商汤为什么要建 AI 计算中心( 二 ) 合并|架构|小红书|社区|电商

比如，在传统的工业生产线上，客户希望 AI 算法能够检测钢铁的焊缝是不是符合标准。这个行业本来没有与之匹配的智能软件和平台，应用的矛盾就在于，以尽可能小的预算去解决这个问题。这样才是真正实现了降本增效。如果「一个算法本身要花几十万、上百万，算法确实有用，但是太贵了。」
如今，面对这样的需求时，商汤「通过 AIDC 的支撑和加持，能够让算法的生产成本下降到过去的 1/10。」
要实现成本下降，就要充分利用大模型带来的优势。AIDC 支持万亿参数大模型训练，可以衍生出超过 2 万多个商用模型，帮助产业界以极低的下游数据采集成本，快速验证多个新场景。
AI 行业里近年来出现了「大模型」的趋势。「用预训练大模型，去指导小模型的训练，实现跨场景应用方向。」杨帆介绍，AIDC 能够更好地支持大模型，再用大模型指导长尾模型的自动化生产、自动化训练，从而能够提高效率，降低成本。
大模型如何帮助实现长尾的细分场景呢？例如，有地方提出需求，希望算法能够检测到有人落水，然后发出通知，相关人员接到通知后第一时间前往救助。
解决这个长尾场景的难点在于，落水的视频素材本身就不多，样本数据就不多。那么采用大模型的思路，不是单独训练识别落水素材的算法，而是先用各种人类行为的视频素材作为数据。在更广泛的范围收集大量数据，训练出大模型。再用这个模型作为「老师」，训练出一个只会识别落水行为的「学生」。这样，只需要较少的样本数量，就能够得到比较好的识别结果。
使用大模型作为支撑的好处在于：遇到频率低，不常见的应用需求时，基于少量的专有数据，使用小样本达到结果。
03
助力国产芯片产业化
预计到 2024 年，所有服务器全部到位时，AIDC 国产化的硬件比例将超过 50%。

文章插图
人工智能是软件硬件一体化的产业进程，芯片厂商也需要拥有解决软件适配问题的能力。而商汤搭建的 AI 基础设施的综合角色，可以使其在硬件、软件、应用的产业链上起到重要的沟通的作用。
作为 AI 基础通用设施，本身就包含了硬件层、平台层以及软件系统，同时连接着下游应用厂商。商汤与硬件、芯片厂商做适配，拉通应用侧需求的同时，也帮助节约其研发费用和时间成本。「整体上，加速了他们的市场化进程，帮助降低整体成本。」杨帆说。
除了促进国产芯片的市场化进行，商汤也正在探索从芯片、服务器、训练框架、算法到行业落地的 AI 生态。
2021 世界人工智能大会上，商汤与中国电子技术标准化研究院、中国信息通信研究院、清华大学、复旦大学、上海交通大学及多个行业伙伴共同成立了「人工智能算力产业生态联盟」。整个生态的探索分为前、中、后期。
杨帆介绍，在前期，配合芯片设计和流片的节奏，商汤定期组织深度闭门研讨会，让来自硬件设计、软件设计、计算等不同领域的专家共同交流，「希望尽可能在最开始，通过讨论交流，对于软硬件的边界，形成一个足够标准、通用的接口层的定义。」目的是在之后的软件和硬件迭代中减少无用功，降低成本。
在中期，在国产芯片适配完成，投入 AIDC 运营之后，商汤将扮演评估的角色，与中国电子技术标准化研究院（工业和信息化部电子第四研究院）建立「CESI-SenseTime 人工智能算力及芯片评测联合实验室」。实验室开展人工智能算力和芯片标准制定、人工智能芯片测评工具开发，提供人工智能计算中心、芯片测试验证服务和人才培训等支持。「这个实验室未来将成为一个测评机构，对每一款国产芯片的 AI 服务器，我们会提供一个相对中立的、第三方的，更加权威的评估评测。」
在长期看来，商汤也会把尽可能把优质的 AI 芯片及其服务器，导入整合到自己的解决方案，以及合作伙伴的解决方案中。
从技术创新的原点出发，到最终成为客户价值，中间包括了许多环节。从一个研究前沿算法的团队起家到亚洲最大的 AI 软件公司，历经七年，商汤积累了许多经验。
如何在技术持续创新、高速迭代的环境下，持续做技术产业化和商业化？杨帆总结，「在推动创新产业化这件事上，我们内部有大量的积累和沉淀」，这是属于商汤的「过程性资产」。当将技术创新到产生客户价值的周期不断缩短，甚至短至三四个月，「我觉得这是商汤今天某种意义上，对行业或产业而言，更大的一个核心竞争力所在。」