ai算力瓶頸

1. ai美顏的發展瓶頸

最大的瓶頸是從業者的觀念問題。即AI的歷史階段，為誰服務，為誰研發的問題。

目前AI的頭部企業，包括網路，騰訊，阿里，商湯，科大訊飛等等，服務的方向都在B端，G端。為什麼會這樣？有項目，有資金，有KPI，有投資方的要求。

然而，當你對比互聯網的發展歷史，你就會發現是一件很可笑的事情。

2000年之前，互聯網有很多流派，包括門戶，BTOB，BTOC，還有一種幫企業幫政府建網站生意。當時建網站可是好生意，幾百萬幾十萬建網站項目多的是，搞點動畫，搞點後台資料庫，這和現在AI公司做各種toG，toB項目一模一樣。

那些堅持toC，只考慮點擊率，拚命擴大用戶數的互聯網企業笑到了最後。

現在的互聯網公司就不可能成為未來偉大的AI公司，就和當初軟體公司不可能成為現在的這些頭部互聯網公司一樣。非常典型的例子就是微軟，趕互聯網一個早集，就搞出來一個IE瀏覽器，基本上其他機會全部丟失了。

有人會說，即做B端又做C端不行嗎？抱歉，你想得太美了，就目前人類的智力科技水平，需要在AI上突破，形成一個巨大的行業或者社會變革，你不拚命怎麼行？團隊不拚命怎麼行？方向錯誤精力分散只會一事無成，這就是目前AI瓶頸的原因之一。

2. 科技｜阿里達摩院：這十項前沿技術2020將有大突破

不久前，阿里巴巴集團前沿 科技 研究機構達摩院發布了2020十大 科技 趨勢，涵蓋了人工智慧、量子計算、區塊鏈等前沿 科技 及技術熱詞。業內認為，達摩院發布的趨勢內容 聚焦了正在走進現實生活的前沿技術，成為相關行業一種有益的展望 。

2020十大 科技 趨勢具體包括，人工智慧從感知智能向認知智能演進、計算存儲一體化突破AI算力瓶頸、工業互聯網的超融合、機器間大規模協作成為可能、模塊化降低晶元設計門檻、規模化生產級區塊鏈應用將走入大眾、量子計算進入攻堅期、新材料推動半導體器件革新、保護數據隱私的AI技術將加速落地、雲成為IT技術創新的中心。

以「保護數據隱私的AI技術將加速落地」這一趨勢為例，報告認為，數據流通所產生的合規成本越來越高。使用AI技術保護數據隱私正在成為新的技術熱點，其能夠在保證各方數據安全和隱私的同時，聯合使用方實現特定計算，解決數據孤島以及數據共享可信程度低的問題，實現數據的價值。

達摩院斷言， 科技 浪潮新十年開啟，圍繞AI、晶元、雲計算、區塊鏈、工業互聯網、量子計算等多個領域將出現顛覆性技術突破。

01 人工智慧從感知智能向認知智能演進

人工智慧已經在「聽、說、看」等感知智能領域已經達到或超越了人類水準，但在需要外部知識、邏輯推理或者領域遷移的認知智能領域還處於初級階段。認知智能將從認知心理學、腦科學及人類 社會 歷史 中汲取靈感，並結合跨領域知識圖譜、因果推理、持續學習等技術，建立穩定獲取和表達知識的有效機制，讓知識能夠被機器理解和運用，實現從感知智能到認知智能的關鍵突破。

02 機器間大規模協作成為可能

傳統單體智能無法滿足大規模智能設備的實時感知、決策。物聯網協同感知技術、5G通信技術的發展將實現多個智能體之間的協同——機器彼此合作、相互競爭共同完成目標任務。多智能體協同帶來的群體智能將進一步放大智能系統的價值：大規模智能交通燈調度將實現動態實時調整，倉儲機器人協作完成貨物分揀的高效協作，無人駕駛車可以感知全局路況，群體無人機協同將高效打通最後一公里配送。

03 計算存儲一體化突破AI算力瓶頸

馮諾伊曼架構的存儲和計算分離，已經不適合數據驅動的人工智慧應用需求。頻繁的數據搬運導致的算力瓶頸以及功耗瓶頸已經成為對更先進演算法 探索 的限制因素。類似於腦神經結構的存內計算架構將數據存儲單元和計算單元融合為一體，能顯著減少數據搬運，極大提高計算並行度和能效。計算存儲一體化在硬體架構方面的革新，將突破 AI 算力瓶頸。

