2025新一代人工智能技术发展及其应用报告-西藏大学-2025.4.9-111页.pptx

主讲人：尼玛扎西中国工程院院士西藏大学信息科学技术学院教授

2025年4月9日;新一代人工智能技术发展及其应用;;第一部分人工智能;;;;;;;;;;;;;;;“让计算机在智力测试或下棋上中展现出一个成年人的水平是相对容易的，但是要让计算机拥有如同一个一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。”;;无意识的：当你走独木桥时，或被磕绊努力保持身体平衡时，使用的是本能的思维方式，这与逻辑无关;简单地说这涉及我的视觉系统（可能是靠余光）先扫描整个场景，锁定杯子，运动皮质准确地协调整个躯干、胳膊、前臂和手部的肌肉收缩，当手触碰到杯子时，我的神经系统就传回了有关杯子重量、空间位置、温度、手柄光滑度等大量的信息。这些信息通过大脑的海量计算和反馈调整。最终在几分之一秒里，使我拿起杯子送到嘴边并喝下咖啡;我们能够理解人类自身是如何做算数、代数和下棋的，但我们不是太了解我们是如何认出一只猫的，也不太清楚当我们跑过山路时是如何保持身体平衡的;机器学习通过改变计算机编程方式解决了悖论;直到不久前，我们还在用计算机编程的方法教计算机完成特定任务（事情）

这些程序一步一步地设计计算机在可能遇到的各种情况下应该做什么？怎么做。但是这就意味着我们自己必须在教计算机处理问题之前，首先清楚地理解我们自己处理问题时的思考方式;;使AI发展神速的其中一个原因是大数据的收集、存储、传输和分析成为可能

大数据：

一种规模大到在获取、存储、管理、分析方面大大超出传统数据库软件工具能力范围的数据集合，具有海量数据规模、高速数据流转、多样数据类型和高价值及低价值密度四大特征;BigData：WholeData（KB、MB、GB、TB、PB、EB、ZB、YB、NB、DB）

TB、PB级的结构化、非结构化和半结构化数据。预计到今年，全球数据使用量将达到175ZB（1ZB=270Byte）

以前利用统计学的原理、抽样的方法分析问题。但是，这显然没有全部数据更能说明问题

全量数据的采集、存储、处理与分析的需求，推动产生了系列大数据技术，其中的重点在基于分布式技术的数据存储与处理;;数据的重要性怎么强调都不为过!

??果将机器学习算法比作一架机器，那么数据就是驱动这架机器的燃料，没有燃料驱动，机器设计得再精巧也只能是摆设。而事实上，数据确实被誉为未来的“石油”

当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级;;;深度学习需要大量的训练数据，目前的AI技术还是数据驱动的

当数据量较小时，传统机器学习模型的性能与神经网络模型的差别不大

当数据规模越来越大时，神经网络结构更加复杂的深度学习模型更能够从大数据中提取（学习）到有效的特征，模型性能也随之非常明显地上升;我们今天正在使用的巨大的数据集，在几年前是想得而不能的。现在，大数据无处不在且大得惊人

BigData的单位一般以TB、PB衡量。1PB=1024TB;深度学习的大数据传输：

若算力是深度学习的喷气式发动机，数据则是燃料。吉尔德定律（Gilder’sLaw）保证了燃料供应

Gilder’sLaw：

主干网带宽的增长速度至少是运算性能增长速度的三倍，而主干网的网络带宽的不断增长意味着各种新的网络应用方式

的出现和网络用户的使用费用的不断下降（CERNET主干网总带宽3.15T以上，中国电信主干网总带宽458T）;算力：就是单位时间内硬件能够完成的某种运算的量。比如浮点计算、整数计算等

1MOPS（MillionOperationPerSecond）：处理器每秒钟一百万次（106）操作

1GOPS（GigaOperationsPerSecond）： 处理器每秒钟十亿次（109）操作

1TOPS（TeraOperationsPerSecond）： 处理器每秒钟一万亿次（1012）操作

FLOPS（floating-pointoperationspersecond）：每秒执行浮点运算次数

1MFLOPS（MegaFLOPS）每秒一百万（106）次的浮点运算

1GFLOPS（GigaFLOPS）每秒十亿（109）次的浮点运算

1TFLOPS（TeraFLOPS） 每秒一万亿（1012）次的浮点运算

1PFLOPS（PetaFLOPS） 每秒一千万亿（1015）次的浮点运算;训练神经网络模型，使它像人一样识别图片或理解人类语言所需的算力是十分惊人的。深度学习中的模型权重值调整涉及大规模的“矩阵反演”数学运算

模型训练

训练一个大模型，甚至需要1024次的浮点数运算。这就要求计算机的算力足够强大;，;今天，摩尔定律的乐观已不复存在，CPU性能的提升降至每年不足3%，实现性能翻倍需20年;CPU性能提升速度大幅放缓，出现八核、十六核、三十二核

CPU。