算力算法心得体会

① 为什么说“算力”是新基建核心一环

数字化转型的基础，就是“新基建”。新基建将覆盖包括区块链在内的新技术基础设施，算力将成为新生产力。联接和计算是新基建的两个核心，一是联接网络、平台，二是计算，包括算力、算法。围绕新基建，算力是核心、数据是要素。“计算力”以数据中心作为其存在方式，扮演数字经济“发动机”的角色，计算正和水、电一样成为最基本的社会基础设施，计算力就是生产力。你可以多关注一下XnMatrix这个平台，他们所做的去中心化云计算技术行业领先。

② 知识+数据+算力：算法进化升级的路径是什么|德外独家

算法融入信息传播，带来了传播的深刻变革。推荐算法基于大数据和人工智能技术，通过算法模型，进行信息与用户的匹配，成为智能传播中的主导力量。

然而，经过算法过滤选择后，匹配给用户的信息对个人认知、判断以及 社会 性的负面影响，引起了广泛的关注和担忧。

作者从智能传播中算法的缺陷入手，围绕算法优化和升级，与人工智能行业专家、国家广播电视总局广播电视科学研究信息与安全技术研究所王磊博士，展开探讨，以期为算法进化找到可行路径。

以下为两人对谈的详细内容。

推荐算法只能依从用户

个人的偏好、需求吗？

于烜： 算法融入信息传播，改变了信息采集、生产、分发和反馈等过程，带来了传播的深刻变革。在移动互联网时代，算法主导信息分发，算法的个性化推荐（简称推荐算法），有效应对了信息超载带来的分发危机，解决了海量信息与用户间的供需匹配问题，优化了生产和消费的资源配置效率，无疑是一种先进的技术和生产力。

但是， 推荐算法存在一个明显的缺陷。 我们知道在现代 社会 中，传播的一个重要功能是实现 社会 整合，以传统媒体为代表的大众传播发挥了 社会 整合的作用，传媒能够把不同阶层、人群、族群凝聚起来，形成 社会 共识，这就是媒体公共性的体现。

然而，个性化算法推荐，依据的是网络中用户本人或相似人群的个人兴趣、爱好、习惯、需求，只体现了个性，缺少公共性， 公共性缺席是算法主导信息传播的一个明显的缺陷。推荐算法只能依从用户个人的偏好、需求吗？

王磊：从技术上说，算法是一种中介， 通过算法模型，将信息与用户进行匹配，本质是要解决信息和用户的精准匹配问题。无论是传统的机器学习算法，还是近年来兴起的深度学习算法，通过用户个人属性和网络应用使用过程中的数据记录，挖掘用户个人兴趣、需求， 最终达成个人信息需求的精准匹配，这就是算法的使命。

当算法融入传播，算法主导的短视频平台、资讯平台成为了媒体，作为媒体，需要传播主流价值观，需要承担媒体公共性责任， 除了个性化的推荐，在算法中应该体现出公共性，这是从媒体角度、传播角度，对算法的要求。

于烜： 目前的智能传播中，算法并没有回应这样的要求。也就是说，从传播角度看，目前普遍应用的个性化推荐算法技术自身是有缺憾的，换句话说， 仅仅依靠推荐算法技术进行的传播，是有缺陷的，需要进化。

王磊： 对，可以这样理解。

于烜： 近年来，智能传播中，经过算法过滤选择后匹配给用户的信息，对个人认知、判断以及 社会 性的负面影响，引起了传播学研究的关注，比如信息茧房、算法囚徒、圈层化，这些研究都提示了算法带来的风险。所以无论是从算法技术自身的缺憾，还是算法在现实传播中带来的问题两个层面看，算法需要升级。

王磊： 确实如此， 推荐类算法需要从算法技术路线和网络架构上进一步升级， 以尝试解决上述问题。

算法是否能够发现用户更全面多样的内容？

于烜： 大众传播时代的信息也是要过经过媒体过滤选择的，但是在新闻专业主义的准则下，信息选择有明确的标准，要求客观、平衡，以尽可能反映 社会 现实。

但是，算法的根本逻辑是流量，以流量为目的进行信息匹配。研究表明，流量偏向情绪性、故事性、戏剧性内容，客观、平衡这一新闻传播大厦的基石已经被流量冲垮了。

100年后的今天，被算法选择的信息失衡、失真，拟态环境和现实世界不是越来越接近，相反却是越来越偏离了。

算法模型中，是否可以将客观、平衡等专业价值观要素导入进去？也就是说不仅仅找到迎合用户表面的喜好，也能发现他潜在的需要，或者是他愿意了解、也应该了解的更全面的这样一些内容？在实现过程中面临的困难和挑战又是什么？