04 工業互聯網的超融合

5G、IoT 設備、雲計算、邊緣計算的迅速發展將推動工業互聯網的超融合，實現工控系統、通信系統和信息化系統的智能化融合。製造企業將實現設備自動化、搬送自動化和排產自動化，進而實現柔性製造，同時工廠上下游製造產線能實時調整和協同。這將大幅提升工廠的生產效率及企業的盈利能力。對產值數十萬億乃至數百萬億的工業產業而言，提高 5%-10% 的效率，就會產生數萬億人民幣的價值。

05 模塊化降低晶元設計門檻

傳統晶元設計模式無法高效應對快速迭代、定製化與碎片化的晶元需求。以RISC-V 為代表的開放指令集及其相應的開源 SoC 晶元設計、高級抽象硬體描述語言和基於 IP 的模板化晶元設計方法，推動了晶元敏捷設計方法與開源晶元生態的快速發展。此外，基於芯粒（chiplet）的模塊化設計方法用先進封裝的方式將不同功能「晶元模塊」封裝在一起，可以跳過流片快速定製出一個符合應用需求的晶元，進一步加快了晶元的交付。

06 規模化生產級區塊鏈應用將走入大眾

區塊鏈 BaaS(Blockchain as a Service) 服務將進一步降低企業應用區塊鏈技術的門檻，專為區塊鏈設計的端、雲、鏈各類固化核心演算法的硬體晶元等也將應運而生，實現物理世界資產與鏈上資產的錨定，進一步拓展價值互聯網的邊界、實現萬鏈互聯。未來將涌現大批創新區塊鏈應用場景以及跨行業、跨生態的多維協作，日活千萬以上的規模化生產級區塊鏈應用將會走入大眾。

07 量子計算進入攻堅期

2019 年，「量子霸權」之爭讓量子計算在再次成為世界 科技 焦點。超導量子計算晶元的成果，增強了行業對超導路線及對大規模量子計算實現步伐的樂觀預期。2020 年量子計算領域將會經歷投入進一步增大、競爭激化、產業化加速和生態更加豐富的階段。作為兩個最關鍵的技術里程碑，容錯量子計算和演示實用量子優勢將是量子計算實用化的轉折點。未來幾年內，真正達到其中任何一個都將是十分艱巨的任務，量子計算將進入技術攻堅期。

08 新材料推動半導體器件革新

在摩爾定律放緩以及算力和存儲需求爆發的雙重壓力下，以硅為主體的經典晶體管很難維持半導體產業的持續發展，各大半導體廠商對於 3 納米以下的晶元走向都沒有明確的答案。新材料將通過全新物理機制實現全新的邏輯、存儲及互聯概念和器件，推動半導體產業的革新。例如，拓撲絕緣體、二維超導材料等能夠實現無損耗的電子和自旋輸運，可以成為全新的高性能邏輯和互聯器件的基礎；新型磁性材料和新型阻變材料能夠帶來高性能磁性存儲器如 SOT-MRAM 和阻變存儲器。

09 保護數據隱私的AI技術將加速落地

數據流通所產生的合規成本越來越高。使用 AI 技術保護數據隱私正在成為新的技術熱點，其能夠在保證各方數據安全和隱私的同時，聯合使用方實現特定計算，解決數據孤島以及數據共享可信程度低的問題，實現數據的價值。

10 雲成為IT技術創新的中心

隨著雲技術的深入發展，雲已經遠遠超過 IT 基礎設施的范疇，漸漸演變成所有 IT 技術創新的中心。雲已經貫穿新型晶元、新型資料庫、自驅動自適應的網路、大數據、AI、物聯網、區塊鏈、量子計算整個 IT 技術鏈路，同時又衍生了無伺服器計算、雲原生軟體架構、軟硬一體化設計、智能自動化運維等全新的技術模式，雲正在重新定義 IT 的一切。廣義的雲，正在源源不斷地將新的 IT 技術變成觸手可及的服務，成為整個數字經濟的基礎設施。

