OpenAI头号竞争对手 大模型训练本钱最多三年将升至百亿美元 甚至是千亿美元 (openai网页版)

被视为OpenAI头号竞争对手的AI初创企业Anthropic的CEO表示，目前公司正在开发的AI模型训练本钱高达10亿美元，他估量，AI模型的训练本钱将在2027年之前优化到100亿美元，甚至是1000亿美元。

---

算力可贵，效率价高：智算中心凭啥是筑基新基建的最优解？

在“新基建”浪潮下，人工智能正成为经济增长的新引擎，各行各业开启智能化更新转型。 算力在其中扮演了关键角色，是国度未来竞争力的集中表现。 但理想是，在开展的环节中，高速增长的海量数据与愈加复杂的模型，正在为算力带来更大的应战，关键表现为算力缺乏，效率不高。

算力诚可贵：数据、算法要求更多算力支撑

众所周知，在人工智能开展的三要素中，无论是数据还是算法，都离不开算力的支撑，算力已成为人工智能开展的关键要素。

IDC发布的《数据时代2025》报告显示，2018年全球发生的数据量为33ZB (1ZB=1万亿GB)，到2025年将增长到175ZB，其中，中国将在2025年以48.6ZB的数据量及27.8%的占比成为全球最大的数据聚集地。

另据赛迪顾问数据显示，到2030年数据原消费业规模量占全体经济总量的15%，中国数据总量将超越4YB，占全球数据量30%。 数据资源已成为关键消费要素，更多的产业经过应用物联网、工业互联网、电商等结构或非结构化数据资源来提取有价值信息，而海量数据的处置与剖析关于算力的需求将十分庞大。

算法上，先进模型的参数量和复杂水平正出现指数级的增长趋向。 此前 Open AI 宣布的一项研讨就显示，每三到四个月，训练这些大型模型所需的计算资源就会翻一番（相比之下，摩尔定律有 18 个月的倍增周期）。 2012 至 2018 年间，深度学习前沿研讨所需的计算资源更是参与了 30 万倍。

到2020年，深度学习模型对算力的需求到达了每天百亿亿次的计算需求。 2020年2月，微软发布了最新的智能感知计算模型Turing-NLG，参数量高到达175亿，经常使用125POPS AI计算力成功单次训练就要求一天以上。 随后，OpenAI又提出了GPT-3模型，参数量更到达1750亿，对算力的消耗到达3640 PetaFLOPS/s-day。 而距离GPT-3问世不到一年，更大更复杂的言语模型，即超越一万亿参数的言语模型SwitchTransformer即已问世。

由此可见，高速增长的海量数据与愈加复杂的模型，正在给算力带来更大的应战。 假设算力不能加快增长，我们将不得不面临一个蹩脚的局面：当规模庞大的数据用于人工智能的训练学习时，数据量将超出内存和处置器的承载下限，整个深度学习训练环节将变得无比漫长，甚至完全无法成功最基本的人工智能。

效率价更高：环境与实践本钱高企，优化效率迫在眉睫

在计算工业行业，有个假定是“数字处置会变得越来越廉价”。 但斯坦福人工智能研讨所副所长克里斯托弗•曼宁表示，关于现有的AI运行来说却不是这样，特别是由于不时参与的研讨复杂性和竞争性，使得最前沿模型的训练本钱还在不时上升。

依据马萨诸塞大学阿默斯特校区研讨人员发布的研讨论文显示，以经常出现的几种大型 AI 模型的训练周期为例，发现该环节可排放超越 磅二氧化碳，简直是普通 汽车 寿命周期排放量的五倍（其中包括 汽车 自身的制造环节）。

例如自然言语处置中，研讨人员研讨了该范围中性能取得最大提高的四种模型：Transformer、ELMo、BERT和 GPT-2。 研讨人员在单个 GPU 上训练了至少一天，以测量其功耗。 然后，经常使用模型原始论文中列出的几项目的来计算整个环节消耗的总能量。

结果显示，训练的计算环境本钱与模型大小成正比，然后在经常使用附加的调整步骤以提高模型的最终精度时呈爆炸式增长，尤其是调整神经网络体系结构以尽或许成功详尽的实验，并优化模型的环节，相关本钱十分高，简直没有性能收益。 BERT 模型的碳足迹约为1400 磅二氧化碳，这与一团体来回坐飞机穿越美洲的排放量相当。