王磊： 我想可以尝试突破信息传播失衡、失真的现状，但是实现起来难度很大。 一种办法是算法+规则，即以现有深度学习算法模型为基础，将专业价值观理念设定为相应规则，两者结合形成新的计算模型，进行相应信息匹配。 但是，现实中难度很大。

还有一个办法，需要通过技术演进来实现。从人工智能发展历程看， 现在正处于弱人工智能时代， 即“数据+算法”的时代，这一时期通过大量投喂数据，算法精度较过去提高了很多，但是 存在一个难以破解的核心问题——无法解决海量数据之间的深层次语义层面的关联关系，算法的泛化能力比较差， 简单说就是在一个数据集中的模型，运用在另一个相似数据集中，其效果会变差。

只有当技术演进到 “知识图谱+算法” 阶段，能够在数据间找到并建立起相应的关联关系，破解数据语义层面的联系，才有可能挖掘出用户潜在的、多层次的需要，改变目前简单迎合的状况。

清华大学张钹院士提出的第三代人工智能，即 知识+数据+算法+算力， 或许未来可以从这个方面突破，一定程度上弥补当前信息传播中推荐类算法的缺陷。

第二代人工智能阶段，

如何推动综合评价体系建立？

于烜： 算法驱动的内容平台通过组织生产和算法分发，已然成为了智能传播时代的主体，因此说需要通过规则导入，促使算法进化。

目前个性化推荐算法，强调的是迎合用户个人个性化的精度，是不是可以从内容端的广度进行考量， 比如说，内容的多样性，让观点多样、信源多样、品类多样的内容达到用户？也就说是否可以通过内容的广度，来体现新闻传播客观、平衡。

王磊： 是的， 除了精度，算法的广度应该成为一个评价指标，如对内容的非歧视性关联推荐等。现阶段综合评价指标的合理设计将引导算法不断地优化升级。 当然，这些评价标准的制定也需要传播学的专家加入，共同探讨。

于烜： 如果要对今天的对话做一简短小结，我想说，面对算法技术的缺憾及引发的问题，算法无疑需要进化。而算法进化有赖于算法技术自身的演进，有赖于算法掌控者的伦理培养，有赖于监管部门的标准规范。同时，这需要学界、业界、政府共同努力。

编者按：

作者：于烜，北京广播电视台高级编辑、新闻传播学博士，德外5号特约作者。

③ 算法比算力更重要

计算的事可以交给电脑，而且算法却取决于人的思考水平了！

选择方向更重要，否则都是无用功，甚至是负功！

方法比行动更重要，自上而下的结构设计与自下而上的行动和反馈，系统才能朝着更好的方向发展。总结和记录好方法，从长远来规划，做过的就要让它形成方法论，让它在下次应用时做到一劳永逸！

方向一旦清晰，行动就会更加有效！

④ 最近经常听到有人说算力，到底什么是算力

就是计算的能力，多数是在游戏中说到这个词语，比如恐龙有钱里面。就有算力

⑤ 算力算法数据的概念

算力就是计算机进行矩阵或数学运算的能力,每秒能够计算多少次矩阵运算。
它可以根据用户行为数据进行计算给予用户更多的便捷,从而让用户感知到它更了解自己

⑥ 巧妇难为无米之炊,算力、算法和数据到底哪个更重要

虽然不能这么绝对的判断一定谁比谁重要，但在实际应用中很多时候的确是数据更加重要。有几方面的原因：

在很多问题中，算法的“好坏”在没有大量有效数据的支撑下是没有意义的。换句话说，很多算法得到的结果的质量完全取决于其和真实数据的拟合程度。如果没有足够的数据支撑、检验，设计算法几乎等于闭门造车。

