AI在深刻地變革我們的生活和生產方式，并在不同行業呈現著巨大價值。

有顛覆性的應用場景，比如在關乎生命安全的礦山作業，AI技術來代替人識別人員、設備、環境的運行狀態。實時處理、分析和上報，保證礦井生產安全；

有提升生活水平的應用場景，比如多模態的內容生成、機器人應用以及自動駕駛；

有面向前沿領域的應用場景，AI與不同領域的技術進行碰撞，加速應用落地。比如藥物研發，AI可以大幅度縮短藥物研發中小分子藥物篩選的周期。比如中國商飛上海飛機設計研究院聯合華為發布了業界首個工業級流體仿真大模型“東方.御風”。基于昇騰AI打造的面向大型客機翼型流場高效高精度AI仿真預測模型，在昇思MindSpore流體仿真套件的支持下，有效提高了對復雜流動的仿真能力，將仿真時間縮短至原來的二十四分之一。

科技部近日也發布《關于支持建設新一代人工智能示范應用場景的通知》，公布了首批人工智能示范應用的十大場景，首批示范應用場景包括智慧農場、智能港口、智能礦山、智能工廠、智慧家居、智能教育、自動駕駛、智能診療、智慧法院、智能供應鏈10個場景。

但是我們看到，AI是一個包括芯片、開發在內的軟硬件不斷迭代的過程。隨著摩爾定律的停滯，在當前技術迭代越來越貴的情況下，如何實現AI性能和成本的平衡，成為影響AI普及的重要因素。

昇騰AI基礎軟硬件不僅提供模塊、板卡、小站、服務器、集群等豐富的產品形態，是面向“端、邊、云”的全場景AI基礎設施方案，同時還提供覆蓋深度學習領域訓練和推理全流程的開源AI計算框架MindSpore。因此對于人工智能技術從開發、部署到應用端到端流程都有深刻的理解。

為了了解影響AI成本有哪些因素，以及如何降低AI成本，至頂科技與華為昇騰AI領域的專家進行了交流。

算法、開發和規模化，AI架構新挑戰

從AI架構來看，華為昇騰AI專家認為，當前AI企業面臨三個挑戰。

首先是算法的創新。中國的AI企業主要聚集在應用層，但是一個好的AI應用，是需要最底層的算法和模型來實現更高效的算子，如何實現底層算法的創新是當前AI企業面臨的第一個挑戰。

其次是開發應用上，當前包括在金融、醫療、人工智能等領域，其算力需求是一個無底洞，使用AI成本會很高，“如果我們把算力做成了一個公共的數字基礎設施，更多的初創企業就可以去使用，來減少AI開發應用難的問題。”華為昇騰AI專家講道。

三是規模部署難，一些新的技術應用研發出來，但是不能很好的找到商用場景。比如說像一些中小企業可能只會在當地找商業場景，如果需要跨區就沒有人力或者影響力去做這件事情。

總結來說，影響AI企業發展的三個挑戰，一是最底層技術上的創新難，二是應用開發上貴，三是規模部署難。

適配、訓練和部署，AI模型新挑戰

如果從模型、算法角度看，華為昇騰AI專家認為，會遇到適配，訓練和部署三個挑戰。

適配方面，不同AI平臺的適配問題是造成AI開發和應用難的主要挑戰。當前國際形勢復雜，基礎軟件可獲得性的不確定因素日益增高。昇思MindSpore作為開源的國產AI創新框架，已經實現了通用的AI模型適配，做到了技術安全可控。

訓練方面，大模型訓練的挑戰主要是需要強大的算力，通過昇思MindSpore AI框架及昇騰AI處理器的協同優化，實現了運行態的高效，大大提高了計算性能；同時 昇思MindSpore原生支持大模型訓練，提供自動并行和可視化調優等關鍵創新，能顯著提高模型的訓練效率。

部署方面，MindSpore提供全場景能力，可以實現模型零代碼跨平臺應用，做到模型一次開發全場景部署。

技術、場景、生態融合創新，實現AI成本降低

在華為昇騰AI專家看來，AI成本主要包括四個部分：

數據成本：沒有數據如同無源之水，AI就沒有辦法學習。

硬件成本：通俗講就是NPU、CPU、GPU等硬件成本。

軟件成本：包括算法、應用的開發創新等成本。

落地成本：包括解決方案的推廣，后續的服務等。

如何降低AI成本，從硬件層面，昇騰AI在全國布局AI人工智能計算中心，實現了AI的公共、普惠的獲取，改變了從原來的專有、昂貴的AI的獲取模式。目前，昇騰已上線的10多個城市人工智能計算中心，已經累計為各地550多家企業、60多所高校、30多個科研單位提供服務，誕生了一批原創領先的科研成果，孵化了一批行業新應用。

其次，在針對算法創新上昇騰AI通過開放典型的一些場景應用的SDK開發包，來助力一些AI的開發能力較弱的中小企業來快速開發AI應用。具體而就是把不同行業的實踐經驗通過SDK固化，實現運維平臺低代碼，甚至零代碼的模式，通過圖形化的操作界面去做后續的運維，降低用戶使用AI的門檻。

最后推動成立一些產業聯合體，比如圍繞基于昇騰AI打造的全球首個遙感影像智能解譯專用框架武漢.LuoJiaNet和業界最大遙感樣本庫武漢.LuoJiaSET成立的智能遙感開源生態聯盟，包含了像武漢大學等處于遙感領域學術前沿的高校，和非常多的應用單位及科研機構，把需求和市場以及科研前沿能力做對接，通過免費并開源越來越多的數據來降低AI獲取成本。

提升AI的效率也是降低TCO的一種方式，華為昇騰AI專家表示，在千億大模型訓練上，昇思MindSpore AI框架的通過提供自動并行和自動調優的等能力來提升訓練效率。

“昇思MindSpore 原生支持AI大模型訓練，是業界支持并行維度最多的AI框架，支持7種維度并行，能夠實現計算和通信整體迭代時間最短。同時也業界是支持模型切分結構最全的AI框架，并行支持多模型類型切分：Transformer（稀疏/稠密）、卷積、高維稀疏等5種結構。”華為昇騰AI專家分享了在大模型訓練上的優勢。這樣實現了自動并行的并行代碼數量會相對傳統方式下降80%，自動調優時間可以下降60%。

在模型部署上，昇思MindSpore提供的套件能夠實現模型輕量化，通過自動剪枝、蒸餾、量化完成10倍級模型壓縮率，降低模型部署門檻。

關于AI發展未來發展趨勢，華為認為隨著算力網絡的建設以及AI應用的不斷拓展，AI發展從數據、算力到應用的匯聚和流通將呈現生態化趨勢。在這樣的趨勢下，華為將繼續發力基于昇騰AI基礎軟硬件平臺的大模型和科學計算兩個領域，為AI普及作出自己的貢獻。