上帝不擲骰子？商湯科技AI大裝置想試試_風聞

李根 發自 凹非寺 

量子位 報道 | 公眾號 QbitAI

對撞機，發現新物理粒子的方法和裝置。

眾所周知的高能物理基礎設施，人類基礎物理領域研究的集大成成果。

現在，商湯科技也搞了一個，同樣是其多年產學研積蓄後的成果轉換，是其最新技術成果的集大成體現，是一整套完整的AI基礎設施。

取名SenseCore商湯AI大裝置。

商湯CEO徐立説，這是商湯長線核心競爭力的標誌、公司持續經營和更大規模躍遷的護城河，以及推動AI時代生產要素降低的關鍵一步。

實際上，企業家一面的徐立對此還顯得剋制，當他科學家的那一面流露，會激動得語速飛快：

靠人腦的方式可能永遠趕不上宇宙膨脹的速度，如果要真正解開宇宙真理，輸入的依據就不能單靠此時此地此身的人類有限認知，甚至不必追求當下的過程可解釋，可以試着用更大的數據，更強的算力，或許還會撞出更多預期之外的結果。

所以商湯的AI大裝置，你可以理解為GPT-3、AlphaFold路徑上的更大規模落地，是大數據、大模型和超強算力的三位一體實踐，也是input到output之間沿着“大致正確方向”的大力出奇跡。

商湯AI大裝置如何組成？

在上海臨港新片區，一座宛如芯片的建築羣將在今年年底投入使用。

這是商湯全新的AI算力中心（AIDC），計算峯值速度將達到3740 Petaflops（1 petaflop等於每秒1千萬億次浮點運算）——作為參照，OpenAI的千億參數模型GPT-3完整訓練一次需要3.14E23次浮點運算，而商湯臨港AIDC的算力僅在一天內即可完成。