很多算法会有一堆可调参数。这些参数的选择并没有什么标准可依，无非是扔给大量数据，看参数的变化会带来什么样的结果的变化。大量、有效的数据成为优化这类算法的唯一可行方法。

更极端的例子是，算法本身很简单，程序的完善全靠数据训练。比如神经网络。

对于很多成熟的算法，优化算法的增量改善通常远小于增大输入数据（这是个经济性的考虑）。

比如问题中举例的 Google。在它之前的搜索引擎已经把基于网页内容的索引算法做得很好了，要想有更大的改善需要换思路。PageRank 算法的采用大大增加了输入的数据量，而且链接数据本身对于网页排名相当关键（当然他们也做了大量算法的优化）。

相关介绍：

数据（data）是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的的原始素材。

数据可以是连续的值，比如声音、图像，称为模拟数据，也可以是离散的，如符号、文字，称为数字数据。在计算机系统中，数据以二进制信息单元0、1的形式表示。

⑦ 从计算机硬件设计的角度分析如何提供更为丰富的算力

自上世纪90年代互联网技术诞生以来，移动互联网、云计算、大数据、人工智能等新一代信息技术的不断发展和逐步成熟，并日益深入的渗透到经济社会的各个领域，2020年全球范围内爆发的新冠疫情又进一步加速了这一趋势，数字经济已经成为世界经济发展的新阶段，即世界经济发展已经进入数字经济时代。
党中央、国务院和各级政府高度重视数字经济的发展。从2015年《中国制造2025》、《促进大数据发展行动纲要》等政策出台以来，中央和各级地方陆续以推出系列数字经济发展的措施，并支持雄安新区、浙江、福建等六个地区建设国家数字经济创新发展试验区，支持北京、上海、深圳、西安等地建设国家新一代人工智能创新发展试验区。2020年国家进一步提出加强新型基础设施建设，并明确将数据作为一种新型生产要素写入政策文件，这些将为数字经济的发展奠定更加坚实的基础。
农业经济时代，土地、水源和工具是关键资源。工业经济时代，能源、原材料、机器设备和生产工艺等是关键资源。那数字经济时代的关键资源是什么呢？数字经济时代的关键资源是数据、算力和算法。数据是数字经济时代的原材料，各种经济活动中都在源源不断的产生的数据，越来越多的组织也将数据当作一种资产，在政策层面数据已经成为一种新型生产要素。算力相当于数字经济时代的机器设备和生产力，面向各种场景的数据产品或应用都离不开算力的加工和计算，而且对算力的需求和要求也越来越高。算法是数字经济时代的生产工艺，面向图像、语音、自然语言处理等不同的应用场景和领域的算法也层出不穷，算法的提升和改进可以提高算力的效率和更多的挖掘数据价值。
本文重点分析算力方面内容，介绍算力市场总体情况，当前算力发展的特点和趋势，以及重点算力供应方式等。
一、算力需求快速增长，算力投资具有多重经济价值
算力即计算能力，核心是CPU、GPU、NPU、MCU等各类芯片，具体由计算机、服务器、高性能计算集群和各类智能终端等承载。数字经济时代，数据的爆炸式增长，算法的复杂程度不断提高，对算力需求越来越高。算力是数字经济发展的基础设施和核心生产力，对经济发展具有重要作用，根据IDC与浪潮联合发布的《2020全球计算力指数评估报告》，计算力指数平均每提高1点，数字经济和GDP将分别增长3.3‰和1.8‰。
随着数字经济的不断发展，人工智能、物联网、区块链、AR/VR 等数字经济的关键领域对算力的需求也将呈爆炸式增长。根据华为发布的《泛在算力：智能社会的基石》报告，预计到2030年人工智能、物联网、区块链、AR/VR 等总共对算力的需求将达到3.39万EFLOPS，并且将共同对算力形成随时、随地、随需、随形 (Anytime、Anywhere、AnyCapacity、Any Object) 的能力要求，其中人工智能算力将超过1.6万EFLOPS，接近整体算力需求的一半。OpenAI开发的GPT-3模型涉及1750亿个参数，对算力的需求达到3640PFLOPS，目前国内也有研究团队在跟进中文GPT-3模型的研究。