3. 浪潮如何應對AI算力多元、巨量、生態化挑戰

浪潮認為智算中心是應對未來AI算力多元、巨量、生態化挑戰的新基建。所以，浪潮在2020年提出智算中心的構想，提供AI計算所需的算力服務、數據服務和演算法服務的公共算力新型基礎設施，在AI時代將扮演算力生產供應平台、數據開放共享平台、智能生態建設平台和產業創新聚集平台等多重角色。智算中心普及，可降低全社會AI應用成本、加強政府社會治理能力、增強企業創新轉型動能、推動人工智慧產業聚集。

4. 人工智慧發展中遇到了什麼瓶頸

據《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》顯示，人工智慧商業化難的第一個瓶頸來自於數據。而第二個瓶頸則在於更多應用場景的挖掘與構建。業內人士分析說，一些人工智慧應用確實起到了代替人類工作的作用，有些甚至已高於人類的工作效率。
人工智慧概念近幾年開始面向大眾普及，但是距離全面的應用仍較遠。圍繞人的行為軌跡，如可穿戴、車載、家居等應用場景，打造面向大眾的，有自主品牌的軟硬結合的AI產品，並形成一定的規模，將是目前人工智慧從技術到產品，並實現商業化的靠譜之路。
此外，第三個瓶頸主要是技術研發水平。人工智慧技術研發水平能滿足部分商業化發展的需求，但存在極大的拓展深化和發展空間。

5. 人工智慧大勢已來，未來發展會遇到什麼難關

先看一組數字：

1. 2020年我國人工智慧市場規模將達710億元

我國人工智慧產業雖然起步較晚，但以網路、阿里巴巴、騰訊、科大訊飛等為代表的企業已經開始大規模地投入和布局，產業投資和創業熱情高漲，技術研究、行業應用等快速發展。根據中國信息通信研究院的統計數據顯示，2017年我國人工智慧市場規模達到216．9億元，同比增長52．8％，預測2020年這一數值將增加到710億元。

2. 人工智慧輔助診斷全程不超過2分鍾

在醫療行業，醫學影像科是醫院診療系統中患者流量最大的科室之一，臨床診斷的70％依賴於影像。然而，放射科醫生4．1％的年增長速度遠遠趕不上影像數據30％的年增長率，這為影像人工智慧醫療產業升級提供了動力——數據顯示，智能醫學影像市場將以超過40％的增速發展。越來越多的醫院對人工智慧輔助診斷寄予厚望。在上海市第一人民醫院影像科辦公室內，放射科醫生會使用冠心病人工智慧輔助診斷系統，為患者診斷動脈狹窄的程度。與以往需要耗費大量時間處理書寫診斷報告不同，人工智慧輔助診斷系統可以快速三維建模、判斷狹窄程度、輸出結構化報告，全程不超過2分鍾。這款軟體由國內企業數坤科技自主研發，已經服務於全國百餘家醫院。

上面這組數字，已經明確展示了人工智慧未來的大發展，在數字經濟下，人工智慧作為第四次產業變革的引擎，已逐漸滲透到各行業中，為人類社會和經濟發展帶來變革。

不過，人工智慧與數據息息相關，受到數據約束。人工智慧產品的落地和聚焦領域的細分化，都對數據採集和標注提出了更多挑戰——這能回答樓主，未來人工智慧發展所需要解決的一個難關，就是數據關。

雲測數據認為，目前，AI只是處於「弱智能」階段，且大多隻聚焦於某一領域，通用型的AI尚處於研發階段，而且高度智能的「強智能」階段是否會到來、需要多久才能到來，一切尚都是未知數。人工智慧短期內一定會代替部分重復性勞動。AI本身其實帶有一種溫情和關懷，因為它代替的是高危和重復性勞動，這會節省很多人類的時間，讓人與人之間的交互模式產生很大改觀。而當前人工智慧亟待突破的一大瓶頸就是數據。數據量尤其是專用領域的數據數量和質量不夠，硬體工程化成本相對較高，缺乏應對場景等。

雲測數據認為，人工智慧的背後有數據、演算法和算力來支撐，這三要素之間其實是一種相互促進，並且也相互制約的關系。其中，數據是人工智慧發展的基礎，沒有數據，再強的演算法也不可能有好的模型。「人工智慧產業化落地的關鍵就在於數據，演算法模型做得再好，數據從源頭上就錯了，那就得不到正確的訓練成果。」

