“2024年云網(wǎng)智聯(lián)大會”

中國電信集團科技委主任韋樂平

在韋樂平看來，人工智能有三大要素，而大模型則可以分為三個層次；大模型的核心價值在于應用，基礎大模型將會是一場慘烈的淘汰賽，未來三到五年，將可能會收斂到數(shù)家；在大模型應用價值凸顯的當下，小模型的作用也不容輕視。

《人工智能時代大模型的發(fā)展與思考》

韋樂平指出，大模型需要大算力，大算力需要大集群，大集群則需要大網(wǎng)絡。產(chǎn)業(yè)界不能把目光只停留在以GPU為代表的算力上，作為算力載體的智算中心，網(wǎng)絡同樣至關重要。

韋樂平強調(diào)，在智算中心網(wǎng)絡技術演進路徑中，除了在當前近乎壟斷的InfiniBand，以及在快速成長的UEC（超以太網(wǎng)）以外，PCIe、CXL和芯片光互連技術一樣值得關注。韋樂平判斷，作為當前性能最佳的聯(lián)網(wǎng)技術，InfiniBand雖然產(chǎn)業(yè)封閉且價格昂貴，但它仍將維系高端大模型訓練市場的相當份額；而隨著標準成熟與產(chǎn)品落地，擁有強大產(chǎn)業(yè)生態(tài)的UEC技術在性價比方面將逐漸趕超InfiniBand，預計到2027年成為市場主流。

AGI長路漫漫：

客觀理性看待發(fā)展水平

對于人工智能的三大要素，韋樂平有著自己的觀點。

算力是人工智能的基礎，算力的載體是芯片，芯片水平?jīng)Q定了AI計算能力物理上限，關鍵是GPU及其應用生態(tài)。高端芯片制程，特別是GPU及其應用生態(tài)是我國AI發(fā)展的最大短板。

數(shù)據(jù)是人工智能的根本，數(shù)據(jù)要素是數(shù)字經(jīng)濟的核心生產(chǎn)要素和重要經(jīng)濟資源。數(shù)據(jù)的規(guī)模、質(zhì)量和治理體系決定了AI應用的效果和質(zhì)量，數(shù)據(jù)的可用數(shù)量和質(zhì)量也同樣是短板。

算法是人工智能的靈魂。算力離開了算法，只是一個巨大的高耗能電熱器，基于深度學習的高效智能算法是發(fā)揮算力作用，規(guī)避低效蠻力計算的必然方向。

與人工智能的三要素相對應，韋樂平愿意將大模型分為三個層次：

第一層次是任務模型，模型就是應用，比如圍棋、人臉識別等單一應用，得益于數(shù)據(jù)量的優(yōu)勢，我國在此領域處于領先地位；第二層次是領域模型（行業(yè)模型），它能夠完成多領域諸多任務，開發(fā)者只要在基礎大模型上根據(jù)具體任務做微調(diào)即可；第三層次是認知模型AGI，即通用人工智能，能看、能聽、能思考、能規(guī)劃，能真正實現(xiàn)類人的智慧，而這長路漫漫。

大模型應用價值凸顯

小模型也不容輕視

韋樂平認為，大模型具有三點基本特征。

首先是大算力、大參數(shù)、大數(shù)據(jù)、大智能。算力越大、參數(shù)越多、數(shù)據(jù)越多，智能就越高，越能解決復雜的任務?！靶袠I(yè)模型，需要百億至千億的參數(shù)；基礎通用大模型，需要千億至萬億參數(shù)；全球領先的基礎通用大模型，則需數(shù)萬億至數(shù)十萬億級的參數(shù)?！?/p>

其次是一定的通用性，起碼具備領域型模型特點，能完成多領域的諸多任務，非單一任務。

第三是神奇的涌現(xiàn)性。當算力和模型參數(shù)足夠大，訓練到一定程度后，能夠突然出現(xiàn)預料之外的某種能力，產(chǎn)生邏輯自恰的類人語言表達，這種能力會達到乃至超過人類某方面的智能。