算力投资具有多重经济价值，不仅直接带动服务器行业及上游芯片、电子等行业的发展，而且算力价值的发挥将带动各行业转型升级和效率提升等，带来更大的间接经济价值。根据《泛在算力：智能社会的基石》报告，每投入1美元算力即可以带动芯片、服务器、数据中心、智能终端、高速网络等领域约4.7美元的直接产业产值增长；在传统工厂改造为智能化工厂的场景下，每1美元的算力投入，可以带动10美元的相关产值提升。
二、算力发展的特点及趋势
随着数据规模的增加和算法复杂度的提升，以及应用多样性的不断丰富，对算力提出的要求也越来越高，当前算力发展呈现出三方面的特点，一是多种架构百花齐放的状态，二是中心化的算力与边缘终端算力快速发展，三是专用算力日渐成势。
近年来多种算力架构并存并快速发展。曾经x86架构的算力占绝对优势，英特尔和AMD基本垄断了X86算力架构市场，海光信息通过跟AMD合作获得x86架构的授权；如今基于ARM架构的算力份额不断扩大，特别是在移动端ARM架构算力成为主流，华为海思等主要产品是基于ARM架构，另外天津飞腾的产品也是基于ARM架构。随着人工智能等算力需求的不断增加，GPU算力的需求不断增加，英伟达在GPU算力市场占有绝对优势，AMD也分了一杯羹，叠加比特币挖矿算力需求，导致市场上GPU卡供不应求。近几年国内也出现几个GPU方面的创业团队，如寒武纪、登临科技、燧原科技等。此外，Risc-V、存算一体化架构、类脑架构等算力也不断涌现，不过这些算力刚刚起步，在应用生态等方面还需要一定较长的培育过程。
中心化算力和边缘终端算力快速发展。随着7nm制程日渐成熟，基于7nm制程的CPU、GPU等算力性能得到极大提升，目前7nm制程算力主要是中心化算力，移动端智能手机的处理器算力部分也已经采用7nm制程。台积电的7nm制程已经实现规模化，并开始攻关3nm工艺制程；中芯国际7nm工艺制程仍在技术攻关当中。随着5G及物联网应用的不断增加，边缘终端算力的需求日益增加，特别是自动驾驶、智慧安防、智慧城市等领域算力需求。地平线自动驾驶芯片已经量产，英伟达jetson产品在嵌入式终端产品应用广泛，其他针对特定领域专用边缘终端芯片创业公司层出不穷。
针对图像、语音等特定领域的专用算力日渐成势。一方面是芯片工艺制程越来越逼近摩尔定律的极限，另一方面是物联网智能终端对功耗的要求等，针对特定领域的专用芯片层出不穷，并且越来越多的巨头参与其中。谷歌的TPU专为机器学习定制的算力，阿里平头哥的含光NPU专为神经网络定制的算力，赛灵思的FPGA算力，网络研发针对语音领域的鸿鹄芯片以及云知声、思必驰、探境科技等也推出智能语音相关的芯片，北京君正、云天励飞、依图科技和芯原微电子等推出针对视觉和视频处理相关的专用芯片。
三、算力供应以公有云和自建算力为主，多种方式相补充
当前的算力供给主要包括公有云、超算中心、自建算力、地方算力中心等方式。其中，公有云和自建算力中心是算力的主要来源方式，超算中心及地方算力中心等多种方式相互补充。
规模化的算力供应通常通过数据中来承载，新建数据中心的不断增加，将带动未来算力资源的供应不断扩大。据中国电子信息产业发展研究院统计数据，2019年中国数据中心数量大约为7.4万个，大约能占全球数据中心总量的23%，其中大型数据中心占比12.7%；在用数据中心机架规模达到265.8万架，同比增长28.7%；在建数据中心机架规模约185万架，同比增加约43万架。2020年国家大力支持“新基建”建设以来，数据中心作为“新基建”的重要内容，京津冀、长三角和珠三角等算力需求地区，以及中西部能源资源集中的区域，如内蒙、山西等，均在推进新的大中型数据中心的建设。