此外，研讨人员指出，这些数字仅仅是基础，由于培训单一模型所要求的任务还是比拟少的，大部分研讨人员通常中会从头开发新模型或许为现有模型更改数据集，这都要求更多时期培训和调整，换言之，这会发生更高的能耗。 依据测算，构建和测试最终具有价值的模型至少要求在六个月的时期内训练 4789 个模型，换算成碳排放量，超越 磅。 而随着 AI 算力的优化，这一疑问会愈加严重。

另据 Synced 最近的一份报告，华盛顿大学的 Grover 专门用于生成和检测虚伪资讯，训练较大的Grover Mega模型的总费用为2.5万美元；OpenAI 破费了1200万美元来训练它的 GPT-3言语模型；谷歌破费了大约6912美元来训练 BERT，而Facebook针对以后最大的模型启动一轮训练光是电费或许就消耗数百万美元。

对此，Facebook人工智能副总裁杰罗姆•佩森蒂在接受《连线》杂志采访时以为，AI科研本钱的继续下跌，或造成我们在该范围的研讨受阻，如今曾经到了一个要求从本钱效益等方面思索的境地，我们要求清楚如何从现有的计算力中取得最大的收益。

在我们看来，AI计算系统正在面临计算平台优化设计、复杂异构环境下计算效率、计算框架的高度并行与扩展、AI运行计算性能等应战。 算力的开展对整个计算需求所形成的应战会变得更大，提高整个AI计算系统的效率迫在眉睫。

最优解：智算中心大势所趋，应从国度公共设备属性做起

正是基于上述算力需求不时参与及所面临的效率优化的要求，作为树立承载庞大AI计算需求的算力中心（数据中心）成为重中之重。

据市场调研机构Synergy Research Group的数据显示，截至到2020年第二季度末，全球超大规模数据中心的数量增长至541个，相比2015年同期增长一倍缺乏。 另外，还有176个数据中心处于方案或树立阶段，但作为传统的数据中心，随之而来的就是能耗和本钱的大幅参与。

这里我们仅以国际的数据中心树立为例，如今的数据中心曾经有了惊人的耗电量。 据《中国数据中心能耗现状白皮书》显示，在中国有 40 万个数据中心，每个数据中心平均耗电 25 万度，总体超越 1000 亿度，这相当于三峡和葛洲坝水电站 1 年发电量的总和。 假设折算成碳排放则大约是 9600 万吨，这个数字接近目前中国民航年碳排放量的 3 倍。

但依据国度的规范，到2022年，数据中心平均能耗基本到达国际先进水平，新建大型、超大型数据中心的 PUE（电能经常使用效率值，越低代表越节能）到达 1.4 以下。 而且北上广深等兴旺地域关于能耗目的控制还十分严厉，这与一二线城市集中的数据中心需求构成矛盾，除了降低 PUE，同等计算才干优化主机，尤其是数据中心的的计算效率应是正解。

但众所周知的理想是，面对前述庞大的AI计算需求和优化效率的应战，传统数据中心曾经越来越难以承载这样的需求，为此，AI主机和智算中心应运而生。

与传统的主机采用单一的CPU不同，AI主机通常搭载GPU、FPGA、ASIC等减速芯片，应用CPU与减速芯片的组合可以满足高吞吐量互联的需求，为自然言语处置、计算机视觉、语音交互等人工智能运行场景提供弱小的算力支持，曾经成为人工智能开展的关键支撑力气。

值得一提的是，目前在AI主机范围，我们曾经处于抢先的位置。

近日，IDC发布了2020HI《全球人工智能市场半年度追踪报告》，对2020年上半年全球人工智能主机市场启动数据洞察显示，目前全球半年度人工智能主机市场规模达55.9亿美元（约326.6亿人民币），其中浪潮以16.4%的市占率位居全球第一，成为全球AI主机头号玩家，华为、联想也杀入前5（区分排在第四和第五）。

