飛象網(wǎng)訊（魏德齡/文）很多人都會簡單的將AI比喻為大腦，但如果仔細分析當(dāng)下AI產(chǎn)業(yè)的運行方式，就能發(fā)現(xiàn)其正在構(gòu)造出一套完整的神經(jīng)系統(tǒng)，從感知、分析到?jīng)Q策，比一個簡單的“大腦”二字更為復(fù)雜多元。首先，不妨就先從腦部談起，眾所周知，腦部并非只有大腦，而AI也并非只有需要聯(lián)網(wǎng)的ChatGPT。
大腦與小腦：云端與邊緣
事實上，大腦本身并不什么反應(yīng)足夠靈敏的機器，如同在詢問類ChatGPT產(chǎn)品時的轉(zhuǎn)圈圈，大腦對于很多問題都需要一個更復(fù)雜的思考過程。而在如今，很多人也喜歡將云端AI比喻為大腦，由于需要將數(shù)據(jù)發(fā)送至云端進行運算，所以在整個過程中也會出現(xiàn)較高的延遲。據(jù)一項數(shù)據(jù)顯示，當(dāng)用戶使用手機App向云端AI發(fā)送問題時，接收結(jié)果的延遲約為200ms。
但是，誰都不可否認，塞滿了大規(guī)模算力的云端AI的強大。以目前大熱的ChatGPT為例，已經(jīng)可以通過客戶端來分析出用戶的照片所在地，甚至還能將一個完整的PPT轉(zhuǎn)換成為文章，反之也亦然。
這種強大的理解能力確實猶如我們的大腦，不過它的掣肘之處也已經(jīng)凸顯，那就是能耗問題。本質(zhì)上來說，ChatGPT的強大表現(xiàn)源自于“大力出奇跡”，預(yù)估GPT-6的耗電將達700萬度，算力的盡頭變?yōu)榱四茉础Ｏ啾却笮虯I系統(tǒng)的百萬瓦級功耗和海量數(shù)據(jù)需求，而人類大腦則能以很小樣本和30瓦功耗實現(xiàn)起高計算效率和識別。
要想解決延遲的問題，目前業(yè)界普遍的做法就是將算力下沉至離用戶更近的地方。蜂窩網(wǎng)絡(luò)中的基站便是選擇之一，據(jù)日本運營商估算，這類邊緣AI的延遲將可降低至20ms。另一方面，通過將模型進一步小型化，利用智能手機、PC這類設(shè)備的本地AI算力更是在近兩年發(fā)展迅猛，并正在被廠商營銷為產(chǎn)品的新賣點，大量基本的運算可以在本地來完成，由于數(shù)據(jù)不上云，也保障了隱私安全。
反應(yīng)迅速，但算力有限的邊緣或本地AI，不妨可能將其看作是小腦。兩者在各自的領(lǐng)域中扮演著類似的角色，負責(zé)處理大量的感官數(shù)據(jù)并執(zhí)行實時決策。小腦是大腦的一個重要部分，負責(zé)協(xié)調(diào)身體運動、保持平衡和精細動作控制。它能夠快速處理來自全身的感覺信息，并做出及時的反應(yīng)，以確保動作的精確性和流暢性。
同樣，邊緣AI在計算系統(tǒng)中充當(dāng)了一個關(guān)鍵的處理單元，直接在數(shù)據(jù)源附近處理和分析數(shù)據(jù)，以減少延遲和提高效率。邊緣AI能夠迅速分析來自各種傳感器的數(shù)據(jù)，并做出實時決策，從而支持自動駕駛、工業(yè)自動化和智能家居等應(yīng)用。就像小腦確保我們的身體動作準(zhǔn)確無誤一樣，邊緣AI確保系統(tǒng)的響應(yīng)迅速而準(zhǔn)確，提高了整體性能和可靠性。
神經(jīng)系統(tǒng)與腦干：連接與物聯(lián)網(wǎng)
在我們的無形AI伙伴有了大腦之前，其實神經(jīng)系統(tǒng)早就有了長年的積累。這里不妨還是先接著大腦處的位置談起，眾所周知，胼胝體位于左右腦之間，它是高等哺乳動物的象征之一，通過2-2.5億個神經(jīng)纖維提供了海量的交互帶寬。負責(zé)大腦兩個半球間的通信。
與通過2-2.5億個神經(jīng)纖維提供的海量交互帶寬同理，AI大腦同樣需要更強的連接效率。人工智能與機器學(xué)習(xí)一方面促進了超大規(guī)模數(shù)據(jù)中心的擴建，另一方面也催生了越來越多的光連接需求。云端AI數(shù)據(jù)中心的強大算力源自于大量服務(wù)器的連接，有源電纜與光模塊承擔(dān)起來連接這些設(shè)備，并擔(dān)負傳遞海量數(shù)據(jù)的重任。在很多AI系統(tǒng)或大模型系統(tǒng)內(nèi)部，均具有非常高的連接速度需求，同時要求短距離連接，服務(wù)器之間的連接可能在10米以內(nèi)，或30-40米。
