-
陈左宁：《人工智能进展对算力需求分析》
2026-06-04 10:37:28
作者：陈左宁（中国工程院院士，计算机专家，第十四全国政协委员）
人工智能需要适应“小数据”、减少标注需求、减少计算开销。现在用的比较多的是主动学习，即算法主动提出标注请求，将一些经过筛选的数据提交给专家标注。迁移学习即增强训练好的模型，解决目标领域中仅有少量有标签样本数据的问题。强化学习即用agents构成系统来描述行为并给予评价和反馈学习。从主动学习到迁移学习再到强化学习，需要的能力也由“人机交互能力、数据整合能力”到“大算力预训练、数据处理能力”再到“信息采集能力、概率计算能力”不断演化。
首先，深度学习进一步设计算法和参数，提高泛化能力，需要模型算法可解释。对抗样本如果导致模型失效，那训练数据将不合理地被局部放大。另外，模型愈复杂，越容易失去可调式性和透明性。人工智能模型有透明模型和事后可解释模式，无论是哪一个模型，他们都有对算力的需求，具体需求是需要我们将可解释技术融入软件环境中，为现有软件框架增加可解释技术接口；第二个需求是将人-AI系统结合。以人为中心，把人对事情的解释跟整个模型融合在一起。
从自动机器学习（AutoML）到限制约束条件的AutoML再到不设初始条件，搜索空间极大丰富的自演化AutoML，人工智能模型的自学习、自演化需要我们提供计算框架支撑、大算力支撑、辅助设备支撑。多种算法、模型的有机组合，这个趋势目前已经非常明显了，目前单一的算法或模型难以解决实际问题，经过分析，我们可以把多种模型有机结合起来，另外，人工智能模型的发展希望融入多种技术来解决已有问题。当然，人工智能的应用流程越来越复杂，所以，不同流程所涉及的环境也多样化，这就需要不同的算法和模型的组合，需要计算存储等可扩展能力和基础软件能力提升，支持复杂模型。
人工智能应用需要关注生命周期，从设计到数据预处理，建立、训练、优化模型，部署、推理，保持和更新，数据积累，准备，训练，得到推理结果等这些全周期不同任务具有不同的事件、空间和计算需求，全生命周期都要考虑可解释、公平性需求。分布式、分散式的需求越来越突出。首先，大型、复杂模型，海量数据需要并行、分布式计算；第二，联邦学习等分散场景需要分布式ML原生算法。因此这就需要大算力、原生支持分散场景，而并行的、分散的人工智能模型算法本身的需求越来越突出。
总结下来，人工智能对算力的需求有如下特点：关系和概率计算更加突出，同时不要求高精度、不要求高容错；并且在节点上简单了，此外，人在环路中的需求非常明显。这些特点可能随着人工智能的发展不断突破。
作者介绍：
陈左宁：计算机工程技术专家，中国工程院院士，第十四届全国政协委员，中国工程院原副院长，享受国务院政府特殊津贴，第十届全国人大代表，第十七届、十八届中央候补委员。毕业于浙江大学计算机应用技术专业，工学硕士。陈左宁院士主要从事计算机体系结构和系统软件研究。自1979年以来，先后参加或领导多台国产高性能计算机系统研制工作，主持研制了多套国产大型系统软件项目，其中80年代领导研制了我国第一个与UNIX系统完全兼容的并行操作系统，在并行处理技术方面达到国际先进水平。出版专著（译著等）2 部。两次获得国家科技进步特等奖、两次获得国家科技进步一等奖。获得中国青年科技奖、国家有突出贡献的优秀中青年专家、求是奖、中国青年科学家奖等。
免责声明：以上内容（包括文字、图片、视频）为用户上传并发布，本平台仅提供信息存储服务。如涉及版权问题，请联系我们并提供版权证明，我们将立即删除！联系方式：19821197419 [微信同号]
手机:19821197419
地址:上海市闵行区莲花南路1951号