这里业内也许会猎奇，缘何中国会在AI主机方面领跑全球？

以浪潮为例，自1993年，浪潮成功研制出中国首台小型机主机以来，经过30年的积聚，浪潮曾经攻克了高速互联芯片，关键运行主机、中心数据库、云数据中心操作系统等一系列中心技术，在全球主机高端俱乐部里占有了关键一席。 在AI主机范围，从全球最高密度AGX-2到最高性能的AGX-5，浪潮不时刷新业界最强的人工智能超级主机的纪录，这是为了满足行业用户对人工智能计算的高性能要求而发明的。 浪潮不时以为，行业客户希望取得人工智能的才干，但要求掌握了人工智能落地才干的和技术的公司启动赋能，浪潮就可以很好地扮演这一角色。 放慢人工智能落地速度，协助企业用户翻开了人工智能运行的大门。

由此看，常年的技术创新沉淀、中心技术的掌握以及关于产业和技术的准确判别、研发是领跑的基本。

至于智算中心，去年发布的《智能计算中心规划树立指南》发布了智能计算中心技术架构，基于最新人工智能通常，采用抢先的人工智能计算架构，经过算力的消费、聚合、调度和释放四大作业环节，支撑和引领数字经济、智能产业、智慧城市和智慧 社会 运行与生态 安康 开展。

深刻地讲，智慧时代的智算中心就像工业时代的电厂一样，电厂是对外消费电力、性能电力、保送电力、经常使用电力；同明智算中心是在承载AI算力的消费、聚合、调度和释放环节，让数据出来让智慧出来，这就是智能计算中心的理想目的。

要求说明的是，与传统数据中心不同，“智算中心”不只把算力高密度地集中在一同，而且要处置调度和有效应用计算资源、数据、算法等疑问，更像是从计算器退化到了大脑。 此外，其所具有的开放规范，集约高效、普适普惠的特征，不只能够涵盖融合更多的软配件技术和产品，而且也极大降低了产业AI化的进入和运行门槛，直至普惠一切人。

其实我们只需细心观察就会发现，智算中心包括的算力的消费、聚合、调度和释放，可谓集AI才干之大成，具有全栈AI才干。

这里我们无妨再次以浪潮为例，看看何谓全栈AI才干？

比如在算力消费层面，浪潮打造了业内最强最全的AI计算产品阵列。 其中，浪潮自研的新一代人工智能主机NF5488A5在2020年一举打破MLPerf AI推理&训练基准测试19项全球纪录（保证充足的算力，处置了算力优化的需求）；在算力调度层面，浪潮AIStation人工智能开发平台能够为AI模型开发训练与推理部署提供从底层资源到高层业务的全平台全流程控制支持，协助企业优化资源经常使用率与开发效率90%以上，放慢AI开发运行创新（处置了算力的效率疑问）；在聚合算力方面，浪潮继续打造更高效率更低延迟配件减速设备与优化软件栈；在算力释放上，浪潮AutoML Suite为人工智能客户与开发者提供加快高效开发AI模型的才干，开启AI全智能建模新方式，减速产业化运行。

那么接上去的是，智算中心该遵照怎样的开展途径才干充沛发扬它的作用，物尽其用？

IDC调研发现，超越九成的企业正在经常使用或方案在三年内经常使用人工智能，其中74.5%的企业希冀在未来可以采用具有公用设备意义的人工智能公用基础设备平台，以降低创新本钱，优化算力资源的可取得性。

由此看，智能计算中心树立的公共属性准绳在当下和未来就显得尤为关键，即智能计算中心并非是盈利性的基础设备，而是应该是相似于水利系统、水务系统、电力系统的公特性、公益性的基础设备，其将承载智能化的居民生活服务、政务服务智能化。 因此，在智能计算中心规划和树立环节中，要做好规划，它不应该经过市场竞争手腕来成功，而要表现政府在推进整个 社会 智能化进程的规划、节拍、规划。

总结： 当下，算力成为推进数字经济的根基和我国“新基建“的底座曾经成为共识，而如何理性看待其开展中遇到的应战，在不时高升算力的前提下，优化效率，并采取最佳的开展战略和方式，找到最优解，将成为政府相关部门以及相关企业的重中之重。