毫無疑問，商湯的這個全新AIDC，目標就是為更大規模參數模型的訓練而來。

但在商湯AI大裝置中，AIDC不到1/3又1/3。

商湯AI大裝置SenseCore的全貌，包含了三層：

算力層（AI芯片及處理卡+AIDC+AI傳感器）

平台層（模型生產+訓練平台+數據平台）

算法層（算法工具箱+開源框架）

三位一體，以基礎設施方式輸出模型，把AI能力輸出到企業服務、城市管理和個人生活等三大落地方向中。

區別於“AI模型”小作坊式的打造，AI大裝置更像流水線工廠，可以實現不同場景的算法模型的底層抽象，以模塊化平台套件打造通用型服務平台。

特別是針對AI落地中更長尾的客户和場景，能夠在組合不同算法套件的基礎上完成新場景的定製，以低邊際成本實現對新場景的規模化覆蓋。

並且商湯基於AI平台基礎設施的系統協同性，可以以半自動化、自適應的方式，就能實現批量的算法模型生產和迭代升級。

為什麼商湯要搞AI大裝置？

商湯CEO徐立説，本質是讓AI落地擺脱人力密集的狀態。

他認為AI之所以人力密集，是因為生產效率不高，而生產效率提升的關鍵，是生產要素的成本能足夠低。

在AI落地初期階段，項目定製是行業最普遍的方式，比如做一個手機檢測的算法，需要上百人的團隊，但換一種場景的應用模型，又得上百人進來……

好比不同的場景裏蓋樓，堆人是解決問題常用的方法。

但如果按照上述項目包工的方式搞，AI落地就會顯得天方夜譚。

商湯的模式不是秘密：“商湯驅動，賦能百業”，用“1（基礎研究）+1（產品及解決方案）+X（行業）”的方式展開各行各業的落地。

據官方數據，創辦6年來，商湯集結起一支2000人規模的研發團隊，推出了13000多個技術模型，以及17000多個商業模型。

所以規模化多場景不同領域落地的過程中，就提出了通用模型的要求。

只是問題也隨之而來，模型越通用，訓練數據就越大，模型參數也越大，對算力的要求也就越高。

在GPT-3一炮打響之前，對於這種大規模參數的通用模型，業內外都存在質疑。

因為之前的共識是：越厲害的算法，參數和算力可以更少，提升模型精度才是正道。

而且這種“精妙”著稱的算法方向，意味着模型對於運算和執行的精準部署，就像數學解題中，嚴絲合縫地過程推導，最後精準給出結果。

所需的“算力”，理應越少越好。

要來一個暴力解題的方式：吃最多數據，一通暴力計算，最後給出結果——即便是正確答案，也不被推崇。

商湯起步伊始，為手機、互聯網公司供應AI方案，走的就是精妙模型的路線。

但隨着規模化擴張，開始進入To B行業和城市業務領域後，精妙技術模型在行業長尾需求和應用中的“短板”也就暴露出來。

比如在業務落地中，優先選擇的自然是流量大、顯示度高、高頻，投入產出比高的頭部應用。於是大家爭奪的就是像地鐵刷臉通行這樣的應用。

而城市裏防火、防水等應用，頻次低，需要累積和投入的資源又一點不比頭部應用少，雖然有剛需，但處於長尾端，不受青睞。

最終，從需求方角度，如果不能在一個場景裏解決包括長尾在內的問題，切換新方案、併為此買單的意願就會降低。

所以從AI落地的商業化和價值閉環出發，從需求端推動來看，“眉毛頭髮一把抓”，大參數模型也就變得自然而然。

此外，AI技術的演進路線上，反共識的趨勢從更多維度顯現。

從AlexNet以來看過去十年AI模型的發展，每年最新的算法網絡、最好的技術，對於算力的需求，幾乎是呈數量級的增長，每年都大概會有十倍的算力需求增長。

徐立躬身其間，對這種趨勢的感知也非常明顯。

他認為造成這種趨勢的原因其實很簡單：表達越來越豐富，模型越來越通用，參數也就越來越多，算力要求也就越高。

行業整體而言，最領先的算法對於算力的需求翻了近百萬倍。

其次，技術本身的演進。

原先的技術路線朝着單一方向、單一路線前進。通用AI看起來可望不可及，然而過去幾年在通用問題的剛需驅動下，一些通用語言模型、通用視覺模型，甚至通用多模態模型開始取得突破，曾經不work的正在變成可能。

商湯CEO坦承，通用模型的打造確實花費了大力氣，但好處是在長尾問題解決上效果顯著。

伴隨而來的挑戰，是對新一波以算力為核心的AI基礎設施的渴求。

“就好像在物理探索中，如果沒有粒子對撞機，很多核心工作沒法展開。”

徐立強調，商湯在AI規模化落地的大潮裏，必須到了解決通用模型挑戰、必須有集中化大規模算力的時候。

他回溯稱，2016年、2017年開始，商湯就開始了大參數模型的挑戰，SenseNet被做到了1000多層。

隨着模型網絡越深、參數越大，算力的問題變得突出。

於是2018年開始，商湯開始更加嚴肅地審視芯片、硬件，並在自建算力中心的基礎上，完成了大裝置的“原型機”打造。

其後，投資56億的AIDC智算中心開工，2021年底交付。

當然，過程中還發生了兩件AI領域的最大新突破，給商湯上下吃下定心丸。

一件發生在2019年，OpenAI開始大參數模型打造，並在2020年以GPT-3轟動全球。

另一件則是DeepMind的AlphaFold 2。

在徐立看來，兩大不同方向的進展，背後其實有同一個核心路徑：

輸出方向大致可確定，輸入更大的數據，“撞”出結果。

而商湯的AI大裝置，不正是這種核心路徑的實踐機器、基礎設施，AI領域的粒子對撞機嗎？

AI大裝置有什麼用？

自然是可以打造大參數模型。

首先可以解決AI落地中的長尾問題。

比如在城市的日常治理中，把“城管”的工作場景，實現全AI流程覆蓋。

無論是暴露垃圾的問題，共享單車亂堆亂放的問題，還是疫情、火災、汛情、人羣擁擠踩踏、危化品泄露……等等公共場景中的各類問題，不管高頻還是低頻，都能實現一站式解決。

從發現、報警、執行到結案，全流程都可以實現AI化，用人機交互的方式實現更加高效的城市治理。

而且這不是設想，是商湯用AI大裝置原型機，在上海一網統管項目中落地的現實。

其次，大參數模型的打造，還是批量打造的那種。

按商業場景分，大的如城市、汽車、工業，小的像螺絲螺帽、冰箱內物品識別……

按技術場景分，視覺領域、語言領域、自動駕駛領域、醫療領域、製藥領域……

每一個領域，是不是都可以足夠多的數據輸入，然後用大裝置對撞生成結果？

比如在蛋白質結構預測方向，之前即便用AI的方法，也需要既有非常懂生物的專家，還得非常懂AI的專家協作……雙方精心設計流程，精心準備輸入數據，最後才有可能得到正確的結果？

大裝置會有什麼不同？

知道大致正確的方向和目標，就是預測蛋白質結構，但不用精心準備輸入數據和流程，甚至可以羣策羣力，把所有可能相關的數據都輸入，最後“大裝置”窮盡所有可能性，同樣解出正確的結果。

所以沿着這個層面展開，AI大裝置意味着落地門檻的降低。

從AI展開行業落地那一天開始，主導權到底是歸屬AI博士們，還是傳統行業老兵的話題，討論從未有過間斷，也從未有過共識。

最具參考的一種答案是既要也要，強調融合共生。

然而如果需要融合，那落地的規模和速度自然就會大受侷限，畢竟懂AI、掌握AI能力的人，相比傳統行業人才，實在九牛一毛。

而作為基礎設施，AI大裝置在本質路徑上，把AI能力變成了一個輸入→輸出的機器和工具。

運用這個工具的，可以來自任何行業和領域。

只要有數據思維，定義清楚目標方向，懂得找可能的數據，然後大裝置就跟“相機”、“電腦”沒有本質不同，都是工具。

所以徐立説，這就是為什麼商湯把AI教育作為重要業務組成的原因。

“現在的教育告訴年輕人，需要每一步嚴格推導產生正確結果才能給分，但未來可能也有一種得出正確結果的方法，不需要你掌握推導過程。”

