对撞机 ， 发现新物理粒子的方法和装置 。众所周知的高能物理基础设施 ， 人类基础物理领域研究的集大成成果 。
转载自量子位
现在 ， 商汤科技也搞了一个 ， 同样是其多年产学研积蓄后的成果转换 ， 是其最新技术成果的集大成体现 ， 是一整套完整的AI基础设施 。
取名SenseCore商汤AI大装置 。
文章图片
商汤CEO徐立说 ， 这是商汤长线核心竞争力的标志、公司持续经营和更大规模跃迁的护城河 ， 以及推动AI时代生产要素降低的关键一步 。
实际上 ， 企业家一面的徐立对此还显得克制 ， 当他科学家的那一面流露 ， 会激动得语速飞快：
靠人脑的方式可能永远赶不上宇宙膨胀的速度 ， 如果要真正解开宇宙真理 ， 输入的依据就不能单靠此时此地此身的人类有限认知 ， 甚至不必追求当下的过程可解释 ， 可以试着用更大的数据 ， 更强的算力 ， 或许还会撞出更多预期之外的结果 。
所以商汤的AI大装置 ， 你可以理解为GPT-3、AlphaFold路径上的更大规模落地 ， 是大数据、大模型和超强算力的三位一体实践 ， 也是input到output之间沿着“大致正确方向”的大力出奇迹 。
文章图片
商汤AI大装置如何组成？
在上海临港新片区 ， 一座宛如芯片的建筑群将在今年年底投入使用 。
这是商汤全新的AI算力中心（AIDC） ， 计算峰值速度将达到3740 Petaflops（1 petaflop等于每秒1千万亿次浮点运算）——作为参照 ， OpenAI的千亿参数模型GPT-3完整训练一次需要3.14E23次浮点运算 ， 而商汤临港AIDC的算力仅在一天内即可完成 。
毫无疑问 ， 商汤的这个全新AIDC ， 目标就是为更大规模参数模型的训练而来 。
但在商汤AI大装置中 ， AIDC不到1/3又1/3 。
商汤AI大装置SenseCore的全貌 ， 包含了三层：
? 算力层（AI芯片及处理卡+AIDC+AI传感器）
? 平台层（模型生产+训练平台+数据平台）
? 算法层（算法工具箱+开源框架）
三位一体 ， 以基础设施方式输出模型 ， 把AI能力输出到企业服务、城市管理和个人生活等三大落地方向中 。
区别于“AI模型”小作坊式的打造 ， AI大装置更像流水线工厂 ， 可以实现不同场景的算法模型的底层抽象 ， 以模块化平台套件打造通用型服务平台 。
特别是针对AI落地中更长尾的客户和场景 ， 能够在组合不同算法套件的基础上完成新场景的定制 ， 以低边际成本实现对新场景的规模化覆盖 。
并且商汤基于AI平台基础设施的系统协同性 ， 可以以半自动化、自适应的方式 ， 就能实现批量的算法模型生产和迭代升级 。
文章图片
为什么商汤要搞AI大装置？
商汤CEO徐立说 ， 本质是让AI落地摆脱人力密集的状态 。
他认为AI之所以人力密集 ， 是因为生产效率不高 ， 而生产效率提升的关键 ， 是生产要素的成本能足够低 。
在AI落地初期阶段 ， 项目定制是行业最普遍的方式 ， 比如做一个手机检测的算法 ， 需要上百人的团队 ， 但换一种场景的应用模型 ， 又得上百人进来……
好比不同的场景里盖楼 ， 堆人是解决问题常用的方法 。
但如果按照上述项目包工的方式搞 ， AI落地就会显得天方夜谭 。
文章图片
商汤的模式不是秘密：“商汤驱动 ， 赋能百业” ， 用“1（基础研究）+1（产品及解决方案）+X（行业）”的方式展开各行各业的落地 。
据官方数据 ， 创办6年来 ， 商汤集结起一支2000人规模的研发团队 ， 推出了13000多个技术模型 ， 以及17000多个商业模型 。
所以规模化多场景不同领域落地的过程中 ， 就提出了通用模型的要求 。
只是问题也随之而来 ， 模型越通用 ， 训练数据就越大 ， 模型参数也越大 ， 对算力的要求也就越高 。
文章图片
【通用型|上帝不掷骰子？商汤科技AI大装置想试试】在GPT-3一炮打响之前 ， 对于这种大规模参数的通用模型 ， 业内外都存在质疑 。