清华邓志东教授：大模型助力智能驾驶特斯拉至少抢先行业三年

智能驾驶减速开展，产业链将洗牌。

作者|Juice

编辑|志豪

智能驾驶在走过低谷之后，正末尾重新攀爬高峰。

从去年末尾，国际智能驾驶市场的全体表现并不算好，大额融资变得寥寥，而技术上的打破也并不清楚，整个行业走向了低谷。

但往年，这一趋向出现了很大的变化。

从政策角度来讲，工信部等四部委结合发布《关于展开智能网联汽车准入和上路通行试点任务的通知》，正式对L3/L4智能驾驶的准入与上路启动了详细的规范，为L3/L4向商业化、规模化迈进启动了政策法规的创新引领与过度超前部署。

▲《关于展开智能网联汽车准入和上路通行试点任务的通知》

而从技术层面来看，以ChatGPT为代表的通用人工智能技术正在给智能驾驶的开展注入新生机。 传统的小模型、小数据弱人工智能方法正被换挡，经过大模型来规划智能驾驶的途径越发清楚。

其中最典型的玩家当属特斯拉，经过端到端的大模型技术，其在智能驾驶方面的最新产品FSDV12在海外的表现曾经十分稳如泰山了，引进国际也指日可待，届时，特斯拉在智能驾驶范围或许会再次化身为鲶鱼，搅起新的风暴。

▲特斯拉FSD Beta在不同环境下的表示图

从用户接受度的维度来看，现阶段，部分新购车的用户尤其是新动力汽车的车主关于智能辅佐驾驶NOA的接受水平曾经越来越高了，成功了初步的用户教育，这也为智能驾驶的真正轨模化落地提供了或许性。

可以说智能驾驶的开展正进入一波全新的开展周期。

而在大好情势下，我们也应该明晰地看法到，智能驾驶的开展也还有一些难题要求处置，比如说大模型如何为智能驾驶赋能？开放L3/L4准入政策后，怎样才干真正成功产品落地？多种技术路途之争应该如何决断？

假设不能很好地回答这些疑问，那关于智能驾驶的开展来说依然会发生不小的影响。 为了更好失掉这些疑问的答案，车东西特别采访了国际人工智能和智能驾驶范围的先行者——清华大学计算机系长聘教授，博士生导师，清华大学人工智能研讨院视觉智能研讨中心主任邓志东教授。

邓志东教授是国际最早一批末尾从事人工智能研讨的专家之一，同时在2009年就末尾了智能驾驶的研发与通常，也属于最早的一批研讨者，因此在这两方面无疑有着足够的积聚和发言权。

另外预告一下，邓志东教授将参与12月19日由智一科技旗下智能汽车产业新媒体车东西结合硬科技解说与服务平台智猩猩在深圳发起主办的2023全球智能驾驶峰会，并在主会场开幕式带来主题报告《大型视觉言语模型助力智能驾驶产业落地》。 另外，李弘扬、李志琦等学者以及来自智行者、元戎启行、Nullmax等企业的众多大咖也已确认参会演讲或介入圆桌讨论。 欢迎大家报名，线下参会交流。

ChatGPT是分水岭 人工智能开展提速

在人工智能范围，邓志东教授相对算得上是老资历了，1992年在清华博士后时期就末尾投身到了人工神经网络的研讨方向。

事先研讨的关键是人工神经网络与非线性系统学等，这些在事先还处在十分早期的阶段，人工神经网络模型还在缓慢的质变环节中，没有到达质变。

人工智能产业从2012年末尾起步，十几年间，真正落地的产品并不算多，一些落地的产品关键为人脸识别、机器翻译与语音识别等，但机器翻译的“机器”滋味似乎还比拟浓，整个行业并未闭环一个良好的产业逻辑。

2022年，很多行业内的从业人员关于（弱）人工智能产业能否真正落地发生了疑心。

而ChatGPT无疑是一个划时代的产品，大模型在某种意义上把人工智能这个产业又重新救活了。

▲ChatGPT聊天页面

不过大模型并不算是一个全新的概念。 预训练与微调的范式，2015年前后就出现了，2017年Transformer问世后就末尾有了大模型。 理想上，2020年出现了两个关键的AI进度，一个是OpenAI推出的GPT-3，另一个则是谷歌的AlphaFold2，这两项效果被普遍以为是人工智能范围六十多年来发生的“诺奖级”效果。

