年人工智能算力需求分析与预测

2020年9月28日，全国高性能计算学术年会在郑州圆满落幕。会上，中国工程院副院长陈左宁院士带来了一份题为《人工智能进展对算力需求分析》的深度报告。她并未简单罗列数据，而是系统梳理了人工智能模型与算法的七大发展趋势，并逐一剖析每一趋势对算力的真实需求。以下为报告核心内容。

趋势一：向无监督方向演进

人工智能正努力摆脱对大量标注数据的依赖，当前主流路径包括主动学习、迁移学习和强化学习。主动学习由算法主动筛选数据并请求专家标注；迁移学习借助预训练模型在小样本场景中发挥效能；强化学习则让智能体通过不断试错获取反馈。从主动学习到强化学习，每一步都对算力提出不同层次的需求——人机交互与数据整合能力、大算力预训练与数据处理能力，以及信息采集与概率计算能力，需求逐步升级。

趋势二：可解释性（XAI）日益关键

深度学习模型越复杂，“黑箱”问题越突出。一方面，算法需要具备可解释性才能进一步优化泛化能力；另一方面，对抗样本可能使模型失效，导致训练数据中的局部特征被不合理放大。更棘手的是，模型越复杂，可调试性和透明性就越差。应对策略主要有两个：一是将可解释技术融入现有软件框架，增加标准接口；二是将人﹣AI系统结合，使人的理解与模型融为一体。这两条路径都对软件环境和计算能力提出了新要求。

趋势三：自学习与自演化

从最初的自动机器学习（AutoML），到带约束条件的AutoML，再到完全不设初始条件、搜索空间极大丰富的自演化AutoML，人工智能模型正朝着“自我进化”方向快速发展。这一趋势离不开三要素：计算框架的支撑、大算力的支撑，以及辅助设备的支撑。

趋势四：多种算法与模型的有机组合

单一算法或模型已难以解决实际问题，这一趋势非常明确。将多种模型有机结合起来，并融入更多技术手段，正成为主流做法。与此同时，人工智能的应用流程日益复杂，不同环节的环境也各不相同——这意味着，我们需要更强的计算存储可扩展能力，以及基础软件能力的全面提升，才能支撑起复杂的组合模型。

趋势五：关注全生命周期

从数据预处理、模型建立与训练、部署推理，到持续更新与数据积累，再到最终获得推理结果，整个生命周期涉及的任务具有截然不同的时间、空间和计算需求。更关键的是，每一个环节都必须考虑可解释性和公平性，不能只盯着最终模型效果。

趋势六：分布式与分散式需求凸显

大型复杂模型和海量数据需要并行分布式计算，这是第一层需求；联邦学习等分散场景则需要原生的分布式机器学习算法。两者都指向同一个方向：大算力、对分散场景的原生支持，以及算法本身的分布式特性。这一需求正变得越来越突出。

趋势七：深度推理

清华大学唐杰老师曾梳理出一条清晰主线：从计算到感知、认知再到意识，算力需求从简单的计算存储、输入输出，逐步上升到语音图像识别、认知推理、自学习乃至顿悟。当前最大的难点是应对多种形式的不确定性——环境信息的特异性、缺乏完整理论解释自然现象、计算的有限合理性等。可行的解法包括概率计算、类脑仿脑体系结构以及模拟计算，三者都指向一种新的计算范式。

总结来看，人工智能对算力的需求呈现出几个鲜明特征：关系和概率计算的重要性大幅提升，但不需要高精度、高容错；单节点的计算反而变得简单；人在环路（Human-in-the-loop）的需求非常显著。当然，这些特点也会随着人工智能自身的进化而不断被突破。可以确定的是，算力供给的形态必须随之改变，否则就会成为瓶颈。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：年人工智能算力需求分析与预测要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题