人工智能正在成为热门科技，这要归功于计算能力的巨大提升。2020年，基于GPU的AI加速芯片提供的计算能力已超过通用CPU，预计到2025年，加速芯片提供的计算能力可能达到总计的80%。算力已经成为人工智能规模化发展的决定性因素，智慧计算成为智慧时代的核心生产力。

然而，由芯片到算力的转化仍存在巨大缺口。多样化的智能场景需要不同的计算能力，巨大的模型、数据和应用规模需要强大的计算能力。因此，快速实现多元芯片到计算系统的创新已成为推动人工智能产业发展的关键环节。

人工智能在算法领域的突破带来了不同精度的计算类型，对计算芯片指令集和架构提出更精细的要求。《计算机架构的新黄金时代》一书中指出：当摩尔定律不再适用时，以硬件为中心的领域专用架构（DSA）设计将成为主导。基于DSA思想设计的AI芯片在特定的AI工作负荷下表现出卓越的处理能力，推动了AI芯片的多元化发展。

多元化芯片为产业的人工智能化提供了重要基础和更多选择。然而，将芯片从制造到广泛应用之间仍然存在巨大的产业鸿沟。供给算力需要构建算力平台，解决架构设计、核心组件、高速互联和散热设计等一系列问题。而面对大规模的AI算力部署，AI算力平台的建设也面临许多新问题。

与造火箭发动机相比，造安全高性能的运载火箭也需要在循环、控制、结构等领域进行大量工作。芯片到计算系统的转化过程同样需要完成系统性的设计工作，包括体系结构、信号完整性、散热和可靠性等方面。

巨大的模型是AI发展的重要趋势。通过大规模数据训练超大参数量的巨量模型被认为是实现通用人工智能的重要方式。许多知名的AI领先公司都在巨量模型上进行了重要投资和研究。

巨量模型的特点是具有更多的参数和更大规模的训练数据。例如，全球最大规模的中文AI巨量模型“源1.0”由浪潮人工智能研究院开发，参数量高达2457亿，训练数据集规模达到5000GB。与GPT-3模型相比，它的参数规模增加了40% ，训练数据集规模增加了近10倍。

然而，与巨量化相关的挑战也在于模型的应用规模。顶级互联网公司的AI开放平台每天承载数万亿次的调用量，数百万小时的语音识别，超过百亿张图像识别和超过万亿句的自然语言理解等等。这样巨大的调用量对算力中心的应用支持能力提出了巨大的挑战。

生态离散化也是人工智能面临的挑战之一。许多企业在智能化转型中遇到了困境，无法将AI技术与业务、应用场景结合起来。这些企业发现缺乏了解算法和模型的人才，也缺乏易用的AI开发平台。同时，算法模型众多，如何找到在应用中的最佳组合也是一个问题。优秀的AI人才往往集中在科研机构和头部公司，他们缺乏对传统行业需求场景和业务规律的深入理解。

另外，生态离散化与AI芯片多元化的发展趋势密切相关。目前，AI芯片架构各不相同，指令集不兼容，而编程库也与具体芯片绑定，灵活性不高。小公司只做其中一个环节，导致垂直生态的不通；大公司则倾向于构建封闭系统，导致横向生态的不通。

因此，生态离散化已成为制约人工智能技术、应用规模和产业发展的瓶颈。

为了充分释放多元算力的价值和推动人工智能的创新，需要重视智算系统的创新，加大人工智能新型基础设施建设的力度，形成从技术到应用的协同创新链条。同时，加快推动开放标准的建设，通过统一的、规范的标准将多元化的算力转化为可调度的资源，让计算能力易于使用。

以上是中国工程院院士、浪潮首席科学家王恩东在2021人工智能计算大会（AICC2021）上强调的观