現在很多AI產品都處於落地階段，對於模型的精確程度要求非常高，對應的要求數據的精度也就非常高了。而且為了提高模型識別精度，AI公司用到的數據也從單一化向多模態轉變。以自動駕駛為例，從最早基於攝像頭做感知的方案，到引入激光雷達，到之後可能會引入更多其他感知設備來提升感知演算法。未來多感測器的解決方案將會普遍應用到我們所使用的AI產品中，它的感知模式將不僅僅是基於單一的圖像、聲音或文字，將會引入更多模態的數據。

為了演算法的提升，AI企業不僅需要定製化的數據採集來獲得長尾場景的數據；同時對於標注數據的精度也需要進一步提升。隨著應用場景的不斷挖掘，整個人工智慧行業未來會出現聚焦領域越來越細分化的趨勢。

目前AI在領域聚焦、細化、垂直化大趨勢下，對數據的要求也更高，雲測數據通過打造場景實驗室等方式，為AI企業提供定製化、高效、安全的數據採集標注服務。

6. 華為發布最強AI訓練集群Atlas 900的意義何在

日前，在華為全聯接2019大會上，華為副董事長胡厚昆發布了Atlas 900 AI訓練集群。

此次發布的Atlas 900 AI訓練集群由數千顆升騰910 AI處理器互聯構成，每顆升騰910 AI處理器內置32個達芬奇AI Core，單晶元提供比業界高一倍的算力。集群總算力達到256P～1024P FLOPS @FP16，相當於50萬台PC的計算能力。

華為已在華為雲上部署了一個Atlas 900 AI訓練集群，集群規模為1024顆升騰910 AI處理器。華為以極優惠的價格，面向全球科研機構和大學，即刻開放申請使用。

傳統上，我們對華為的認知是一個做基站的通訊業廠商，後來華為開始做手機，是一個手機廠商，而事實上，華為還有一個企業業務BG，為企業服務也是華為的重要業務。

那麼，華為搞這個Atlas 900 AI訓練集群的目的是什麼?這個東西到底有多先進?其意義何在呢?

一、 升騰910的實力

最近幾年，隨著深度學習演算法的突破，人工智慧開始熱了起來。但是人工智慧的計算模式與傳統的CPU計算不太一樣，這讓算力成了瓶頸。

一開始，人們用很多CPU組成傳統的超級計算機，做AI計算。

後來，人們用GPU並行計算的優勢，把GPU做人工智慧計算。我們熟悉的AlphaGO，就是在nVIDIA的GPU上訓練的。

但是，從理論角度，GPU設計出來是跑 游戲 ，跑設計的，而不是為了計算的。後來nVIDIA的黃老闆發現，這么強大的計算能力只用來玩 游戲 太浪費，搞出來通用計算，GPU才能跑計算。

而那個時候，深度學習還沒突破，人工智慧還沒熱鬧起來，所以GPU跑AI計算其實也是兼職，不是專職。

最後，人們乾脆搞專門的晶元用來做AI計算，谷歌在搞，網路在搞，中科院投資的寒武紀在搞。

華為一開始是買的寒武紀的IP，用在自己的麒麟970上面，但是很快華為發現這個東西自己也可以來，於是就開發出達芬奇架構，搞出來升騰910。

按照華為的數據，在7nm工藝上，升騰910相比Nvidia 12nm下的Tesla V100要快一倍。

因為Tesla V100不僅算AI，也要當超算的加速器用，閹割一下還得當顯卡用，所以晶體管不能全部用在算AI上。

而升騰910是專用的，這個差別，類似於CPU挖礦，GPU挖礦和礦機晶元挖礦的區別。

從專用晶元比較，網路的昆侖，寒武紀公布的晶元算力效率也很強大。但是它們相比華為的硬體實力有很大差距。

所以，華為的產品已經流片上線，它們的產品還在PPT和流片實驗階段。

目前，你能用上的AI計算，華為的方案是最強的。

二、 華為的意圖

目前，華為的升騰910和Atlas 900 AI訓練集群對外不銷售，而是通過網路提供廉價的算力。

從成本上看，Atlas 900 AI訓練集群採用「HCCS、 PCIe 4.0、100G以太」三類高速互聯方式，高速低延遲互聯的另外一個涵義就是「貴!」。

而升騰910用7nm流片，7nm本身就很貴，nVIDIA還用便宜的12nm，華為用昂貴的7nm加上昂貴的高速互聯，成本應該高很多。

但是，華為偏偏不高價賣。

nVIDIA的Tesla V100一個賣1萬美元。谷歌對外租，但是你要租一個32核的算力一個小時24美元，租一年優惠價是37842美元。

華為的價格還沒出來，但是華為說了會以極優惠的價格，面向全球科研機構和大學。

華為高成本搭建算力平台，低價出租，這是做慈善嗎?

