禁令頻出，國產AI何去何從？

原創贊收藏評論

舉報 2024-12-05

掃描,分享朋友圈

12月2日，美國宣布了新一輪對華出口限制措施，將140余家中國企業加入貿易限制清單，涉及半導體制造設備、電子設計自動化工具等多個種類。

12月3日，中國互聯網協會、中國半導體行業協會、中國汽車行業協會、中國通信企業協會等陸續發布聲明，呼吁國內企業審慎選擇采購美國芯片。

翻看多家被列入“限制清單”企業的回復，均表示不會對公司業務產生實質性影響，這些企業的股價也沒有出現大幅波動。

但在知乎等平臺上，討論的焦點沒有局限在半導體產業，而是將話題指向了AI。根據CNNIC發布的《生成式人工智能應用發展報告》，2024年上半年國內生成式人工智能產品的用戶規模已經超過2.3億人次，等于是每六個中國人中，就有一人正在使用生成式AI產品。

一旦AI領域所需的芯片供應被“切斷”，是否預示著國產AI的進度速度將放緩，進而影響到千行萬業的數智化進程，影響每一個用戶的智能體驗？

01 算力的另一種“解法”

之所以會出現上述猜想，原因在于大模型對算力的依賴。

大模型通常有數十億到數萬億的參數，需要處理海量的訓練數據，對算力提出了極高的要求。比如訓練過程中需要進行大規模的矩陣運算，對GPU、TPU等加速硬件依賴很大，算力不足的話，可能導致訓練時間指數級增長。

以至于大模型概念剛走紅時，出現了哄搶GPU的一幕，價格被炒高數倍，甚至手里有多少枚GPU，都成了創業公司融資的籌碼。但在臺積電斷供、新一輪對華出口限制的現實背景下，依靠國外芯片補充算力的模式已經“岌岌可?！薄?/p>

特別是在四家協會集體呼吁“保障芯片穩定供應”的背景下，生成式AI的算力難題是否存在新的解法？

時間回到2023年9月，華為云正式上線了昇騰AI云服務。

有別于行業內普遍采用英偉達架構和軟硬件方案的部署方式，昇騰AI云服務給出了全棧自主的新方案：整合了大規模算力集群、計算引擎CANN、AI框架MindSpore、ModelArts AI開發生產線、ModelArts Studio大模型即服務平臺等等，為千行百業提供了更多元、高效、長穩的算力服務選擇。

聚焦到算力資源的分布上，華為云在貴州貴安、內蒙古烏蘭察布、安徽蕪湖、香港部署了四大AI算力中心，同時在華北、華東、華南等熱點區域部署了30多個數據中心節點，并通過華為云云邊緣樞紐，為客戶提供最低時延的AI訓推服務。簡單來說，華為云提供的是云、網、邊、端協同的AI Native的算力平臺，既可以使用萬卡進行大模型訓練，也可以滿足極低時延的推理需求。

其中的內在邏輯，可以追溯到華為副董事長、輪值董事長徐直軍在華為全聯接大會2024主題演講中的觀點：

1、美國在AI芯片領域對中國的制裁長期不會取消，而中國半導體制造工藝由于也受美國制裁，將在相當長時間處于落后狀態，這就意味著我們所能制造的芯片的先進性將受到制約，也是打造算力解決方案必需面對的挑戰。

2、人工智能正在成為主導性算力需求，促使計算系統正在發生結構性變化，需要的是系統算力，而不僅僅是單處理器的算力。這些結構性變化，為我們通過架構性創新，開創出一條自主可持續的計算產業發展道路提供了機遇。

3、我們的戰略核心就是，充分抓住人工智能變革機遇，基于實際可獲得的芯片制造工藝，計算、存儲和網絡技術協同創新，開創計算架構，打造“超節點+集群”系統算力解決方案，長期持續滿足算力需求。

由此可以得到的結論是：中國AI的路并未被“堵死”，因為華為云早就開辟了一條獨立自主的路。

02 “云化算力”的必然性

其實在十幾年前，云計算的理念就已經成為行業共識，通過彈性的算力供給，企業不再需要花巨額資金采購服務器，不再需要進行復雜的運維，創新的門檻被不斷降低，最終加速了移動互聯網的繁榮。

當智能算力成為創新的最大制約因素，昇騰AI云服務的“云化”是最優解嗎？想要回答這個問題，需要從三個維度進行拆解。

第一個是穩定和可靠。

和AI的每一次對話，都涉及到復雜的計算，沒有穩定可靠的算力供給，再美好的設想都將是泡沫。就像前面所提到的，昇騰AI云服務的特點是全棧自主創新，從硬件、基礎設施、算力集群、架構到軟件應用，都掌握在華為云自己手中。

可靠和穩定的另一種體現，在于華為云對昇騰AI云服務進行的持續優化，比如業界萬億參數模型訓練的平均無中斷時長約2.8天，昇騰AI云服務可實現40天無中斷；業界平均集群故障恢復時間約60分鐘，昇騰AI云服務可以縮短到10分鐘；針對大模型訓練的數據安全，華為云采用了數據傳輸與存儲加密、數據安全清除、數據訪問控制、數據水印防泄露等多重技術，確保大模型訓練數據的全生命周期安全......