理想也确实如此。 AlphaFold 2就成为了往年诺贝尔奖的候选效果之一，虽然最终没有获奖，但是这一效果和GPT-3基础大模型之关键性，可谓显而易见。

这些大型言语模型与以往最大的不同之处在于，已末尾出现了一些认知才干，这是此前不曾有过的，人工智能确实更聪明了。 从目前的视角回头来看，2022年11月30日ChatGPT冷艳问世之前的人工智能十年，应该叫做弱人工智能时代，事先一个模型只能处置一个义务。

事先是小数据、小模型，通常要求标签启动完全的监视学习，而且也还没有摆脱机器性。

如今最大的不同就是模拟并构建了人类言语模型与全球知识模型，末尾运用人类的言语思想来了解和学习了。 这是一个十分大的打破，言语实践上属于初级文明，不只可协助人类沟通交流，而且还便于记载文明，促进人类知识传承，让下一代人站在人类知识总和的肩膀上前行。

相比于人类，机器对人类知识的传承效率更高，可以在短短数年时期内学完人类整个普通性的文本知识，甚至还能记忆得愈加准确。

大模型的开展离不开Transformer的出现，2017年6月12日谷歌的NLP研发人员在启动神经机器翻译的时刻提出了Transformer这种可规模化的新一代神经网络模型。

▲八位在谷歌工程师率先提出Transformer

邓志东教授以为，Transformer的降生并不是突然出现的，事先行业内已有很多人都在研讨LSTM模型的留意力机制，包括怎样经常使用多层的编码器，怎样经常使用多个解码器层，怎样去做隐含的特征表达等等，实践曾经有了Transformer的雏形。

但是这样的打破性创新或许只能出如今巨头企业里，要素是相比于LSTM，Transformer愈加复杂“冗余”了，这就要求更多的GPU算力，显然事先只要头部企业才干有足够的算力去思索或支撑这样的研讨。

不过，Transformer降生之初还仅是为了做机器翻译，后来才末尾用来做文本言语大模型。 OpenAI在2015年12月正式成立，初心就是要成功通用人工智能（AGI），而这一使命或愿景也是十分大胆的，此前极少有人敢提及这一观念。

▲OpenAI初始成员

实践上，OpenAI的中心团队都是硅谷十分成功的人士，新的阶段有了愈加庞大的目的。

OpenAI早期并没有做出什么关键的效果，回过头去看，初期的GPT-1和GPT-2都没有太大的意义，不具有清楚的优势，直到GPT-3的出现。

这关键跟模型的架构有相关，BERT等编码器架构的模型文本阅读了解与特征表达才干会比拟强，但是生成才干相对较差，反过去，GPT等解码器架构的模型生成才干比拟强，但阅读了解才干比拟差，OpenAI正是选择了后一种技术路途。

后来经过Transformer神经网络规模的不时参与，特别是与GPU算力的交替跃升之后，才经过大型言语模型的自监视学习与构建，取得了十分大的性能优化。

随着算力和数据的不时扩增，人工智能的才干也在不时优化。 如今GPT-4 Turbo甚至曾经可以末尾应用外部工具了，包括可以调用很多Action来成功义务，这也是一个十分大的打破。

▲OpenAI CEO山姆·奥尔特曼发布GPT-4 Turbo

但也应该明白的一点是，通用人工智能的开展还刚刚拉开序幕，一切才刚刚末尾。

从这个角度来看，我们正处在一个十分幸运的时代，还有少量时机见证通用人工智能更多的开展变化。

大模型赋能智能驾驶 特斯拉是先行者

从仅十年人工智能的开展角度来看，有三团体的作用十分突出，一个是图灵奖得主杰弗里·辛顿，另外两个则是辛顿的博士生，一个是前一段时期OpenAI“政变”的中心人物伊利亚·苏茨克维（Ilya Sutskever），另一个则是亚历克斯·克里切夫斯基（Alex Krizhevsky）。 AlexNet就是以后者的名字命名的，而伊利亚作为OpenAI的结合开创人与首席迷信家，则在GPT的开展环节中做出了很大的奉献。

除此之外，特斯拉AI与Autopilot 视觉主管，斯坦福李飞飞教授的博士生Andrej Karpathy，曾是OpenAI的开创成员及研讨员之一，2017年至2022年则成为特斯拉人工智能与智能驾驶的灵魂人物。

