发展人工智能,算力优先还是算法优先.pdfVIP

March032025291

人工智能

发展人工智能，

算力优先还是算法优先

■本刊记者汪建︱文

近期我国人工智能公司深度求索（DeepSeek）发布的DeepSeek-R1版本，以其低成本、

高效率、开源的优势，给人工智能行业以强烈震撼。包括三大电信运营商在内的众多企业，纷

纷接入DeepSeek予以支持。DeepSeek所取得的突破，降低了此前人工智能研发的高算力

门槛，缓解了算力焦虑。但与此同时也引发争论，是不是我们已经彻底突破了算力瓶颈？发展

人工智能，未来是以算力为突破口，还是以算法为突破口？

追根溯源探规律

本轮人工智能热潮始于21世纪10年代，

基于三项基础条件的突破，分别是深度学习技

术的进步、GPU应用到人工智能以及互联网积

累海量数据。

深度学习技术的突破。深度学习是机

器学习的一个重要分支，特指基于深层神经

网络模型和方法的机器学习，其渊源可追溯

到20世纪50年代。2017年，谷歌提出了习、科学计算等，让训练大规模模型成为可能。

Transformer模型，这是一种基于深度学习理2011年，深度学习领域的先驱GeoffHinton

论用于处理语言数据的神经网络模型，非常适和他的学生AlexKrizhevsky开始使用GPU

合用于翻译、文本生成和理解等任务。2018年，加速深度神经网络的训练。此后，随着深度学

LLMs（大型语言模型）出现。作为其中的代习在计算机视觉、自然语言处理等领域的快速

表，OpenAI推出了ChatGPT系列版本，成发展，GPU成为训练大规模神经网络的首选硬

为当前大热的自然语言类人工智能应用。作为件。英伟达等公司也推出了专门针对AI计算

后来者的DeepSeek各版本也是基于深度学习的GPU产品，如A100等。随着模型规模越

技术。来越大，对GPU的需求也越来越高。OpenAI

GPU应用到人工智能。GPU作为图形处在训练过程中，从GPT-1到GPT-4，模型参

理芯片，很长一段时间没有用于人工智能的数数量增长了数千倍，对GPU的需求也呈指数

据处理。2006年，英伟达公司推出了CUDA级增长，GPT-1仅需要几百块GPU，而到了

软件平台，开发者可以利用GPU的强大计算GPT-4则需要数万块GPU和超大规模的计算

能力来处理图形以外的计算任务，比如深度学基础设施的支撑。

中国电信业31

CHINATELECOMMUNICATIONSTRADE

聚焦Focus|人工智能

互联网积累海量数据。大模型的训练需要要处理这么多的参数，势必得增加算力。对此，

大量数据作为支撑。在互联网出现之前，大规我国工程院院士邬贺铨进行了深刻诠释。他表

模数据的获取、积累极为困难。互联网出现后，示，大模型领域存在规模化定律，模型参数量、

随着用户规模的扩大，其创造的数据以指数级数据集以及用于训练的算力规模三因素同时放

增长。据IDC不同时期的统计数据，2000年大才有最佳效果，当不受其他两个因素的制约

全球数据为2EB，2010年增长为1.2ZB，时，大模型性能与单个因素都有幂律关系，仍

2020年增长为59ZB，预计到2025年增长为然需要“大力出奇迹”。

175ZB。这些数据的主要构成类别包括文本、“大力出奇迹”实际上是在算法一定的条

视频、图像、音频、传感器数据等，为大模型件下，工程界就人工智能大模型研发给出的最

训练提供了丰富的数据来源。同时迅速发展的优解。但是，“大力出奇迹”是有尽头的，受

数据抓取、存储与处理的技术，也保障了大模限于资源的有限性。

型训练的数据质量。资源有限性是经济社会活动的基本约束

本次有史以来最大规模的人工智能浪潮，条件，体现在人工智能开发方面，突出问题

是过去二十多年来全球信息通信行