另一方面，數(shù)據(jù)中心之間也正在構(gòu)成算力網(wǎng)絡(luò)，為了形成更大的算力協(xié)同，數(shù)據(jù)中心之間也將形成連接，預(yù)計因此所帶來的電纜需求將會增加4-5倍。以新型光纖技術(shù)為基礎(chǔ)的高品質(zhì)光纖網(wǎng)絡(luò)使人工智能能夠更快地處理和分析數(shù)據(jù)，從而為更多行業(yè)、領(lǐng)域的創(chuàng)新提供新的可能。
除了神經(jīng)系統(tǒng)外，在人體之中，類似“膝跳反射”的本能型反應(yīng)也正在物聯(lián)網(wǎng)中普及，這種AI的算力有限，但提供了更加迅速的反應(yīng)，以及更低的能耗，讓設(shè)備具備智慧的同時，還能保持超長的續(xù)航。
例如在汽車領(lǐng)域，半導(dǎo)體廠商正在為汽車賦予如同動物般的運動本能，如同一個人不小心踩到樹坑中也能應(yīng)激性的作出調(diào)整，再次恢復(fù)平衡狀態(tài)。汽車也能在遇到障礙物或突然狀況時迅速作出反應(yīng)，而無需等待大腦思考后的時延。
如同自我保護、疼痛感知意識一樣，要有一套可信任的穩(wěn)定系統(tǒng)，保證功能安全和信息安全。多物種背后那些相似的基因組，又是可擴展性的證明，對于技術(shù)而言同樣需要可以適用于小型機器人與大型復(fù)雜機器人。對于小腦、腦干型人工智能的技術(shù)探索，正在積累構(gòu)建一個可預(yù)測、自動化的世界。
心臟與感官：芯與傳感器
無論是大腦、小腦、腦干，驅(qū)動這些算力運轉(zhuǎn)的能量來源，無疑源自于“芯”。心臟為身體提供血液和氧氣，計算資源和硬件為AI系統(tǒng)提供必要的算力和支持，保證其高效運行，如今AI芯片的算力也正在飛速增長。
以英偉達為例，從2016年P(guān)ascal架構(gòu)的P100起，英偉達數(shù)據(jù)中心GPU經(jīng)歷了Pascal、Volta、Ampere、Hopper等架構(gòu)迭代，2024 年英偉達發(fā)布了 Blackwel 系列產(chǎn)品，包括 Blackwell GPU、GB200 超級芯片和機架級系統(tǒng) GB200 NVL72，進一步加速了萬億級參數(shù)模型的訓(xùn)練和推理。
本地AI能力方面，不久前英特爾公布的Lunar Lake，配備了第四代 NPU，其 AI 算力高達 48 TOPS，較上一代產(chǎn)品提升了 4 倍。至此，也實現(xiàn)了微軟對于Copilot+PC在算力上的40 TOPS 的要求。
物聯(lián)網(wǎng)傳感器與人類感官一樣，都用于感知和監(jiān)測周圍環(huán)境，但傳感器能夠超越人類感官的局限，提供更精確、連續(xù)和實時的數(shù)據(jù)。它們通過數(shù)據(jù)處理單元分析信息并作出響應(yīng)，廣泛應(yīng)用于健康監(jiān)測、環(huán)境監(jiān)控和安全保障等領(lǐng)域，從而增強和擴展了人類感知能力，支持智能決策和自動化操作。
作為如今所處的在線生活時代，其實也正是傳感器和云連接爆發(fā)的時代。智慧、安全、精準(zhǔn)是在線生活時代中的三大要素，其中對于“智慧”來說，關(guān)鍵正在于與AI的結(jié)合，進而能夠在智能傳感器、智能節(jié)點和智能網(wǎng)關(guān)中處理數(shù)據(jù)，進而實現(xiàn)更低延遲、降低對于網(wǎng)絡(luò)傳輸?shù)囊蕾�，以及更低的功耗�?/P>
無形的AI伙伴正在初具雛形，從感知到判斷，從大腦到完整的神經(jīng)系統(tǒng)，如果有一天，這種無形的AI伙伴變?yōu)榭苹秒娪爸械膶嶓w，也并不令人意外。當(dāng)然，能耗、書呆子式的解答、隱私安全等不少問題也同樣是其成長路上的煩惱，但AI總要長大。
小貼士：
下周，人工智能將同樣成為MWC上海的展會主題之一，電信運營商、智能手機廠商、設(shè)備商紛紛聚焦于此，大模型產(chǎn)品同樣發(fā)布在即，飛象網(wǎng)也會親自前往現(xiàn)場進行報道，歡迎持續(xù)關(guān)注。