▲Andrej Karpathy（左）与马斯克（右）在特斯拉AI DAY演出讲

Karpathy在特斯拉担任人工智能与AutoPilot时期，于2020年掌管将特斯拉EAP的一切底层代码都启动了Transformer重写，这与他的OpenAI任务阅历不无相关。

也是在那个时刻，马斯克才正式对外喊出了要推出FSDBeta。

所以特斯拉较早就知道要用大模型来落地智能驾驶。 为了更好地支撑多模态大模型的开展，特斯拉还专门研发了Dojo超算，也置办了少量的A100。

▲Dojo超算机柜

目先人类曾经进入到了互联网和移动互联网时代，每天都有海量的数据涌现，因此必要求采用自监视或许无监视的学习方法，这就对数据自身的质量具有十分之高的要求。

而特斯拉既是一家人工智能算法与算力公司，也是一家智能驾驶公司，更是一家主机厂，不但具有足够多的数据，也拥有足够强的算力支撑，并且曾经在大模型算法方向上走了较长时期了。

BEV+Transformer算法的经常使用，不用激光雷达也可以启动纵向距离的测算与补全，这也是一个创新性的做法。

大型言语模型的经常使用关于智能驾驶的性能优化十分清楚，例如，经过视觉言语大模型就可以直接阅读了解路途交通场景，并生成详细的文本描画。

从GPT-4V的案例来看，视觉大言语模型关于整个驾驶场景识别的正确率曾经比拟高了，例如对高速、城市路途，对晴天、雨天、雾天，还有对不同时期段的分类等。 但对一些复杂场景的微观细节的检测与识别，则还有不少疑问要求处置。

当大模型人工智能取得了路途交通场景的感知才干之后，再配合相似于Q*之类的深度强化学习算法启动决策与规控，特别是应用多模态大型言语模型启动端到端的全体贯串之后，甚至直接经过交互就可启动智能体学习，这就和人一样，只需经过一些驾驶技艺的培训与操练就能够上路了。

目前产业界和学术圈关于特斯拉FSDV12都很等候，这一版本正是用彻底的端到端思绪来成功高阶智驾的，跟人类一样，输入是不时涌入的图像帧视频，输入就直接是转向、制动与减速这三个模拟量。

这个环节中会存在较多的疑问，例如两边的感知、预测、决策与规控环节其实是不透明的，另外就是如何处置边缘事情？如今看来，特斯拉或许经过视觉大模型与超级算力有效地处置了前面这个疑问。 这或许是由于他们已拥有了足够多的高质量训练数据，或多模态大模型出现了超强的零样本泛化才干。

另外特斯拉曾经从2020年就末尾做这个事情了，而且作为头部造车新权利，也积聚了全球上最多的数据，而国际则在往年3月之后才末尾减速规划，两边的差距至少有三年，所以在短时期内很难去逾越特斯拉。

▲特斯拉基于视觉数据构建3D空间

国际的智驾玩家中，华为投入了少量的人力与资源出来，技术扎实，目前走得比拟靠前。而网络、<a href=target=_blank

「大模型+大算力」加持，通用人工智能和智能驾驶双向奔赴

开年以来 ChatGPT、GPT-4 的相继面世再度掀起计算机迷信范围通用人工智能（AGI）研讨热潮，也不时刷新我们对 AI 的认知。

作为具有人类水平表现的大型多模态模型，GPT-4 被视为迈向 AGI 的关键一步，标志着创新范式的深度革新和消费力的重新定义，也必将带来更多元的产品迁移。

截至目前，全球曾经有超百万家初创公司宣称经常使用这一秘密武器来发明新产品，而这些产品将彻底改动从法律到股票买卖，从游戏到医疗诊断的近乎一切范围。

虽然其中很多是营销泡沫，但与一切技术打破一样，总会存在炒作周期和意想不到的远期效果。

理想上在另一边，进入 2023 年智能汽车范围相同十分繁华。

智能化已然成为上海车展全场关注的最大焦点，除了激光雷达等关键传感器的单点式打破，各大巨头也纷繁展现智能驾驶全产品矩阵，城市场景辅佐驾驶量产落地减速推进。

愈加值得留意的是，BEV、大模型、超算中心等计算机热词正在与智能驾驶、行泊一体、城市 NOA 等智驾焦点火速陈列组合，颇有相互融合、双向奔赴的滋味。

在这面前，一方面是近年来智驾、智舱继续更新对 AI 在汽车场景落地的数据、算法、算力不时提出更高要求，另一方面，AGI 的严重打破也已将触角伸向智能汽车，将其视为成功闭环运行的关键场景，很多企业规划曾经相当高调。