公有云以其稳定和易用等特点，成为许多企业特别是中小企业的算力首选方式。据不完全统计，阿里云服务器总数接近200万台，腾讯云服务器总数超过110万台，华为云、网络云、京东云、AWS等云厂商服务器总数未找到确切数据，保守估计各类云厂商服务器总数之和也超过500万台。而且在国家宣布大力支持“新基建”建设之后，腾讯宣布未来五年将投资5000亿元用于云计算、数据中心等新基建项目的进一步布局，阿里云宣布未来三年阿里将投2000亿元用于面向未来的数据中心建设及重大核心技术研发攻坚，网络宣布预计到2030年网络智能云服务器台数将超过500万台。各大云厂商仍在继续加大算力投入，公有云算力供应将会更加充裕。
自建算力以其安全性和自主性等特点，成为政府、大企业及其他关注安全的组织的算力首选方式。政府、银行及高校和央企等，通常通过自建或租赁数据中心的方式自建算力，满足自身各项业务的算力需求。许多互联网公司在刚开始时选择使用公有云服务，但规模发展到一定程度时通常都会开始自建或租赁数据中心的方式自建算力。其他有部分各种类型的企业，出于安全、商业机密和隐私等方面的考虑，不意愿把数据和业务等放到阿里云等公有云上，往往选择托管服务器的方式自建算力，规模更小企业直接就在本地使用。2020年6月快手宣布投资100亿元自建数据中心，计划部署30万台服务器，字节跳动等大型互联网公司都在不断加大数据中心的建设。
超算中心和地方算力中心作为算力供应有效的补充方式，适合于大规模计算需求的应用领域。截至2020年，科技部批准建立的国家超级计算中心共有八所，分别是国家超级计算天津中心、广州中心、深圳中心、长沙中心、济南中心、无锡中心、郑州中心和昆山中心。超算中心主要的算力资源以CPU为主，新建的超算中心及更新升级过程中超算中心逐步增加了异构GPU算力资源。超算中心较好的满足和弥补了高校科研中算力资源的需求，特别是在工业仿真、生物信息、新材料、气象、海洋等科学计算领域。国内主要省市地区基本都投资建设了当地算力中心，重点服务本地科研和产业发展的需求，如太原、苏州、福建等地，目前通常地方算力中心的规模并不大，计算节点数在200-500之间居多，主要服务于当地气象、工业仿真和生物信息等领域计算需求。此外，2020年以来，武汉、南京、珠海、许昌等地区正在建设人工智能计算中心，将在一定程度上弥补当前规模化AI算力不足的情况。
结语
算力作为数字经济的基础设施，也是数字经济时代的生产力和引擎，越来越成为数字经济时代国家竞争力的体现。根据IDC与浪潮联合发布的《2020全球计算力指数评估报告》，中国和美国的算力建设在全球处于领先地位，美国的算力无论在规模、效率、应用水平等方面都领先于中国。此外，从算力芯片供应角度看，美国的英特尔、AMD、英伟达等企业几乎占了全球的绝大部分的市场份额。可见，中国在算力建设和发展仍然需要加大投入和加强研发等，发挥优势的同时弥补不足，从而为数字经济长期发展奠定更加坚实的基础。

⑧ 巧妇难为无米之炊,算力、算法和数据到底哪个更重要

“巧妇难为无米之炊”，这句话隐含的信息量并不小，正好可以用于对比人工智能。巧妇的“巧”就是算法，食材就是数据，而锅碗瓢盆和炉灶就是算力。

如果没有食材，就算你有炉灶和锅碗瓢盆，也没办法做出饭，而有了食材，没有炉灶和锅碗瓢盆也做不出饭菜，有了食材，有了锅碗瓢盆，没有巧妇，也同样做不出一桌丰盛的饭菜。

数字化归根结底：

是靠数据驱动的,如果没有高质量的大数据,那就是巧妇难为无米之炊。因此,做好大数据工作是推进数字化变革的前提性、基础性工作。但非数字原生企业相比数字原生企业,大数据工作的复杂性和困难度要大的多。

何老师表示,做好大数据工作,要有知难而上的坚强决心。此外,他基于对华为等企业实践的认真了解研究,结合自身对企业战略执行的长期深刻体悟,还在演讲中给出了切实的决策思路和行动建议。

据悉,《数字企业》之所以能成为数字化转型、数字化变革的代表性演讲,很大程度上是因为既具备企业家的高度、又具备思想家的深度、还具备实践家的力度。