當然不是，華為的意圖也很有意思。

現在人工智慧熱，相當於淘金。而華為，nVIDIA和谷歌(未來也許有網路、寒武紀)是賣水的。

在通訊行業，電信運營商是淘金的，華為、諾基亞，愛立信是賣水的。

華為知道賣水能發財，目前這個布局期，我賣便宜點，盡量讓淘金者喝我的水，然後習慣用我的杯子，我的水桶(AI配套的軟體框架)，等你習慣了，整個AI業界都用我的算力。我再舒舒服服的收費，淘金者就只能從我這買水了。

這個策略，和當年微軟縱容盜版Windows一樣，你習慣用Windows不是個系統問題，而是整個生態都在Windows下沒法換了。X86處理器也沒法換。

這是華為的意圖。

三、 華為的AI大局缺一個網路

我們知道，當年在桌面計算上。是Wintel聯盟，英特爾出硬體，微軟出軟體，搭建生態系統。

後來移動領域，是AA，ARM和安卓，ARM和蘋果。

華為要搞這個，不僅是開放算力的問題，還需要有一個搞軟體，搞應用的把算力需求放到華為平台上來。

這個人是誰呢?網路最合適 。

網路深耕AI的年頭很長，布局時間和谷歌差不多，其他家的AI還在概念的時候，網路的AI已經落地到工業企業，用於質檢，物流，客服很多領域了。

網路的做法是，前台服務結合行業，後台算力在網路的AI雲上，網路提供軟體框架，落地到解決方案。網路雲端相當於AI的大系統。

華為的AI賣水要成功，需要和網路結合起來，華為AI提供算力，網路把華為的AI算力，做成AI雲平台，讓應用端直接調用，應用端解決實際問題。

最後是任何行業需要AI提高效率，那麼它就用網路AI雲平台的方案，直接調動功能。而網路AI再使用華為的AI計算硬體的算力。

華為與網路聯手，或者能夠變成AI時代的Wintel。

7. 8萬億中國AI算力產業，完全國產化為何舉步維艱

在這個科技發達的時代，AI技術或許將會是一個突破口，未來的一波紅利也一定在AI技術方面，我們國家對於AI技術這一方面的研究非常的深，並且投入了很大的一個成本去研究。目前中國的算力市場超過了8萬億，但似乎中國的算力市場處境十分的艱難，我們也很少聽說關於中國算力，更多的是國外的一些智能化，比如說手機、晶元等等。從種種跡象上來看的話，中國的算力產業已經十分的優秀了，想要達到完全的國產化，為何卻如此的舉步維艱呢？我們就來好好的討論一下這個話題。

8. 人工智慧的發展前景如何

中國人工智慧技術起步較晚，但是發展迅速，目前在專利數量以及企業數量等指標上已經處於世界領先地位。2013-2018年，全球人工智慧領域的論文文獻產出共30.5萬篇，其中，中國發表7.4萬篇，美國發表5.2萬篇。在數量佔比方面，2017年中國人工智慧論文數量佔比全球已經達27.7%。當前中美兩國之間人工智慧科研論文合作規模最大，是全球人工智慧合作網路的中心，中美兩國合作深刻影響全球人工智慧發展。

2019年中國AI晶元市場規模約為115.5億元，在5G商用的普及和政策、技術等各因素的推動下，AI晶元有望在雲計算、安防、消費電子、機器人等領域實現大規模商用，預計2021年AI晶元市場規模將達到436.8億元。但值得注意的是，隨著人工智慧技術的加速普及，下游應用領域對AI算力和能耗的要求越來越高，傳統馮諾依曼架構式晶元的瓶頸逐漸顯露，AI晶元將朝著存算一體化方向發展。有分析師認為，存算一體AI晶元的發展前景雖受到廣泛認可，但整體仍處在發展的起步階段。從實現計算與存儲的融合設計，到技術的落地、量產、規模化商用，還有較長階段。能夠率先實現技術、產品突破的企業將更容易獲得資本、人才、市場的支持。