用好你需要的數據，知道如何操作和使用，然後把數據放入“裝置”，一樣能解題。

這也是為什麼會有一種觀點認為：下一個柯潔李世石一樣的圍棋高手，不一定要學圍棋。

實際上，這種思維下，教育方法確實值得被重新審視。

畢竟現如今我們稱讚的“計算天才”，不是口算、心算最厲害的那類人，而是最懂得如何利用計算機工具的人。

當然，如果沿着“AI大裝置”的思路，擴展到更宏觀的“認識世界”，人類對於規律的發現和認知，是否也會被刷新？

人類對於世界的認識和改造，究竟是一種怎樣的模式？

亞里士多德提倡演繹，這是一種強調因果的強推導，是一種線性的演進和發展。

但另一種模式，牛頓的時代、愛因斯坦的時代，展現的卻是躍遷式進步。

他們帶來的基礎理論突破，當時甚至只是一種“假設”，是在其後一代甚至幾代天才歸因中，才完成過程論證。

只是歷史車輪相似的是，每一次基礎理論的突破，都帶來一波更有力量的發明創造和更高級的文明。

徐立把這種天才推動的文明躍遷，笑稱為“上帝拍腦袋”。

不過更令他着迷的是，接下來是不是可以由大裝置來拍？

回顧過去，人類的科學探索都是基於已知認知推未知，毫無疑問就會受限於“已知認知”，更何況人類歷史上不少重要的發明和發現，還是“無心插柳”的結果。

但AI大裝置提供的新範式，提供了另一種路徑：

探索未知，可以不依賴於人類已經理解的輸入來作為輸入，可以嘗試把更大更多的數據放進來，搞不好就能找出更趨近本質的規律。

而AI最終極的工具能力，不正是幫助人類發現、找出更多，更終極的規律和真理嗎？

刷新商湯

最後，在AI大裝置浮出水面之際，也是時候重新審視商湯。

商湯是一傢什麼樣的公司？

創辦6年來，它備受矚目，但又面目“模糊”。

商湯時常被談論它的規模增速和融資估值，也始終被熱議“AI賦能百業”的可能性和可行性。

更因為其落地領域廣泛，技術和產品不直接To C，又容易在輿論認知中被盲人摸象。

但現如今，最新集大成成果AI大裝置建立完成，商湯的歸去來都得到了最好的連點成線，商湯的核心和邊界、商湯的護城河、商湯從技術到商業的可持續，以及商湯將會帶來的AI變革，都能在AI大裝置得到完整解答。

在AI大裝置的思路之下，商湯把聚集的AI博士之力，架構成了不需要AI博士才能使用的AI工具，並且可以在各個領域都實現輸出和賦能。

就像電被發現後，發電機和發電廠所承擔的角色一樣。

徐立透露，2018年開始大膽設想時，這種發展路線甚至是反共識的，但商湯內部還是頂住壓力，做重做深，碰硬件碰底層，然後一搞就是3年。

這有點像黎明前的登山，知道在向上走，卻不知道是否是登頂的正確道路。

好在OpenAI的GPT-3、DeepMind的AlphaFold，以及越來越多業內巨頭玩家拿出的超大參數模型，不同維度驗證了這確實是一條通向未來的路。

徐立還透露，按照內部規劃，硬件成本投入56億起的AI大裝置，在開起運行的2年後就能回本，到2025年就會進入盈利軌道。

這是商湯麪向未來的長線核心競爭力，而建立這種長線競爭力的時間週期，則構成壁壘和護城河。

更重要的是，AI大裝置啓動，AI賦能的門檻進一步降低，整個數字化和智能化的進程，就會進一步被加速。

商湯當前的北京辦公室所在地，理想國際大廈，是上一代原創技術公司百度，從技術創新到商業創新的“福地”。

徐立也喜歡用搜索引擎來類比“AI大裝置”會給商湯、給AI行業帶來的變革。

他認為今天互聯網的繁榮，是因為搜索引擎成功地把信息——高頻的、低頻的、高價值的、長尾的，在虛擬空間實現了鏈接。

而現實世界，始終缺少一樣的“搜索引擎”。

因為現實世界中很多東西還無法結構化的、可解析。但AI大裝置如果成功，就能加速這種真實世界的結構化、數字化。

順理成章，互聯網發展中兩大核心技術——搜索和推薦，也就能在現實世界得到復刻和應用。

並且相比互聯網經濟創造的價值，人類更大一部分的經濟活動和創造，原本就在線下。

所以徐立堅信，AI正在進入下一個時間點，一個從技術創新週期轉入商業創新週期的時間點。

“搜索引擎起來的時候，有圍繞搜索引擎創業的生態；視頻平台起來的時候，有圍繞視頻平台展開的商業生態。”

這位商湯聯合創始人説，很多人問他，AI創業是不是過時了？

他的回答是：

恰恰是正當其時的時候。