因为之前的共识是：越厉害的算法 ， 参数和算力可以更少 ， 提升模型精度才是正道 。
而且这种“精妙”著称的算法方向 ， 意味着模型对于运算和执行的精准部署 ， 就像数学解题中 ， 严丝合缝地过程推导 ， 最后精准给出结果 。
所需的“算力” ， 理应越少越好 。
要来一个暴力解题的方式：吃最多数据 ， 一通暴力计算 ， 最后给出结果——即便是正确答案 ， 也不被推崇 。
文章图片
商汤起步伊始 ， 为手机、互联网公司供应AI方案 ， 走的就是精妙模型的路线 。
但随着规模化扩张 ， 开始进入To B行业和城市业务领域后 ， 精妙技术模型在行业长尾需求和应用中的“短板”也就暴露出来 。
比如在业务落地中 ， 优先选择的自然是流量大、显示度高、高频 ， 投入产出比高的头部应用 。 于是大家争夺的就是像地铁刷脸通行这样的应用 。
而城市里防火、防水等应用 ， 频次低 ， 需要累积和投入的资源又一点不比头部应用少 ， 虽然有刚需 ， 但处于长尾端 ， 不受青睐 。
最终 ， 从需求方角度 ， 如果不能在一个场景里解决包括长尾在内的问题 ， 切换新方案、并为此买单的意愿就会降低 。
所以从AI落地的商业化和价值闭环出发 ， 从需求端推动来看 ， “眉毛头发一把抓” ， 大参数模型也就变得自然而然 。
此外 ， AI技术的演进路线上 ， 反共识的趋势从更多维度显现 。
从AlexNet以来看过去十年AI模型的发展 ， 每年最新的算法网络、最好的技术 ， 对于算力的需求 ， 几乎是呈数量级的增长 ， 每年都大概会有十倍的算力需求增长 。
徐立躬身其间 ， 对这种趋势的感知也非常明显 。
他认为造成这种趋势的原因其实很简单：表达越来越丰富 ， 模型越来越通用 ， 参数也就越来越多 ， 算力要求也就越高 。
行业整体而言 ， 最领先的算法对于算力的需求翻了近百万倍 。
文章图片
其次 ， 技术本身的演进 。
原先的技术路线朝着单一方向、单一路线前进 。 通用AI看起来可望不可及 ， 然而过去几年在通用问题的刚需驱动下 ， 一些通用语言模型、通用视觉模型 ， 甚至通用多模态模型开始取得突破 ， 曾经不work的正在变成可能 。
商汤CEO坦承 ， 通用模型的打造确实花费了大力气 ， 但好处是在长尾问题解决上效果显著 。
伴随而来的挑战 ， 是对新一波以算力为核心的AI基础设施的渴求 。
“就好像在物理探索中 ， 如果没有粒子对撞机 ， 很多核心工作没法展开 。 ”
文章图片
徐立强调 ， 商汤在AI规模化落地的大潮里 ， 必须到了解决通用模型挑战、必须有集中化大规模算力的时候 。
他回溯称 ， 2016年、2017年开始 ， 商汤就开始了大参数模型的挑战 ， SenseNet被做到了1000多层 。
随着模型网络越深、参数越大 ， 算力的问题变得突出 。
于是2018年开始 ， 商汤开始更加严肃地审视芯片、硬件 ， 并在自建算力中心的基础上 ， 完成了大装置的“原型机”打造 。
其后 ， 投资56亿的AIDC智算中心开工 ， 2021年底交付 。
当然 ， 过程中还发生了两件AI领域的最大新突破 ， 给商汤上下吃下定心丸 。
一件发生在2019年 ， OpenAI开始大参数模型打造 ， 并在2020年以GPT-3轰动全球 。
另一件则是DeepMind的AlphaFold 2 。
在徐立看来 ， 两大不同方向的进展 ， 背后其实有同一个核心路径：
输出方向大致可确定 ， 输入更大的数据 ， “撞”出结果 。
而商汤的AI大装置 ， 不正是这种核心路径的实践机器、基础设施 ， AI领域的粒子对撞机吗？
文章图片
AI大装置有什么用？
自然是可以打造大参数模型 。
首先可以解决AI落地中的长尾问题 。
比如在城市的日常治理中 ， 把“城管”的工作场景 ， 实现全AI流程覆盖 。
