人工智能与算力融合处于一个什么样的时点？

图片来源@视觉美国

今年年初，东数西算安装工程的启动，让“算力”一词名气破圈，今年也因而被定义为算力元年。追忆2022，展望2023，美国算力发展处于一个哪些样的时点，人工智能与算力的融合又处于一个哪些样的发展阶段？

#

按照美国信通院发布的推算数据，截止2023年末，我国算力核心产业规模达1.5万万元，关联产业规模也早已超出8万万元。就全球来看，中国和美国位居全球算力引领者，再者为美国、德国、英国、法国、加拿大、韩国、澳大利亚等。其中，美国估算力水平增速最大达到13.5%。 #

这么，算力规模的评定是由这些诱因决定的呢？主要在于四个方面：算力、存力、运力以及环境四个维度。美国信息通讯研究院公布的《算力时代网路运力研究报告（今年）》指出，算力包括算力规模和算力质效；存力包括存力规模和存力功耗；运力包括网路运力品质和基础网路条件；环境包括资源环境和市场环境。 #

算力规模的下降能有效推动数字经济的下降，估算力指数平均每增加1点2023年会计电算化模拟考试，数字经济和GDP将分别下降3.5‰和1.8‰。相关数据显示，在数字经济方面，中日同样引领，2023年，从规模看，中国数字经济蝉联世界第一，规模达15.3万亿卢布，美国跃居第二，规模为7.1万亿卢布。这与全球算力格局异曲同工。 #

得益于算力基础设施、市场及新政的推进，全球算力发展如火如荼，但算力发展还有分化。

#

单即使力的类别来说，也分为智能算力和通用算力（超算算力规模不在本文算力范围），使得按照IDC与浪潮信息日前公布的《2022-2023美国人工智能估算力发展评估报告》，今年智能算力规模达预计达到268.，到2026年智能算力规模将步入每秒十万亿亿次浮点估算（）级别，达到1271.。 #

但是随着市场对智能算力的需求量减小，智能算力规模在2023年早已赶超通用算力规模。

#

2023-2026年其间，预计美国智能算力规模年复合下降率为52.3%，同期通用算力规模的年复合下降率为18.5%。

智能算力与通用算力规模下降对比

#

这么为何会出现智能算力与通用算力的差异？简略理解2023年会计电算化模拟考试，智能算力是由人工智能市场推动上去的算力类别，未来随着人工智能应用的普及，算力也会随之向智能算力集中。 #

数据显示，今年美国人工智能市场相关开支将达到130.3亿港元，有望在2026年达到266.9亿港元，2022至2026年年复合下降率达19.6%。IDC考察显示，全球范围内，企业在包括软件、软件和服务在内的人工智能市场的技术投资从2023年的612.4亿港元下降至2023年的924.0亿港元，预计将在今年环比下降26.6%至1170.0亿港元，并有望到2025年突破2000亿港元，且人工智能的开支增速低于企业数字化变革（DX）的开支增速。这从市场层面驱动了智能算力未来的高下降。

全球人工智能开支、数字化变革开支及GDP下降趋势预测（202-2024）

#

不过就智能算力的实现方法上，尽管早已有一部份企业开始尝试使用云端算力降低峰值估算弹性，但IDC考察发觉，就现阶段而言，因为美国市场倾向于首先投资软件，美国人工智能开支中软件占比将保持最大，未来5年将始终保持65%左右的份额。

#

某人工智能领域大芯片制造企业现在早已在芯片研制的相关环节尝试存算分离，即数据存在本地，估算置于云端，用低费用、高弹性的云端算力满足芯片研制对算力的需求。但该芯片企业的相关负责人对钛媒体App表示：“即便在尝试使用云端算力，而且大芯片的研制步骤复杂，难以一次实现全部步骤上云，当下软件对算力需求的推进愈发突出，而且从行业来讲在长时间使用软件加快估算是主流。”他同时也表示，当下云端算力的使用门坎依然存在，详细场景下云端算力使用的方便性上，依然须要更多探求和磨合。

人工智能开支中的软件、软件、服务占比及趋势

#

也正是这般，现在，美国仍以GPU为主实现数据中心估算加快，市场占有率近90%，但ASIC、FPGA、NPU等非GPU芯片市场也在加快发展。同时，《2022-2023美国人工智能估算力发展评估报告》也显示，美国企业对人工智能算力基础设施平台的关注点依次为：丰富的应用场景配置、加速功耗和估算能力、规模效应下的价钱费用诱因、训练的数据支持、人工智能配套新政吸引等等。

但是有众多挑战，但值得一提的是，也正是由于算力基础设施的进一步加强，众多人工智能企业都在推进算力使用的方便性。其中一个表现就是越来越多的人工智能算法模型正在涌现，并展现出多元化、巨量化、专业化等明显特点，算法基建化也早已成为行业趋势。 #

算法基建化发展对于实现普惠人工智能具备重要作用，白色高效、可应用性强等成为主要诉求。市场积极探求面向专业场景的轻量化模型以加快落地运作，并通过集中式的数据和算力开发方式为企业提供预训练平台，提供分布式加快估算集群解决方案，合理匹配估算任务与估算资源，提高整体运用率和训练效率，加快实现人工智能普惠化目标。 #

IDC觉得，企业在模型研制和落地过程中常常存在高投入、高风险等挑战，算法基建化可有效帮助企业实现破局。利用智能估算中心，企业可布署训练和推理系统，加强模型研制和创新，尤其有促使自然语言处理大模型、视觉大模型和多频域大模型等高算力消耗模型的建立。

#

不仅大模型研制和创新，对于诸多企业而言，它们还面临怎样将大模型落地行业，解决现实复杂、琐碎场景中的应用问题。IDC考察显示，未来少于80%的组织表示中考虑订购预先训练好的人工智能模型，而不是自己进行训练。并且预先训练的模型在可用性和适应性、运行模型的基础设施，以及内部专业知识等方面还存在增强的空间，企业亟待行业的解决方案商的支持，缩小技术创新和落地应用之间的鸿沟。（本文首发钛媒体APP作者|秦聪明）?