Nylig ga IDC og Longchamp i fellesskap ut «2022-2023 China Artificial Intelligence Computing Power Development Assessment Report» (heretter referert til som «Rapporten»). Rapporten spår at AI-markedsrelaterte utgifter i Kina vil nå 13,03 milliarder dollar i 2022 og forventes å nå 26,69 milliarder dollar i 2026, med en sammensatt årlig vekstrate på 19,6 prosent fra 2022 til 2026.
Blant dem er AI-servere fortsatt hoveddriveren for AI-markedsvekst. IDC-data viser at det globale AI-servermarkedet vil vokse med en år-til-år-rate på 39,1 prosent i 2021, og overgå den totale globale AI-markedsveksten (20,9 prosent) og er drivkraften bak den totale AI-markedsveksten.
I Kina driver den akselererte landingen av AI-applikasjoner i stor grad den høye veksten i Kinas AI-servermarked. 5,92 milliarder dollar av AI-servermarkedsstørrelsen i 2021, opp 68,2 prosent sammenlignet med 2020, og forventes å nå 12,34 milliarder dollar innen 2026.
Samtidig vokser omfanget av datakraft i Kina, spesielt intelligent datakraft, også i høy hastighet. I følge rapporten når Kinas generelle datakraftskala 47,7 EFLOPS (10 milliarder milliarder flytepunktoperasjoner per sekund) i 2021, og forventes å nå 111,3 EFLOPS innen 2026.
Og omfanget av Kinas intelligente datakraft når 155,2 EFLOPS i 2021, vil nå 268 EFLOPS i 2022, og forventes å gå inn i trillion billioner flytende komma per sekund (ZFLOPS) nivå innen 2026, og nå 1271,4EFLOPS.
Dette betyr også at i løpet av 2021-2026 kan Kinas intelligente datakraftskala vokse med en sammensatt årlig vekstrate på 52,3 prosent , mens den generelle datakraftskalaen vokser med en sammensatt årlig vekstrate på 18,5 prosent i samme periode .
De store modellene som har blitt mer populære i bransjen de siste årene er de mest typiske store innovasjonene drevet av intelligent datakraft. I følge rapporten, takket være modellens sterke generaliseringsevne, den lave avhengigheten av langhaledata og forbedringen av effektiviteten til nedstrøms modellbruk, anses den store modellen å ha prototypen "generell intelligens" og har bli en av de viktige måtene å utforske industrien for å oppnå inkluderende kunstig intelligens.
Det tekniske grunnlaget for Big Model er transformatorarkitektur, migrasjonslæring og selvovervåket læring. Transformatorarkitekturen har gjort gjennombrudd i NLP og har også bevist sin effektivitet i synsoppgaver. Fra et datakraftsynspunkt øker kapasiteten til språk- og visuelle modeller og det tilsvarende datakraftbehovet raskt, og utviklingen av store modeller støttes av enorm datakraft.
Hvis vi bruker den "aritmetiske ekvivalenten" (PetaFlops/s-day, PD), dvs. den totale mengden aritmetisk kraft som forbrukes av en datamaskin som kjører trillioner ganger per sekund i en hel dag, for å måle den totale mengden aritmetisk kraft kreves for AI-oppgaver, AlphaFold2 i AI plus Science, autonome kjøresystemer og GPT-3 i AI pluss Science. Modelltrening som GPT-3 krever hundrevis eller til og med tusenvis av PD-er med aritmetisk støtte, slik som GPT-3-trening krever 3640 PD-er med aritmetisk kraft.
Med evnen til store modeller går AIGC-typene applikasjoner, inkludert tekst-til-graf og virtuelle digitale mennesker, raskt inn i kommersialiseringsstadiet og bringer store endringer i meta-universets innholdsproduksjon. I følge rapporten lar den store modellen AI-teknologi gå fra "å kunne lytte og se" for fem år siden til "å kunne tenke og skape" i dag, og forventes å oppnå "å kunne resonnere og ta beslutninger" " i fremtiden. Fremtiden forventes å oppnå en betydelig fremgang av "kan resonnere, kan ta beslutninger".
Utviklingen av store modeller gir imidlertid også store utfordringer for datakraft. I følge rapporten har de store beregnings- og lagringsressursoverheadene for opplæring av store modeller høye krav til akselererte datasystemer og kunstig intelligens-programvarestabler, og tusenvis av akseleratorkort er ofte nødvendig for å trene hundrevis av milliarder og billioner av modeller, noe som utgjør en stor utfordring for promotering og generalisering av store modeller.
Samtidig, begrenset av den marginale avtagende effekten, vil ytterligere forbedring av modellens kompleksitet og nøyaktighet kreve en større andel av dataressurser overhead, og bekymringer om beregningseffektivitet vil begrense den fortsatte utvidelsen av den store modellparameterskalaen.
Derfor, selv om det nåværende antallet store modellparametere ennå ikke har nådd den synaptiske størrelsen til den menneskelige hjernen, blir markedsoppfatningen av store modeller rasjonell. Industrien erkjenner gradvis at utviklingen av store modeller bør fokusere mer på grønt og lavt karbon, senking av tjenesteevne og forretningsmodellpraksis, noe som vil bane vei for at skalaen til store modeller kan lande i ulike bransjer.
Rapporten påpeker at generelt viser bruksgraden av AI i ulike bransjer en trend med utdyping, og anvendelsesscenarioene blir mer og mer omfattende. AI har blitt en viktig evne for bedrifter til å søke nye forretningsvekstpunkter, forbedre brukeropplevelsen og opprettholde kjernekonkurranseevnen.
I mellomtiden, i Kina AI-byrangeringen for 2022, fortsetter Beijing, Hangzhou og Shenzhen å opprettholde de tre beste, Shanghai og Guangzhou ble rangert som fjerde og femte, og Tianjin kom inn på topp 10. I tillegg til TOP10-byene, har mange byer som Hefei, Wuhan og Changsha har gjort store fremskritt innen AI-applikasjoner, drevet av sine egne industrielle fordeler og ulike faktorer.
*** Oversatt med www.DeepL.com/Translator (gratisversjon) ***