日前，商汤科技 SenseTime 举行技术交流日活动，分享了以「大模型+大算力」推进 AGI 开展的战略规划，并发布该战略下的「日日新 SenseNova」大模型体系。

在「大模型+大算力」加持下，本次上海车展商汤绝影驾、舱、云一体产品体系已全栈亮相，近 30 款协作量产车型集中展出，商汤也再度分享了智能汽车时代的 AGI 落地新思索。

本次上海车展亮相的部分绝影协作车型展现

算法：AI 正式步入大模型时代

如商汤科技结合开创人、首席迷信家、绝影智能汽车事业群总裁王晓刚所言，「AGI 催生了新的研讨范式，即基于一个弱小的多模态基模型，经过强化学习和人类反应不时解锁基模型新的才干，从而更高效地处置海量的开放式义务。」

通用大模型并非为智能驾驶而生，或为满足智能驾驶的特定义务需求而设计。 但智能驾驶开发的诸多新需求已在推进算法从公用小模型向通用大模型加快演进。

首先是应对海量数据处置和 Corner Case 疑问的迫切需求。

关于感知系统低频出现但至关关键的小目的及带来的潜在安保隐患，算法开发要求面对海量数据，传统的 AI 小模型将难以同时处置大数据量和高复杂度的义务。 通用大模型则可用在长尾目的的初筛环节，并叠加语料文字处置失掉很好的效果。

再比如智驾算法开发对智能化数据标注、降低人工本钱的诉求。 相比于人工标注，通用大模型将智能化对海量数据成功标注义务，大幅降低标注数据失掉的时期本钱和自身的金钱本钱，从而缩短研发周期、优化本钱效益。

处于相似的考量，近年来国际外巨头企业已围绕大模型纷繁展开各自智驾规划。

继 Google 于 2017 年提出将 Transformer 结构运行在 CV 范围图像分类，大模型已在 GPT-2、GPT-3、BERT 等当中不时证明实力，特斯拉率先站台 Transformer 大模型征战图像视觉。

国际企业也紧随其后：

毫末智行已宣布智能驾驶认知大模型正式更新为 DriveGPT，网络表示应用大模型来优化智能驾驶感知才干并将大模型运用到数据开掘，华为也已宣布参与大模型争霸赛，自研「盘古」行将对外上线。

作为行业抢先的人工智能公司，商汤在大模型范围可谓披荆斩棘，过去一两年则片面将大模型才干在各业务线 20 多个场景落地，包括智能驾驶。

商汤「日日新 SenseNova」大模型体系面前是大模型研发中深沉的积聚。 商汤有自己的全栈大模型研发体系，其中就包括针对大模型的底层训练及实施环节中的各种系统性优化。

例如，商汤近期向社区发布的用于真实感知、重建和生成的多模态的数据集 OmniObject3D 中包括 190 类 6000 个物体，数据质量十分高。

再比如，商汤在 2019 年就已初次发布 10 亿参数的视觉大模型，到 2022 年参数规模已到达 320 亿，这也是全球上迄今为止最大的视觉模型。

此外，商汤也在智驾范围继续展现大模型才干。 2021 年开发的 BEV 感知算法在 Waymo 应战赛以相对优势取得冠军，2021 年 BEV Former 的 Transformer 结构至今仍是行业最有影响力的 BEV 任务，往年开发的 UniAD 是业内首个感知决策一体化的端到端智能驾驶处置方案。

在技术实力的另一端是量产进度。商汤也给出了自己的智能驾驶量产公式：

智能驾驶技术才干=场景数据 x 数据失掉效率 x 数据应用效率² =场景数据 x 数据失掉效率 x 先进算法 x 先进算力。

而先进的算法大模型不只将经过跨行业数据会聚优化驾驶场景数据资源，经过数据闭环开发形式和智能数据标注优化数据失掉效率，更将大幅优化感知精度和感知丰厚度进而成倍优化数据应用效率。

