编辑部 ChatGPT 发自 凹非寺
什么是“MEET2023智能未来大会”？
新技术新模型变革下，对计算、算力提出的 新标准、新要求、新机遇新路径、新方案、新价值 第一件事，提出了一种 AI算力基础设施的架构和平衡设计原则 目前，行业整体趋势是 HPC+AI+BigData。 AI基准设计要达到这四个目标：统一的分数、可变的规模、具有实际的人工智能意义、评测程序包含必要的多机通信。最终，以清华大学为主要团队做了AIPerf来测试，已于2020年11月15日发布。 最后他希望，他们团队做的三点小贡献，能够推动人工智能的发展。 为了让AI在终端侧发挥最大作用，高通还带来多项硬件和软件技术： 过去，几乎所有的AI推理都在云端进行。如今，我们已经开始将大量推理工作转移至边缘侧终端进行。下一步，就是实现完全分布式的AI，也就是转向终端侧学习的范式。 Ziad相信，目前我们所利用的终端侧AI能力还只是冰山一角，而从智能车到元宇宙，终端侧AI的需求巨大。 首先， Colossal-AI解决的是一个什么样的问题？ 但一个很大问题是，大模型或者是最先进的AI技术训练成本太高了。Stability AI每年光花计算的钱就大概2000万美元。 其次， Colossal-AI主要由三部分组成。 目前训练大模型主要有三种并行方式： 数据并行、张量并行、流水线并行。 其实AI工程师、研究员，不需要理解背后的技术细节，只需要把模型的信息、计算资源告诉我们，就可以自动地把计算资源能力发挥到最大化，同时完成虚拟模型训练和自动部署，轻松低成本应用AI大模型。 刘军提出了 “算力当量” 比如特斯拉的DOJO用于感知模型的训练和仿真，算力当量是500个PD。AlphaFold2的训练消耗300个PD。 接下来，刘军还分享了当前智能计算发展的三个重要趋势： 第二是模型巨量化 第三是元宇宙 新场景、新物种、新应用 小冰李笛：我们为什么想和ChatGPT交流？ 不过，小冰公司首席执行官李笛在会上没有多谈产品，而是分享了对大家更有借鉴意义的行业趋势。。 另一个例子是ChatGPT，通过它获取知识比搜索引擎的准确度要低，但为什么人们都愿意和它交流？ 其实ChatGPT改善的不是准确率而是 行为 它能和你建立一种以往没有过的一种关联，这种关联的价值本身具有非常大的商业价值。 如数字员工会 使toB和toC的界限变得模糊 接下来，李博分享了对「机器人时代」的关键认知： ROBOVERSE产学研生态系统，也称为智能驾驶的云端数据工厂。ROBO Galaxy 包含七大模块，分别是数据采集、数据合规、数据标注、数据训练、数据仿真、数据管理及数据监控，提供全流程服务，并构成了全生命周期的数据链闭环。 百度段润尧：聪明的脑袋、足够的资源和最好的技术匹配起来，就能做出量子计算机 也正因为这些可能性，量子科技一直受到行业关注。有相关机构预计，到了2031年将有8000亿元市场规模直接与量子计算相关。 即便有这么多机会，那实际真正走入生活还需要多远？段润尧团队正在做的，就是量子计算的产业化道路。刘铁岩曾对科学发现的四个范式做了总结，分别是经验范式、理论范式、计算范式和数据驱动。最近几年大家尤其关注的一种新范式，叫做 AI for Science 第一， 如何用AI求解物理方程？ 第二， 如何用AI从科学数据中发掘有效信息？ 第三， 如何从实验数据出发，用AI发现新的物理方程，形成科学发现的闭环 最后，他对AI for Science未来的发展表达了希冀。 这也就是阿里巴巴集团副总裁、阿里云计算平台事业部负责人贾扬清分享的主题。 