第二個是算力的多元化。

大模型訓練和推理僅僅是算力需求的一個側面，在實際的運行中往往需要CPU、NPU、DPU等多種算力。以往想要滿足不同類型的算力，需要構建多個數據中心，然后進行復雜的調度和分配。

這里就涉及到華為云的AI原生云基礎設施CloudMatrix，可以將CPU、NPU、DPU、存儲和內存等資源全部互聯和池化，從單體算力向矩陣算力演進，構建了一切可池化、一切皆對等、一切可組合的AI原生云基礎設施，繼而實現了云上資源的多元算力統一建模、靈活調度組合和按需提供給。據悉，基于CloudMatrix全新架構的昇騰AI云服務還將于明年正式上線，屆時將進一步提升AI算力集群性能，提速企業大模型訓練。

第三個是成本和效率。

大模型的開發、訓練及部署是個復雜的系統工程，任何一個環節的短板，都可能影響到創新的進度。即使不考慮自建數據中心的長周期、高能耗，單單是大模型的落地部署，就需要端到端的全流程支持。

以大模型遷移為例，涉及到算力適配、框架兼容、軟件環境、數據傳輸等多個流程，可能需要幾個月的時間。而昇騰AI云服務提供了大模型開發、通用AI開發及算力調優在內的全流程工具鏈，可以快速、無損實現模型和應用的遷移適配，典型場景遷移至生產環境只需要不到2周的時間。

做一個總結的話：相較于自建數據中心，昇騰AI云服務在很大程度上保障了算力供給的穩定和安全，再加上云計算即開即用、按需使用、靈活部署的優勢，注定會成為大模型訓練、推理部署的必要基礎設施。

也就是說，即使不考慮限制芯片進口的現實因素，云化算力仍是不可逆的技術趨勢。全棧自主的昇騰AI云服務，剛好是當下最可靠的選擇。

03 生產力已經被驗證

衡量AI云服務的價值標桿，關鍵是能否將算力變成生產力。

正如我們此前在文章中所提到的觀點：AI對云計算的“顛覆”才露出冰山一角，過去的云服務是以功能為中心的，譬如CRM、客服系統、OA等等；未來將是以場景為中心，基于大模型的能力，打破功能上的邊界，深入場景解決問題。

面對國內半導體產業的現狀，昇騰AI云服務既給出了可持續的AI算力解決方案，也在解決行業難題，釋放出實實在在的生產力。

比如基于昇騰算力打造自主創新通用大模型底座的科大訊飛。

在同行們搶時間發布大模型的2023年初，科大訊飛在同步思考一個長遠問題：為了避免被卡脖子，怎么將大模型的能力架構在一個自主創新的體系上？

半年后的訊飛開發者節上，答案被揭曉——科大訊飛聯合華為推出了國內首個萬卡規模大模型算力平臺“飛星一號”，然后訓練出了全面對標GPT-4 Turbo的星火V4.0。

身為“局內人”的科大訊飛董事長劉慶峰，后來在一次主題分享中感慨道：“在我們自己建算力集群之后，我們發現在華為云上做訓練推理建設比自己做更輕松、效率更高，更能滿足短時瞬間的規模化算力應用之后，釋放波峰波谷（減少能耗閑置，算力削峰填谷），對整個行業都是效率最高的?！?/p>

再比如順豐科技在昇騰AI云服務的支持下打造的“豐語”大模型。

3個月前的深圳國際人工智能展上，順豐科技發布了物流行業的垂直大模型豐語，對物流行業各個崗位進行高效賦能。

其中基于大模型的摘要準確率已超過95%，讓客服人員與客戶對話后的處理平均時長減少了30%；對快遞小哥問題的定位準確率超過98%，平均每次會話可以節省小哥3分鐘。

按照順豐科技AIoT領域副總裁宋翔在公開演講中提到的信息，昇騰AI云服務為豐語大語言模型構筑堅實底座，提供澎湃算力支持，并通過高效的數據、開發、訓練及推理平臺，實現了AI應用的高效開發與資源利用。

可以找到的案例還有很多。

諸如奇瑞、比亞迪、小紅書、網易伏羲、騰訊音樂、知乎、美圖等都曾公開分享過在昇騰AI云服務上訓練大模型的經歷，目前已經有100+開源大模型基于昇騰AI云服務適配并優化。

這些真實的落地案例，不僅驗證了昇騰AI云服務在大模型訓練、推理、部署等方面的優勢，還在無形中回答了文初留下的問題：把中國企業列入“限制清單”的行為，不會卡主中國企業的脖子，反而提升了中國AI生態的凝聚力。

還是科大訊飛的例子。

在基于昇騰軟硬件訓練大模型的過程中，雙方聯合開發和優化了50多個大模型算子，讓大模型的訓練性能提升了3倍以上；為了避免開發者重復造輪子，訊飛星火在昇思社區等平臺上開源了多個大模型，并向開發者提供基礎模型、精調模型、微調工具、人格定制工具、高質量多語種語料等等，讓他們把精力聚焦在想要解決的問題上，而非不必要的事務中。

04 寫在最后

風物長宜放眼量。

在人工智能的賽道里，從來都沒有無法攻克的“壁壘”和“瓶頸”。所謂的“芯片禁令”，不過是進一步放大了云化算力的優勢，作為一種高效、靈活、可擴展的解決方案，將是中國企業打破算力瓶頸的更優選擇。

有理由相信，只要沿著已經被驗證的路徑走下去，圍繞大模型的研發和應用不斷合作創新，以系統性能力戰勝單體性能，中國AI產業還將釋放出百倍、千倍的勢能。

本文系作者授權數英發表，內容為作者獨立觀點，不代表數英立場。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規范轉載侵權必究。