世紀浪人：智慧築基，源聚強國，深度分析中國人工智慧發展概況
我國人工智慧發展全球論文佔比情況（數據來源：艾媒數據中心）

相關調查機構數據顯示， 截至2017年12月31日，中國人工智慧專利申請數達46284件。隨著國家大力提倡、投入研發逐漸增加，人工智慧運用到越來越多的行業領域，未來相關專利數量應當會持續增加，人工智慧技術產業化發展前景向好。

世紀浪人：智慧築基，源聚強國，深度分析中國人工智慧發展概況
截止2017年我國人工智慧專利申請數量（數據來源：艾媒數據中心）

2018年中國人工智慧領域共融資1311億元，增長率超過100%，投資者看好人工智慧行業的發展前景，資本將助力行業更好地發展。隨著人工智慧技術的進一步發展和落地，深度學習、數據挖掘、自動程序設計等領域也將在更多的應用場景中得到實現，人工智慧技術產業化發展前景向好。

1.中國步入技術驅動增長的高質量發展階段，政策將持續加碼推動晶元全面國產化

中國數字經濟產業已經成為驅動經濟增長的新動能，2019年數字經濟規模佔GDP的比重達36.2%;作為數字經濟產業底層基礎的集成電路，卻嚴重依賴進口，2020年前八個月，中國集成電路進口金額超過萬億元;未來政策將持續加碼發展集成電路產業，實現晶元全面國產化。

2.中國AI晶元有望引領國產晶元實現彎道超車，預計2023年中國AI晶元市場規模將突破千億元

5G基站、大數據中心、人工智慧等新型基礎建設的完善，促使AI晶元成為引領晶元行業未來發展的重要方向;政策、資本、技術、市場等多重因素將驅動AI晶元這一新賽道快速發展，中國晶元有望實現彎道超車;預計2023年中國AI晶元市場規模將超過千億元。

3.存算一體化AI晶元是未來主流方向，受益於下游需求的強勁驅動力而快速發展

人工智慧產業的成熟化發展驅動AI晶元由通用型向專用型發展，急劇增長的數據量對AI晶元的性能以及能耗提出了更高要求;能夠兼具性能和成本的存算一體化AI晶元符合未來發展趨勢，在下游需求的推動下有望快速發展。

世紀浪人：智慧築基，源聚強國，深度分析中國人工智慧發展概況
AI晶元概念描述直觀圖（來源：艾媒咨詢）

人工智慧，作為計算機科學最前沿的發展方向，同時也是新一輪產業變革的核心驅動力，具有巨大的市場前景。面向人工智慧應用的AI演算法，除具有傳統演算法一般的性能特徵，還具備處理大量非結構化數據、處理過程計算量大、參數量大等新特質，亟須強大的運算能力和高效的訪存能力支撐。

世紀浪人：智慧築基，源聚強國，深度分析中國人工智慧發展概況
人工智慧相關學科及關聯關系（來源：艾媒咨詢）

4.中國人工智慧未來熱度持續

目前中國整個人工智慧產業規模仍在保持增長，同時國家也在不斷出台各類人工智慧產業扶持政策，資本市場對人工智慧行業的投資熱情不減，技術方面不斷突破是產業增長的核心驅動力。

未來人工智慧產業的走向取決於演算法的進步，由於演算法的技術突破是決定人工智慧上限的，所以未來人工智慧企業拉開差距就在演算法的技術突破上，誰能先在演算法上取得成功，誰就能取得資本市場青睞，同時產業落地也會進一步提速。在演算法方面，目前已經有深度學習和神經網路這樣優秀的模型，但就目前國內人工智慧演算法的總體發展而言，工程學演算法雖已取得階段性突破，但基於認知層面的演算法水平還亟待提高，這也是未來競爭的核心領域。

雖然演算法決定人工智慧上限，但是目前的演算法短時間內可能很難有所突破，所以算力也是目前人工智慧企業競爭的一個重點方向，以目前的算力水平，主要實現商業化的人工智慧技術為計算機視覺、智能語音等，未來若算力進一步突破包括算力的提升、生產成本的降低都會使人工智慧技術的產業化進一步深入。

9. 踐行AI戰略：華為引領數據中心網路邁入人工智慧時代

AI正在成為企業助力決策、提升客戶體驗、重塑商業模式與生態系統、乃至整個數字化轉型的關鍵驅動力。

但在嶄新的AI時代，數據中心網路性能也正在成為AI算力以及整個AI商用進程發展的關鍵瓶頸，正面臨諸多挑戰。

為此，華為以「網路新引擎 AI贏未來」為主題發布了業界首款面向AI時代數據中心交換機CloudEngine 16800，將人工智慧技術創新性的應用到數據中心交換機，引領數據中心網路邁入AI時代。