无论是暴露垃圾的问题 ， 共享单车乱堆乱放的问题 ， 还是疫情、火灾、汛情、人群拥挤踩踏、危化品泄露……等等公共场景中的各类问题 ， 不管高频还是低频 ， 都能实现一站式解决 。
文章图片
从发现、报警、执行到结案 ， 全流程都可以实现AI化 ， 用人机交互的方式实现更加高效的城市治理 。
而且这不是设想 ， 是商汤用AI大装置原型机 ， 在上海一网统管项目中落地的现实 。
其次 ， 大参数模型的打造 ， 还是批量打造的那种 。
按商业场景分 ， 大的如城市、汽车、工业 ， 小的像螺丝螺帽、冰箱内物品识别……
按技术场景分 ， 视觉领域、语言领域、自动驾驶领域、医疗领域、制药领域……
每一个领域 ， 是不是都可以足够多的数据输入 ， 然后用大装置对撞生成结果？
比如在蛋白质结构预测方向 ， 之前即便用AI的方法 ， 也需要既有非常懂生物的专家 ， 还得非常懂AI的专家协作……双方精心设计流程 ， 精心准备输入数据 ， 最后才有可能得到正确的结果？
文章图片
大装置会有什么不同？
知道大致正确的方向和目标 ， 就是预测蛋白质结构 ， 但不用精心准备输入数据和流程 ， 甚至可以群策群力 ， 把所有可能相关的数据都输入 ， 最后“大装置”穷尽所有可能性 ， 同样解出正确的结果 。
所以沿着这个层面展开 ， AI大装置意味着落地门槛的降低 。
从AI展开行业落地那一天开始 ， 主导权到底是归属AI博士们 ， 还是传统行业老兵的话题 ， 讨论从未有过间断 ， 也从未有过共识 。
最具参考的一种答案是既要也要 ， 强调融合共生 。
然而如果需要融合 ， 那落地的规模和速度自然就会大受局限 ， 毕竟懂AI、掌握AI能力的人 ， 相比传统行业人才 ， 实在九牛一毛 。
而作为基础设施 ， AI大装置在本质路径上 ， 把AI能力变成了一个输入→输出的机器和工具 。
文章图片
运用这个工具的 ， 可以来自任何行业和领域 。
只要有数据思维 ， 定义清楚目标方向 ， 懂得找可能的数据 ， 然后大装置就跟“相机”、“电脑”没有本质不同 ， 都是工具 。
所以徐立说 ， 这就是为什么商汤把AI教育作为重要业务组成的原因 。
“现在的教育告诉年轻人 ， 需要每一步严格推导产生正确结果才能给分 ， 但未来可能也有一种得出正确结果的方法 ， 不需要你掌握推导过程 。 ”
用好你需要的数据 ， 知道如何操作和使用 ， 然后把数据放入“装置” ， 一样能解题 。
这也是为什么会有一种观点认为：下一个柯洁李世石一样的围棋高手 ， 不一定要学围棋 。
文章图片
实际上 ， 这种思维下 ， 教育方法确实值得被重新审视 。
毕竟现如今我们称赞的“计算天才” ， 不是口算、心算最厉害的那类人 ， 而是最懂得如何利用计算机工具的人 。
当然 ， 如果沿着“AI大装置”的思路 ， 扩展到更宏观的“认识世界” ， 人类对于规律的发现和认知 ， 是否也会被刷新？
人类对于世界的认识和改造 ， 究竟是一种怎样的模式？
亚里士多德提倡演绎 ， 这是一种强调因果的强推导 ， 是一种线性的演进和发展 。
但另一种模式 ， 牛顿的时代、爱因斯坦的时代 ， 展现的却是跃迁式进步 。
文章图片
他们带来的基础理论突破 ， 当时甚至只是一种“假设” ， 是在其后一代甚至几代天才归因中 ， 才完成过程论证 。
只是历史车轮相似的是 ， 每一次基础理论的突破 ， 都带来一波更有力量的发明创造和更高级的文明 。
徐立把这种天才推动的文明跃迁 ， 笑称为“上帝拍脑袋” 。
不过更令他着迷的是 ， 接下来是不是可以由大装置来拍？
回顾过去 ， 人类的科学探索都是基于已知认知推未知 ， 毫无疑问就会受限于“已知认知” ， 更何况人类历史上不少重要的发明和发现 ， 还是“无心插柳”的结果 。
但AI大装置提供的新范式 ， 提供了另一种路径：
探索未知 ， 可以不依赖于人类已经理解的输入来作为输入 ， 可以尝试把更大更多的数据放进来 ， 搞不好就能找出更趋近本质的规律 。