第一，云原生的AI工程化平台； 这四个趋势，无论从供给角度还是需求角度，都是推动AI进一步往前走的方向。接着贾扬清从这四个角度介绍了他们正在做的事情。 在这个领域比较有意思的点，是AI计算与传统科学计算之间有很强的共性。 AI for Science “今天，非常多的专家、企业、开发者们在建设着上层的AI算法；而在AI底层，如何让工具变得更加易用、更加普惠，这正是我们在做的事情。” 而张宁总结道，三大业务板块包括Robotaxi、Robotruck、面向辅助驾驶的乘用车业务，都取得了了关键性进展。比如Robotaxi实现了前排无人，Robotruck获得了整个智能卡车领域最大的单量。 在倪凯看来，目前有 两个比较大的时间点 中关村科金技术副总裁张杰，在会上分享了关于对话式AI在企业服务中的一些观点和经验。 发展到现在的阶段，张杰认为目前对话式AI几个趋势值得关注： 对话形式，在脑机接口真正商用落地之前，对话仍然是最主要的一种沟通手段，除了基础的文本和语音交互外，多模态、数字人的交互方式会越来越多，比如远程银行、数字营业厅等。 聚焦在企业服务赛道上，张杰认为对话式AI潜在市场空间巨大，应用场景丰富，但现阶段面临着几项技术挑战，例如 场景迁移问题、可解释性，快速运维 AI for Science圆桌论坛：AI三要素之外，还有哪些挑战？ 下午的圆桌论坛话题就聚焦于此，参与讨论的嘉宾有： 胡成文希望有更多同仁加入进来，一起推动AI for Science从概念到落地、从学界走向工业界，真正解决行业面临的实际问题。 瞿佳润的理解是，AI for Science对应着AI for Industry，也就是说AI在工业界的应用开展更早。科研上希望利用AI去提高效率的痛点长期存在，所以一旦当技术条件成熟，AI for Science的快速铺开还是可以预见的。 下一个话题， AI for 瞿佳润具体举了生物制药的例子，有了AI for Science工具之后，流程从3、4个月缩短到一个月，显著提升效率问题。另外在靶点研究上，AI还能把问题系统化，最终体现在成功率的提升。 第三个话题， 还有哪些领域可能复制AlphaFold今天在生物医药领域所带来的改变？ 最后一个话题， AI for Science目前面临的最大挑战是什么，还是算法、算力、数据这三要素么？ 瞿佳润认为生物学问题上最重要的还是数据，比如体外的数据很难映射到体内环境，并且目前公开数据的质量还是非常差的。另外无论是AI还是传统生物学手段做科研，还需要一个好的研究体系去配合。 腾讯刘伟：只靠数据驱动的AI缺乏可解释性，要与领域知识相结合 主要做了三个部分的介绍： 腾讯云深平台、平台案例分享，以及腾讯云深AI平台的技术优势总结。 其中，小分子药物发现还包括蛋白质结构预测、分子生成等模块，大分子里面包括抗体结构预测、抗体抗原的对接以及抗体的人源化改造等模块组成。 基于这些实践的积累，刘伟团队搭建了属于自己的优势壁垒。核心有四个方面。。药物AI研发这块的最主流就是图神经网络，在做药物之前，腾讯在深度图神经网络就有深厚的研发积累，包括现在的大规模随机采样、自监督学习和层次图深度学习等领域。 最后一块， AI与物理、化学领域知识方面的结合 以终为始，生生不息 — 完「人工智能」、「智能汽车」微信社群邀你加入！ PS. 加好友请务必备注您的姓名-公司-职位哦 ~点这里 关注我，记得标星哦～ 一键三连「分享」、「点赞」和「在看」科技前沿进展日日相见~
，负责骁龙平台的产品规划以及公司所有产品线中应用处理器相关技术。他的工作服务于公司所有业务部门，包括移动、汽车、计算、XR、边缘云和物联网。 。
