與推理相比，訓練性能往往需要計算精度高一些，比如32位甚至64位；而大部分性能‘耀眼’的AI芯片，往往指的是其推理性能，而且可能只是理論值。”
對于AI計算而言，訓練性能往往更重要——許多智能模型正是依賴于此。張云泉說，訓練模型的計算量與參數量成正比，而且需要反復迭代，直到達到理想的效果。
如果要畫一張AI所需算力的示意圖，“推理”位于算力矩陣的最下層，因為半精度算力（FP16）或整型算力（如INT8）即可滿足推理需要；排在其上的是“訓練”，一般需要使用單精度算力（FP32）或半精度算力（FP16）；對算力需求最高的是類腦“模擬”，它需要雙精度算力（FP64）和低精度算力同時支持。
“混淆傳統超級計算與智能計算、混淆智能計算的訓練性能和推理性能，這兩種情況都可能會導致用戶或地方政府錯誤決策——他們本意是建設強大的計算集群，最后卻只建成了一臺只有推理性能的機器。”張云泉說。
對此，張云泉認為，需要一個簡單、有效的指標來幫助判斷系統的AI算力和整個高性能AI領域的發展狀況，從而防止行業亂象。
2020年11月，張云泉聯合清華大學教授陳文光、美國阿貢國家實驗室研究員Pavan Balaji和瑞士蘇黎世聯邦理工學院教授Torsten Hoefler，與ACM SIGHPC China委員會共同發起了基于AIPerf大規模AI算力基準評測程序的“國際人工智能性能算力500排行榜”。記者注意到，這一榜單的算力單位是OPS。
“超級計算與AI計算，一碼歸一碼，需要一個新的標尺來引導AI計算行業走上健康發展的道路?！睆堅迫f。
國產AI芯片正待奮起直追
算力始于芯片。在AI芯片賽道上，我國擁有華為（昇騰）、百度昆侖、燧原等芯片設計企業，但即便如此，國內的智能計算機仍很少能繞過美國GPU巨頭英偉達。
這是一個無奈的現實：國內上馬諸多智能計算中心，英偉達是切切實實的受益者。
“專門做智能計算的AI芯片，只要核數足夠多、主頻足夠高，就可以實現速度更快、在低精度計算中高出幾個量級的性能。但如果某個計算集群既需要高精度計算又需要低精度計算，這對AI芯片的要求就高了?！睆堅迫f，英偉達的GPU各種精度的計算能力都很突出、比較均衡。這也是大部分國產AI芯片難以與英偉達GPU硬碰硬的原因之一。
不過，國產AI芯片并非完全沒有機會。
首先，當下我國的算力基礎設施，都有強烈的國產化意愿。即便英偉達、英特爾等巨頭虎踞龍盤，但基于綜合成本、生態等各類因素，國產化的大潮仍不可阻擋。
其次，就AI當前發展而言，場景、數據、模型、算力缺一不可，這也就意味著，中國將是未來全球AI算力富集地。AI芯片作為核心需要，不可能被一種形態、一種生態所壟斷，寒武紀、昇騰等國產AI芯片的佼佼者仍坐擁巨大發展空間。
專家認為，雖然芯片是算力的主要來源和最根本的物質基礎，但是算力的生產、聚合、調度和釋放是一個完整過程，需要復雜系統的軟硬件生態共同配合，才能實現“有效算力”。因此，不能只關注芯片的單一性能指標，更要注重上層軟件應用生態。
沒有巨大算力無法發展AI？
在算力概念被混淆的背后，是AI計算有如脫韁野馬一般瘋長的算力需求。
由多位硅谷“大亨”聯合建立的人工智能非營利組織OpenAI，在2020年5月推出了其新一代無監督的轉化語言模型GPT-3，目前已有1750億參數，訓練數據量達到45TB（約1萬億單詞量）。
GPT-3模型目前已經在語義搜索、文本生成、內容理解、機器翻譯等方面取得重大突破。其最大價值是證實了機器在無監督下的自我學習能力，驗證了純粹通過擴大規模即可實現性能提升。
更壯觀的是，萬億參數模型已經在路上。6月初，北京智源人工智能研究院發布了“悟道2.0”，宣稱達到1.75萬億參數，超過之前由谷歌發布的Switch Transformer，成為全球最大的預訓練模型。
迅猛增長的參數體量，也意味著更高的計算需求——有的可能需要數千塊GPU來提供必要的算力。張云泉說，類似GPT這樣的巨模型，對算力的需求“不是鬧著玩的”。
難道，沒有巨大算力就無法發展AI嗎？
張云泉認為，在目前AI的發展階段（感知智能和認知智能）中，算力仍然是第一位的。
他的理由是，發展AI可以通過算力提升、算法革命等途徑進行，但在“資本導向”的現階段，相比不確定性的算法模型突破，算力提升是個更容易的選擇。
但必須要指出的是，運用巨大算力并不是人工智能發展的唯一方向，GPT-3這樣的巨模型同樣存在缺陷，如缺乏常識等；而探索人腦奧妙機理，實現小數據學習、遷移學習也是重要手段。
畢竟，大腦的功耗只有20瓦左右，創建低能耗的智能系統或許是更重要的努力方向。
來源：《中國科學報》