AI時代數據中心網路面臨三大挑戰

當前，數字化轉型的持續推進，正在提速驅動數據量暴增；同時，語音／視頻等非結構化數據佔比持續提高，龐大的數據量和處理難度已遠超人類的處理能力，需要基於機器運算深度學習的AI演算法來完成海量無效數據的篩選和有用信息的自動重組，從而獲得高效的決策建議和智慧化的行為指引。

根據華為GIV 2025（Global Instry Vision）的預測，企業對AI的採用率將從2015年的16％增加到2025年86％，越來越多的企業將利用AI助力決策、重塑商業模式與生態系統、重建客戶體驗。

作為人工智慧的「孵化工廠」，數據中心網路正成為AI等新型基礎設施的核心。但與此同時，隨著AI時代的到來，AI人工智慧的算力也受到數據中心網路性能的影響，正在成為AI商用進程的一大瓶頸。

華為網路產品線總裁胡克文指出，AI時代的數據中心網路將面臨以下三大挑戰：

挑戰1．AI算力。高性能數據中心集群對網路丟包異常敏感，未來的網路應該做到零丟包。但傳統的乙太網即使千分之一的丟包率，都將導致數據中心的AI算力只能發揮50％。

挑戰2．大帶寬。未來5年，數字洪水猛增近20倍，現有100GE的網路無法支撐。預計全球年新增數據量將從2018年的10ZB猛增到2025年180ZB（即1800億TB），現有100GE為主的數據中心網路已無法支撐數據洪水的挑戰。

挑戰3．要面向自動駕駛網路的能力。隨著數據中心伺服器規模的增加，以及計算網路、存儲網路和數據網路三網融合，傳統人工運維手段已難以為繼，亟需引入創新的技術提升智能化運維的能力，如何用新的技術去使能、把網路問題排查出來成為業界都在思考的問題。

華為定義AI時代數據中心交換機三大特徵

從行業大勢來看，隨著以人工智慧為引擎的第四次技術革命正將我們帶入一個萬物感知、萬物互聯、萬物智能的智能世界，數據中心網路也必須從雲時代向AI時代演進。在華為看來，數據中心需要一個自動駕駛的高性能網路來提升AI算力，幫助客戶加速AI業務的運行。

那麼，AI時代的數據中心網路究竟該如何建設呢？胡克文指出，「華為定義了AI時代數據中心交換機的三大特徵：內嵌AI晶元、單槽48 x 400GE高密埠、能夠向自動駕駛網路演進的能力。」

特徵1．業界首款內嵌AI晶元數據中心交換機，100％發揮AI算力

從應用側來看，刷臉支付的背後是上億次圖像信息的智能識別，深度 健康 診斷需要基於數千個演算法模型進行分析，快捷網購體驗離不開數百台伺服器的智能計算。也就是說，新商業物種的誕生，產業的跨越式發展以及用戶體驗得以改變，強烈地依賴於人臉識別、輔助診斷、智能推薦等AI應用的發展。

但由於AI算力受到數據中心網路性能的影響，正在成為AI商用進程的關鍵瓶頸。為了最大化AI算力，存儲介質演進到快閃記憶體檔，時延降低了不止100倍，計算領域通過採用GPU甚至專用的AI晶元將處理數據的能力提升了100倍以上。

CloudEngine 16800是業界首款搭載高性能AI晶元的數據中心交換機，承載獨創的iLossLess智能無損交換演算法，實現流量模型自適應自優化，從而在零丟包基礎上獲得更低時延和更高吞吐的網路性能，克服傳統乙太網丟包導致的算力損失，將AI算力從50％提升到100％，數據存儲IOPS（Input／Output Operations Per Second）性能提升30％。

特徵2．業界最高密度單槽位48 x 400GE，滿足AI時代5倍流量增長需求

數據中心是互聯網業務流量匯聚點，企業AI等新型業務驅動了數據中伺服器從10G到25G甚至100G的切換，這就必然要求交換機支持400G介面，400GE介面標准化工作已經於2015年啟動，目前針對數據中心應用已經完成標准化，400G時代已經來臨。