韋樂平表示，大模型特別是認知模型AGI，雖然應用前景非常美好，但存在著高技術、高投入、高能耗、高風險。“未來三五年以后，世界上就五六個基礎大模型能活下來。”但在此之上的行業(yè)大模型將層出不窮，行業(yè)應用將成為各類大模型真正體現(xiàn)價值和商業(yè)落地的地方。

韋樂平同時提醒，在大模型應用價值凸顯的當下，小模型的作用也不容輕視。因為大模型訓練所需要的技術、算力、語料以及成本很高，卻通而不專，在面向具體運行環(huán)境的適應性和經(jīng)濟性方面，往往小模型更加實用，省錢、省力、省時間。

目前已經(jīng)有多種小模型產(chǎn)品問世，從技術角度看，有兩大方向。一是知識蒸餾，主要對大模型進行裁剪、優(yōu)化，使訓練好的模型的體積和尺寸更小，成本更低、更適合具體部署環(huán)境的實際需求；其二是微型機器學習(TinyML)，該方向旨在低于1mw功耗下(如紐扣電池)運行機器學習，在成本和功率受限系統(tǒng)中完成機器學習任務，是物聯(lián)網(wǎng)領域AI的主要方向之一。

大模型需要大網(wǎng)絡：

UEC必將成為市場主流

大模型的盡頭在哪？算力、能源？但在韋樂平看來，網(wǎng)絡的影響因素同樣難以評估。

韋樂平指出，大模型需要大算力，大算力需要大集群，當前的數(shù)據(jù)中心很難滿足大集群算力的要求，一定要重新建設智算中心。以中國電信在上海投產(chǎn)的“臨港國產(chǎn)萬卡算力池”為例，其投資規(guī)模超過20億，單機柜能耗達到了4.8萬瓦，常規(guī)IDC很難滿足需求。

另外，主要由GPU服務器聯(lián)網(wǎng)構成的智算中心需要完全不同的網(wǎng)絡架構。當大模型訓練時，并行計算節(jié)點越多，通信效率越重要，智算網(wǎng)絡性能成為集群算力提升的關鍵。“智算中心網(wǎng)絡要求很特殊，需要高帶寬、零丟包、超低時延、高可用性，月級零故障?！?/p>

網(wǎng)絡技術角度，從目前情況來看，英偉達主導的InfiniBand是市場主流選擇，但InfiniBand在產(chǎn)業(yè)開發(fā)性、部署成本方面非常不友好。韋樂平認為，增強無損以太網(wǎng)（例如超以太網(wǎng)UEC）將逐漸成為市場主流選擇，UEC通過重構高擴展、高穩(wěn)定、高可靠的以太網(wǎng)堆棧，有望在性價比方面媲美InfiniBand。

韋樂平看好UEC最重要原因還是生態(tài)?！爱a(chǎn)業(yè)鏈很重要，技術高低不一定；拿ATM跟以太網(wǎng)相比，ATM比以太網(wǎng)性能高多了，為什么不行？因為（以太網(wǎng)）產(chǎn)業(yè)鏈比它大了幾十倍。”

當然，除了InfiniBand和UEC，韋樂平還建議關注PCIe、芯片光互連和CXL等連接技術。PCIe可以為復雜的生成式人工智能擴展距離、簡化系統(tǒng)架構、減少功耗；芯片光互連可以大幅提升計算集群的擴展性(超100T)，且功耗很低，物理尺寸也更小；而CXL不僅可以繼續(xù)用來增大服務器的內(nèi)存規(guī)模，而且將越來越多的用來承擔生成式人工智能訓練的加速器作用。

單集群、單體智算中心的算力總歸是有極限的，對于超大參數(shù)大模型訓練而言，在大范圍內(nèi)由多個物理集群構成一個超級邏輯集群進行聯(lián)合訓練，將會成為必然選擇。

也就是說，如何解決不同集群間參數(shù)的傳遞和同步，以及大量數(shù)據(jù)跨群跨域跨云傳輸?shù)牟煌瑫r延導致的訓練速度減慢的問題。對此，韋樂平認為，根據(jù)不同的訓練任務和場景，可以采用數(shù)據(jù)并行、流水線并行、張量并行等多種不同策略，但這些都不能從根本上解決。“根本解決還要依靠空芯光纖，直接在物理層將時延降低33%。”

審核編輯：黃飛