伴随ChatGPT概念持续走红，AI技术与千行百业的融合进程加速，愈发多元、复杂的应用场景涌现出来，对算力服务提出了更高的要求。如何为市场提供多样性、一体化的算力服务，成为产业共性课题。

5月29日，由中国智能计算产业联盟主办的2023中国算力发展研讨会在京召开。会议以ChatGPT下算力的机遇与挑战为主题，汇集了包括中国科学院院士陈润生、钱德沛，中国工程院院士郑纬民、廖湘科，北京应用物理与计算数学研究所研究员袁国兴，中国信通院院长、党委副书记余晓晖，国家信息中心信息化和产业发展部主任单志广，中科院计算所研究员张云泉，清华大学教授陈文光，中科院计算机网络信息中心研究员陆忠华，国家高性能计算机工程技术研究中心副主任曹振南，中国智能计算产业联盟秘书长安静在内的多位业内权威专家与学者，从技术、生态等多维度展开深度交流研讨，厘清多样性、一体化的算力服务建设方向，并给出实践路径。

多样性算力服务的基础：“通专”结合的算力底座

作为多样性、一体化算力服务的底层支撑，人工智能算力基础设施在建设布局等方面迎来“大考”。据不完全统计，全国有超过30个城市正在建设或提出建设智算中心，基本都是采用“政府主导、企业承建、联合运营“的模式。即由地方财政统一出资，建成后为各行各业提供公共算力服务。在此模式下，智算中心定位于公共服务设施，首先要满足广泛的应用场景，具备普适性，实现通用。其次，也要能支持部分对于计算精度、效率要求高的个性化应用场景，具备高效性，实现专用。

多位与会专家指出，“通专”结合的人工智能算力基础设施建设将成为实现多样性算力服务的关键基础。张云泉老师表示，ChatGPT的出现首次实现了认知智能的智慧涌现，同时也让算力产业面临需求上升、多样化发展、能耗问题凸显、使用门槛过高等新挑战。人工智能算力基础设施在变局中求发展，算力融合、要素协同、生态协作是关键。

张云泉 中国科学院计算技术研究所 研究员

中国科学院院士陈润生建议称，用大模型基础构架运行专业模型，既能达到高的精度又能实现小能耗。他认为，人工智能算力服务要有布局也要有分工，不要一拥而上，也不要半途而废，要避免资源浪费。

陈润生 中国科学院 院士

钱徳沛院士表示，通用还是专用的问题，不止出现在大模型领域，其实从计算开始的时候就一直存在。异构是一个趋势，不同的事情要用不同的高效工具来做。然而，在现代工业化体系下，要考虑成本，性能高了，能耗少了，但是设计成本、制造成本太高，也不行。要折中，既要达到高的性能，低的运营成本，又要有低的设计成本、制造成本，使得全系统成本是低的。在设计成本和制造成本容忍的情况下，应该尽可能地用更高效的异构结构和部件来支持不同的计算。

钱德沛 中国科学院 院士

袁国兴老师指出，科学计算最重要的是要提高可信度，人工智能同样如此。要让模型更可信就得不断提高模型精度。现在为了提高精度，模型越来越大，也越来越复杂，数据量增加也是越来越大。然而超出一定范围之后，打造一个通用模型的代价太高，这就需要通过专用模型来解决问题，所以还是应该分类来研究这个问题。

袁国兴北京应用物理与计算数学研究所 研究员

廖湘科院士认为，通用模型可以服务各行各业，我们需要可以对标ChatGPT的通用大模型，而各行各业可以根据行业实际需求在通用大模型的基础上进行微调和推理，定制行业的专用模型。

专家们一致认为，一方面，人工智能算力基础设施应具备全精度算力，成为一个算力“通才”。让用户可以根据 AI for Science、AI for industries等实际应用场景调配算力资源，包括通用算力、专用算力，乃至高性能的算力，来支持自身业务的发展。另一方面，“通专”结合的人工智能算力基础设施是一套综合性方案，更考验底层架构的开放性。既需要不同技术路线的百花齐放，也需要殊途同归的适配兼容，以便形成包罗万象的整体架构。在降低应用迁移门槛的同时，也带动产业生态的发展。只有这样，才能更好地为多样性算力服务提供支撑。

廖湘科中国工程院 院士

一体化算力服务的核心：重在连接产业生态