集群的規模是數據中心架構演進的動力，經典的無阻塞CLOS理論支撐了數據中心伺服器規模從千台、萬台到今天10萬台規模的發展，增大核心交換機容量是數據中心規模擴大的最常見手段。以一個1000T流量規模的數據中心組網為例，採用400GE技術，核心匯聚交換機需要5K個介面，相對100GE技術減少75％。

為此，CloudEngine 16800全面升級了硬體交換平台，在正交架構基礎上，突破超高速信號傳輸、超強散熱、高效供電等多項技術難題，不僅支持10G→40G→100G→400G埠平滑演進能力，還使得單槽位可提供業界最高密度48埠400GE線卡，單機提供業界最大的768埠400GE交換容量，交換能力高達業界平均的5倍，滿足AI時代流量倍增需求。同時，CloudEngine 16800在PCB板材、工藝、散熱，供電等多方面都進行了革命性的技術改進和創新，使得單比特功耗下降50％。

特徵3．使能自動駕駛網路，秒級故障識別、分鍾級故障自動定位

當數據中心為人工智慧提供了充分的技術支撐去創新時，人工智慧也給數據中心帶來巨大利益，如藉助telemetry等技術將異常信息送到集中的智能運維平台進行大數據分析，這極大提升了網路的運行和運維效率，降低運維難度和人力成本。但是當前計算和存儲正在融合，數據中心伺服器集群規模越來越大，分析的流量成千倍的增長，信息上報或者獲取頻度從分鍾級到毫秒級，再加上信息的冗餘，這些都使得智能運維平台的規模劇增，智能運維平台對性能壓力不堪重負降低了處理的效率。如何減輕智能運維平台的壓力，在最靠近伺服器，最靠近數據的網路設備具有智能分析和決策功能，成為提升運維效率的關鍵。

CloudEngine 16800基於內置的AI晶元，可大幅度提升「網路邊緣」即設備級的智能化水平，使得交換機具備本地推理和實時快速決策的能力；通過本地智能結合集中的FabricInsight網路分析器，構建分布式AI運維架構，可實現秒級故障識別和分鍾級故障自動定位，使能「自動駕駛網路」加速到來。該架構還可大幅提升運維系統的靈活性和可部署性。

引領數據中心網路從雲時代邁入AI時代

自2012年進入數據中心網路市場以來，目前華為已服務於全球6400＋個用戶，廣泛部署在中國、歐洲、亞太、中東、非洲、拉美等全球各地，幫助互聯網、金融、政府、製造、能源、大企業等多個行業的客戶實現了數字化轉型。

2017年華為進入Gartner數據中心網路挑戰者象限；2018年進入Forrester數據中心SDN網路硬體平台領導者；2013－2018年，全球數據中心交換機廠商中，華為連續六年復合增長率第一，發展勢頭強勁。

早在2012年，華為就以「雲引擎，承未來」為主題，發布了CloudEngine 12800數據中心核心交換機，七年以來這款面向雲時代的交換機很好的支撐了數據中心業務彈性伸縮、自動化部署等核心訴求。

而隨著本次華為率先將AI技術引入數據中心交換機、並推出面向AI時代的數據中心交換機CloudEngine 16800，華為也在引領數據中心網路從雲時代邁入AI時代。

2018年，華為輪值董事長徐直軍宣布：將人工智慧定位為新的通用技術，並發布了人工智慧發展戰略，全面將人工智慧技術引入到智能終端、雲和網路等各個領域。而本次華為發布的業界首款面向AI時代數據中心交換機CloudEngine 16800，也是華為在網路領域持續踐行AI戰略的集中體現。

而作為華為AI發展戰略以及全棧全場景AI解決方案的一個重要組成部分，CloudEngine 16800不僅是業界首款面向AI時代的數據中心交換機，還將重新定義數據中心網路的代際切換，助力客戶使能和加速AI商用進程，引領數據中心真正進入AI時代。

10. 人工智慧開發的瓶頸是什麼

新年剛過，各大獵頭公司就在拚命的尋找人工智慧方面的人才，可以看得出，2018年人工智慧會更加的火爆。

不過人工智慧火爆歸火爆，但通往人工智慧之路並不平坦。

當前我們處於弱人工智慧時代，仍然有大量的技術問題亟待突破，更別提下一個階段的發展了。

當然，有人說，一切待量子計算機出現後，將迎刃而解，不過，量子計算機何時才能出現呢？