华为徐直军谈AI算力：企业如何避免“算力陷阱”？
元描述： 华为副董事长徐直军在2024年华为全联接大会上分享了对AI算力的最新见解，指出企业并非都需要建设大规模AI算力、训练自己的基础大模型，并强调选择适合的模型才是关键。
引言： 在人工智能浪潮席卷全球的今天，企业纷纷将目光投向AI算力，希望利用其强大的计算能力来推动业务转型升级。然而，在盲目追逐“大模型”和“大算力”的热潮中，企业是否真正了解自身的实际需求？如何避免陷入“算力陷阱”？华为副董事长、轮值董事长徐直军在2024年华为全联接大会上，分享了对AI算力战略的深刻洞察，为企业指出了更务实的路径。
“算力陷阱”的真相
在人工智能领域，“算力”被誉为“石油”，是推动AI发展的关键要素。然而，并非所有企业都需要建设大规模AI算力，也不需要盲目追求训练自己的基础大模型。徐直军认为，企业应该理性看待AI算力需求，避免陷入“算力陷阱”。
1. 并非所有企业都要建设大规模AI算力
建设大规模AI算力集群面临着诸多挑战，包括：
-
高昂的成本和复杂的环境要求： AI服务器对供电、散热等数据中心机房环境要求极高，且随着大模型的不断增大，AI算力也将走向更大规模，这将导致高昂的建设和维护成本。
-
快速迭代的硬件产品： AI硬件产品更新换代速度快，企业难以保证每个代际的算力硬件独立完成工作，需要混合使用多个代际产品，这将导致资源调度复杂度高，并影响新一代产品性能的充分发挥。
-
运营维护的挑战： AI技术还在不断发展，多代际产品共存带来的技术变化快，对技能要求高，使得运营维护变得困难，对很多传统IT维护能力的企业来说是重大挑战。
因此，徐直军建议，企业应该根据自身实际需求，选择适合的获取AI算力的方式，而不是一味追求建设自己的AI算力。
2. 并非所有企业都要训练自己的基础大模型
训练基础大模型需要投入大量资源，包括：
-
大量高质量数据： 基础大模型预训练数据量进入10万亿tokens量级，企业需要获取足够多的高质量数据，这将意味着高成本和数据获取难。
-
模型训练难度： 基础大模型参数量持续增大，模型迭代和优化难度大，通常需要数月到数年时间才能完成模型迭代训练，这对于企业来说是巨大的时间成本。
-
人才获取难： 基础大模型涉及的相关技术更新速度快，具备实战经验的技术专家少，企业很难建立足够的技术人才资源。
因此，企业应该聚焦自身核心业务，选择更适合的方式利用现有大模型，而不是一味追求训练自己的基础大模型。
3. 并非所有的应用都要追求“大”模型
徐直军强调，企业应该根据自身不同业务场景需求选择最合适的模型，通过多模型组合来解决问题，创造价值。
-
十亿参数模型： 可以满足科学计算、预测决策等业务场景的需求，例如降雨预测、药物分子优化、工艺参数预测，在PC、手机等端侧设备上也有广泛应用。
-
百亿参数模型： 可以满足面向NLP、CV、多模态等大量特定领域场景的需求，例如知识问答、代码生成、坐席助手、安全检测。
-
千亿参数模型： 面向NLP、多模态的复杂任务，可以用千亿参数模型来完成。
企业需要根据自身需求选择合适的模型，避免为了追求“大”模型而忽视实际应用效果。
从“算力陷阱”中突围
企业应该如何避免陷入“算力陷阱”，有效利用AI算力来推动业务发展呢？
-
明确业务需求： 企业首先要明确自身的业务目标，确定AI算力的应用场景和需求，避免盲目追求大规模算力。
-
选择合适的模型： 根据业务场景的具体需求，选择合适的模型，而不是一味追求“大”模型。
-
利用云平台： 利用云平台提供的AI算力服务，可以减少基础设施建设和维护成本，并获得更灵活的算力资源。
-
关注模型优化和应用： 除了算力之外，模型的优化和应用也是至关重要的。企业应该注重模型的性能优化和实际应用效果，而不是仅仅追求算力的提升。
总结
AI算力是推动人工智能发展的重要引擎，但企业需要理性看待AI算力需求，避免陷入“算力陷阱”。选择适合的模型，利用云平台，关注模型优化和应用，才能真正发挥AI算力的价值，推动业务创新发展。
常见问题解答
- 企业如何判断是否需要建设自己的AI算力？
企业应该根据自身业务需求、技术实力、资金投入等因素综合考虑。如果企业拥有大量数据、技术人才，并且需要进行大量模型训练，那么建设自己的AI算力可能更适合。否则，选择云平台提供的AI算力服务可能是更合理的选择。
- 如何选择适合的AI模型？
企业应该根据自身业务场景的具体需求，选择合适的模型。例如，对于简单的预测任务，十亿参数模型可能就足够了；而对于复杂的NLP任务，可能需要千亿参数模型。
- 如何有效利用云平台提供的AI算力服务？
企业可以根据自身需求选择不同的云平台服务，例如按需付费的算力资源、预训练模型、模型优化工具等。同时，企业也需要关注云平台的安全性和稳定性，选择可靠的云平台服务。
- 如何避免模型训练成本过高？
企业可以利用模型压缩、模型剪枝等技术来减少模型的大小和训练时间，降低训练成本。同时，也可以选择使用预训练模型，并针对自身业务场景进行微调，减少模型训练的成本。
- 如何提升模型的应用效果？
企业应该注重模型的性能优化和实际应用效果。例如，可以使用模型解释工具来分析模型的预测过程，并进行针对性的改进。
- 未来AI算力发展趋势如何？
未来AI算力发展趋势将更加注重效率和成本控制。例如，边缘计算、量子计算等新兴技术将为AI算力发展带来新的突破。
结论
AI算力是推动人工智能发展的重要引擎，但企业需要理性看待AI算力需求，避免盲目追求大规模算力。选择适合的模型，利用云平台，关注模型优化和应用，才能真正发挥AI算力的价值，推动业务创新发展。要实现智能化的可持续发展，不仅需要算力的可持续，更需要对AI算力需求的理性认知，以及对自身业务需求的深刻理解。
