據(jù)介紹，人工智能比較大的挑戰(zhàn)之一是識別度不高、準確度不高，提高準確度就要提高模型的規(guī)模和精細度，提高線下訓練的頻次，這需要更強的計算力。當前隨著人工智能算法模型的復(fù)雜度和精度愈來愈高，互聯(lián)網(wǎng)和物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)呈幾何倍數(shù)增長，在數(shù)據(jù)量和算法模型的雙層疊加下，人工智能對計算的需求越來越大。

“2016年3月，谷歌人工智能阿爾法圍棋（AlphaGo）戰(zhàn)勝韓國棋手李世石時，人們慨嘆人工智能的強大，而其背后巨大的‘付出’卻鮮為人知——數(shù)千臺服務(wù)器、上千塊CPU、高性能顯卡以及對弈一場棋所消耗的驚人電量?！边h望智庫人工智能事業(yè)部部長、圖靈機器人首席戰(zhàn)略官譚茗洲在接受科技日報記者采訪時表示。

“相比云計算和大數(shù)據(jù)等應(yīng)用，人工智能對計算力的需求幾乎無止境。”中國工程院院士、浪潮集團首席科學家王恩東也指出。

據(jù)介紹，人工智能比較大的挑戰(zhàn)之一是識別度不高、準確度不高，提高準確度就要提高模型的規(guī)模和精細度，提高線下訓練的頻次，這需要更強的計算力。

當前隨著人工智能算法模型的復(fù)雜度和精度愈來愈高，互聯(lián)網(wǎng)和物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)呈幾何倍數(shù)增長，在數(shù)據(jù)量和算法模型的雙層疊加下，人工智能對計算的需求越來越大。

從中國信息通信研究院王蘊韜在通信世界網(wǎng)發(fā)表的文章了解，人工智能基礎(chǔ)設(shè)施建設(shè)重要一方面是繼續(xù)夯實通用算力基礎(chǔ)。當前算力供給已經(jīng)無法滿足智能化社會構(gòu)建，根據(jù)OpenAI統(tǒng)計，從2012年至2019年，隨著深度學習“大深多”模型的演進，模型計算所需計算量已經(jīng)增長30萬倍，無論是計算機視覺還是自然語言處理，由于預(yù)訓練模型的廣泛使用，模型所需算力直接呈現(xiàn)階躍式發(fā)展。

據(jù)斯坦?！禔IINDEX2019》報告，2012年之前，人工智能的計算速度緊追摩爾定律，算力需求每兩年翻一番，2012年以后，算力需求的翻番時長則直接縮短為3、4個月。面對已經(jīng)每過20年才能翻一番的通用計算供給能力，算力捉襟見肘已經(jīng)不言而喻。

無疑，人工智能走向深度學習，計算力已成為評價人工智能研究成本的重要指標。

未來如何解決算力難題，據(jù)科技日報報道，目前計算存儲一體化正在助力、推動算法升級，成為下一代AI系統(tǒng)的入口。存內(nèi)計算提供的大規(guī)模更高效的算力，使得AI算法設(shè)計有更充分的想象力，不再受到算力約束。從而將硬件上的先進性，升級為系統(tǒng)、算法的領(lǐng)先優(yōu)勢，最終加速孵化新業(yè)務(wù)。

而除了計算存儲一體化的趨勢，量子計算或是解決AI所需巨額算力的另一途徑。目前量子計算機的發(fā)展已經(jīng)超越傳統(tǒng)計算機的摩爾定律，以傳統(tǒng)計算機的計算能力為基本參考，量子計算機的算力正迅速發(fā)展。