依托原创 AI 算法和模型积聚，商汤抢先的 BEV 感知算法推进国际首批量产运行，并采用 Domain Adaption 算法有效处置跨域泛化疑问。 商汤首创的智能驾驶 GOP 感知体系将目的数据失掉的人力本钱降低 94%，成功低本钱的车端模型开发，目前也已投入量产运行。

算力：智能汽车时代的关键基础设备

随电子电气架构技术由散布式不时向集中式演进，大算力芯片成为新型电子电气架构成功的物理基础。

近年来车端芯片算力开展一日千里，如英伟达规划中的 Atlan 单颗芯片算力超 1000TOPS，THOR 单颗算力超 2000TOPS，将大幅优化单车感知决策才干。

而在云端，AGI 在智能驾驶、网联等场景的泛化运行将提出比车端指数级更高的算力要求——从数据标注到模型训练，从场景仿真到算法迭代。

算力将是智能汽车时代的新型基础设备。

在此背景下，近年来主流企业纷繁开启双线并行探求，车端自研算力平台，云端树立超算中心。 而进入大模型时代后，数据量随着多模态的引入也将大规模增长，因此肯定也会造成 AGI 对算力需求的剧增。

可以看到，英伟达车端云端同步规划并将提供端到端的全栈式 AI 减速计算处置方案，特斯拉也早在 2021 年 8 月发布自研云端超算中心 Dojo。

据近期报道，埃隆·马斯克也将成立一家人工智能公司来与 OpenAI 竞争，已购置数千个英伟达 GPU 并不时招募 AI 研讨人员和工程师。

国际方面，吉利、蔚来、特斯拉、毫末智行、小鹏等企业也已跟进规划云端算力集群，投入庞大以优化智驾开发算力储藏。

关于商汤来说，假设说大模型将是支撑智能驾驶的高层修建，那么大算力就是数字基座。

商汤科技董事长兼 CEO 徐立表示，目前大模型对基础算力、基础设备的需求十分旺盛，基础算力对并行效率的要求也十分高，但真正好用的基础设备其实十分稀缺。

出于这一要素，商汤历时五年自建了业界抢先的 AI 大装置 SenseCore，成功 2.7 万块 GPU 的部署并成功 5.0 exa FLOPS 的算力输入才干，是亚洲目前最大的智能计算平台之一，可同步支持 20 个千亿规模参数量的超大模型同时训练。

位于上海临港的 AIDC 人工智能计算中心将为智能汽车的数据存储、标注、脱敏、仿真训练、算法迭代到部署的闭环提供算力支持，打通基于数据驱动的算法消费全流程，减速初级别智能驾驶技术的 AI 模型消费和继续迭代，推进成功规模化量产。

在 AIDC 的基础上，AI 大装置也将提供支持大模型消费的一系列服务：

如此规模的算力设备即使特斯拉同期也尚难以望其项背，也必将推进大模型的高效闭环。

「大模型+大算力」推进智能汽车行业全体进程

汽车行业正在面临百年未有之大革新。 虽然此次以「大模型+大算力」推进 AGI 开展是商汤提出的战略规划，但理想上，这一理念早已内行业层面达成共识。

基于感知、决策规控和 AI 云三大中心才干，商汤「大模型+大算力」已赋能绝影驾、舱、云三位一体产品体系量产落地：

除智能驾驶范围的全栈才干和行泊一体量产处置方案外，「大模型+大算力」也正在助力商汤打造智能座舱跨场景生态。

车展时期，与商汤「日日新 SenseNova」大模型体系深度融合的绝影未来展现舱更新亮相，言语大模型「商汤商量 SenseChat」以及 AIGC 文生图平台「商汤秒画 SenseMirage」也已上车，多点融合重构人车交互方式，打造第三空间。

以「商量」为例，作为千亿级参数的自然言语处置模型，其经常使用少量数据训练并充沛思索中文语境，展现出出色的多轮对话和超长文本的了解才干。

商汤也展现了言语大模型支持的诸多汽车场景创新运行，如内行车环节中化身「邮件助手」智能提炼关键信息，作为「会议助理」智能生成会议纪要，大小节省用户行车时处置任务的时期和精神，为未来出行的运行场景拓展带来丰厚的想象空间。

此外，以人工智能大模型开发、消费、运行为中心，一站式