IDC och Longchamp släppte nyligen tillsammans "2022-2023 China Artificial Intelligence Computing Power Development Assessment Report" (hädanefter kallad "Rapporten"). Rapporten förutspår att AI-marknadsrelaterade utgifter i Kina kommer att nå 13,03 miljarder USD 2022 och förväntas nå 26,69 miljarder USD 2026, med en sammansatt årlig tillväxttakt på 19,6 procent från 2022 till 2026.
Bland dem är AI-servrar fortfarande den främsta drivkraften för AI-marknadstillväxt. IDC-data visar att den globala AI-servermarknaden kommer att växa med en årstakt på 39,1 procent 2021, vilket överstiger den totala globala AI-marknadens tillväxttakt (20,9 procent) och är den drivande kraften bakom den totala AI-marknadstillväxten.
I Kina driver den accelererade landningen av AI-applikationer till stor del den höga tillväxten på Kinas AI-servermarknad. 5,92 miljarder USD av AI-servermarknadens storlek 2021, en ökning med 68,2 procent jämfört med 2020, och förväntas nå 12,34 miljarder USD 2026.
Samtidigt växer omfattningen av datorkraft i Kina, särskilt intelligent datorkraft, också i hög takt. Enligt rapporten når Kinas generella datorkraftskala 47,7 EFLOPS (10 miljarder flyttalsoperationer per sekund) år 2021 och förväntas nå 111,3 EFLOPS år 2026.
Och omfattningen av Kinas intelligenta beräkningskraft når 155,2 EFLOPS 2021, kommer att nå 268EFLOPS 2022 och förväntas gå in i triljon biljoner flyttalsnivån (ZFLOPS) 2026 och nå 1271,4EFLOPS.
Detta innebär också att under 2021-2026 kan Kinas intelligenta datorkraftskala växa med en sammansatt årlig tillväxttakt på 52,3 procent, medan skalan för allmänt bruk växer med en sammansatt årlig tillväxttakt på 18,5 procent under samma period .
De stora modellerna som har blivit mer populära i branschen de senaste åren är de mest typiska stora innovationerna som drivs av intelligent datorkraft. Enligt rapporten, tack vare modellens starka generaliseringsförmåga, det låga beroendet av long-tail-data och förbättringen av effektiviteten i nedströms modellanvändning, anses den stora modellen ha prototypen av "generell intelligens" och har bli ett av de viktiga sätten att utforska branschen för att uppnå inkluderande artificiell intelligens.
De tekniska grunderna för Big Model är transformatorarkitektur, migrationsinlärning och självövervakat lärande. Transformatorarkitekturen har gjort genombrott inom NLP och har även bevisat sin effektivitet i visionuppgifter. Ur datorkraftssynpunkt växer kapaciteten hos språk- och visuella modeller och motsvarande behov av datorkraft snabbt, och utvecklingen av stora modeller stöds av enorm datorkraft.
Om vi använder den "arithmetiska ekvivalenten" (PetaFlops/s-day, PD), dvs den totala mängden aritmetisk effekt som förbrukas av en dator som körs biljoner gånger per sekund under en hel dag, för att mäta den totala mängden aritmetisk effekt krävs för AI-uppgifter, AlphaFold2 i AI plus Science, autonoma körsystem och GPT-3 i AI plus Science. Modellträning som GPT-3 kräver hundratals eller till och med tusentals PD:er av aritmetiskt stöd, t.ex. GPT-3-träning kräver 3640 PD:er av aritmetisk kraft.
Med förmågan hos stora modeller går applikationer av AIGC-typ, inklusive text-till-graf och virtuell digital människa, snabbt in i kommersialiseringsstadiet och medför enorma förändringar i metauniversumets innehållsproduktion. Enligt rapporten låter den stora modellen AI-teknik gå från att "kunna lyssna och se" för fem år sedan till "att kunna tänka och skapa" idag, och förväntas uppnå "att kunna resonera och fatta beslut". " i framtiden. Framtiden förväntas uppnå betydande framsteg av "kan resonera, kan fatta beslut".
Utvecklingen av stora modeller medför dock stora utmaningar för datorkraften. Enligt rapporten har den stora beräknings- och lagringsresursoverheaden för utbildning av stora modeller höga krav på accelererade datorsystem och artificiell intelligens-mjukvara, och tusentals acceleratorkort behövs ofta för att träna hundratals miljarder och biljoner modeller, vilket utgör en stor utmaning för främjandet och generaliseringen av stora modeller.
Samtidigt, begränsat av den marginella minskande effekten, kommer den ytterligare förbättringen av modellens komplexitet och noggrannhet att kräva en större andel av beräkningsresurserna, och oro för beräkningseffektivitet kommer att begränsa den fortsatta expansionen av den stora modellparameterskalan.
Därför, även om det nuvarande antalet stora modellparametrar ännu inte har nått den mänskliga hjärnans synaptiska storlek, blir marknadens uppfattning om stora modeller rationell. Branschen inser gradvis att utvecklingen av stora modeller bör fokusera mer på grönt och koldioxidsnålt, sjunkande servicekapacitet och affärsmodellpraxis, vilket kommer att bana väg för skalan av stora modeller att landa i olika branscher.
Rapporten påpekar att graden av tillämpning av AI i olika branscher generellt visar en trend av fördjupning, och tillämpningsscenarierna blir mer och mer omfattande. AI har blivit en viktig förmåga för företag att söka nya tillväxtpunkter för företag, förbättra användarupplevelsen och upprätthålla kärnkonkurrenskraften.
Samtidigt, i 2022 års China AI-stadsrankning, fortsätter Peking, Hangzhou och Shenzhen att behålla de tre bästa, Shanghai och Guangzhou rankas fyra och femte, och Tianjin kom in i topp 10. Förutom TOP10-städerna, många städer som Hefei, Wuhan och Changsha har gjort stora framsteg inom AI-tillämpningar, drivna av sina egna industriella fördelar och olika faktorer.
*** Översatt med www.DeepL.com/Translator (gratisversion) ***