而AI最终极的工具能力 ， 不正是帮助人类发现、找出更多 ， 更终极的规律和真理吗？
文章图片
刷新商汤
最后 ， 在AI大装置浮出水面之际 ， 也是时候重新审视商汤 。
商汤是一家什么样的公司？
创办6年来 ， 它备受瞩目 ， 但又面目“模糊” 。
商汤时常被谈论它的规模增速和融资估值 ， 也始终被热议“AI赋能百业”的可能性和可行性 。
更因为其落地领域广泛 ， 技术和产品不直接To C ， 又容易在舆论认知中被盲人摸象 。
但现如今 ， 最新集大成成果**AI大装置**建立完成 ， 商汤的归去来都得到了最好的连点成线 ， 商汤的核心和边界、商汤的护城河、商汤从技术到商业的可持续 ， 以及商汤将会带来的AI变革 ， 都能在**AI大装置**得到完整解答 。
在AI大装置的思路之下 ， 商汤把聚集的AI博士之力 ， 架构成了不需要AI博士才能使用的AI工具 ， 并且可以在各个领域都实现输出和赋能 。
就像电被发现后 ， 发电机和发电厂所承担的角色一样 。
文章图片
徐立透露 ， 2018年开始大胆设想时 ， 这种发展路线甚至是反共识的 ， 但商汤内部还是顶住压力 ， 做重做深 ， 碰硬件碰底层 ， 然后一搞就是3年 。
这有点像黎明前的登山 ， 知道在向上走 ， 却不知道是否是登顶的正确道路 。
好在OpenAI的GPT-3、DeepMind的AlphaFold ， 以及越来越多业内巨头玩家拿出的超大参数模型 ， 不同维度验证了这确实是一条通向未来的路 。
徐立还透露 ， 按照内部规划 ， 硬件成本投入56亿起的AI大装置 ， 在开起运行的2年后就能回本 ， 到2025年就会进入盈利轨道 。
这是商汤面向未来的长线核心竞争力 ， 而建立这种长线竞争力的时间周期 ， 则构成壁垒和护城河 。
更重要的是 ， AI大装置启动 ， AI赋能的门槛进一步降低 ， 整个数字化和智能化的进程 ， 就会进一步被加速 。
文章图片
商汤当前的北京办公室所在地 ， 理想国际大厦 ， 是上一代原创技术公司百度 ， 从技术创新到商业创新的“福地” 。
徐立也喜欢用搜索引擎来类比“AI大装置”会给商汤、给AI行业带来的变革 。
他认为今天互联网的繁荣 ， 是因为搜索引擎成功地把信息——高频的、低频的、高价值的、长尾的 ， 在虚拟空间实现了链接 。
而现实世界 ， 始终缺少一样的“搜索引擎” 。
因为现实世界中很多东西还无法结构化的、可解析 。 但AI大装置如果成功 ， 就能加速这种真实世界的结构化、数字化 。
文章图片
顺理成章 ， 互联网发展中两大核心技术——搜索和推荐 ， 也就能在现实世界得到复刻和应用 。
并且相比互联网经济创造的价值 ， 人类更大一部分的经济活动和创造 ， 原本就在线下 。
所以徐立坚信 ， AI正在进入下一个时间点 ， 一个从技术创新周期转入商业创新周期的时间点 。
“搜索引擎起来的时候 ， 有围绕搜索引擎创业的生态；视频平台起来的时候 ， 有围绕视频平台展开的商业生态 。 ”
这位商汤联合创始人说 ， 很多人问他 ， AI创业是不是过时了？
他的回答是：恰恰是正当其时的时候 。
推荐阅读
- 功能|小米 Watch S1图赏：商务气质新系列，稳步入场不急切
- 年轻人|人生缺少的不是运气，而是少了这些高质量订阅号
- 年轻人|呼叫全城玩家，魔都首发「表情包地铁」启程，2022蓝不倒！
- 最新消息|中围石油回应被看成中国石油：手续合法 我们看不错
- Apple|法官称苹果零售店搜包和解协议虽不完美，但可继续进行
- Insight|太卷了！太不容易了！
- 视点·观察|科技行业都在谈论“元宇宙”，可是它还不存在
- the|美国人的“圣诞热情” 连奥密克戎也挡不住
- IT|宝马电动转型成果初显：i4、iX供不应求 新能源车销量已破百万
- 能力|有了长续航的独立通信手表，就不必为出门没带手机而焦虑了