華爲徐直軍：不是每個企業都要訓練自己的基礎大模型

新浪科技報導，徐直軍表示，智慧化必將是一個長期過程，算力是智慧化的關鍵基礎。而算力是依賴半導體工藝的，但我們必須要面對一個現實，那就是，美國在AI晶片領域對中國的制裁長期不會取消，而中國半導體制造工藝由於也受美國製裁，將在相當長時間處於落後狀態，這就意味着我們所能製造的晶片的先進性將受到制約。這是我們打造算力解決方案必須面對的挑戰。

立足中國，只有基於實際可獲得的晶片製造工藝打造的算力，纔是長期可持續的。華爲的戰略核心就是，充分抓住人工智慧變革機遇，基於實際可獲得的晶片製造工藝，計算、存儲和網路技術協同創新，開創計算架構，打造「超節點＋集羣」系統算力解決方案，長期持續滿足算力需求。

他提到，大模型的技術突破大大加速了智慧化的進程，一段時間以來，各行各業幾乎言必稱大模型，紛紛建設AI算力，紛紛訓練大模型。這對於華爲這樣的算力提供商而言，無疑是重大利好。

但從長遠發展角度考慮，第一、不是每個企業都要建設大規模AI算力。AI伺服器，特別是AI算力集羣不同於通用x86伺服器，對供電、散熱等資料中心機房環境要求極高，且隨着大模型越來越大，AI算力也將走向更大規模，而且變化節奏快，AI伺服器快速升級換代，資料中心機房面臨要麼浪費、要麼滿足不了需求的困境。每個企業都要思考適合自己的獲取AI算力的方式，而不僅僅是建設自己的AI算力。

第二、不是每個企業都要訓練自己的基礎大模型。訓練出基礎大模型，關鍵是資料，而準備足夠多的高品質資料是很大挑戰，基礎大模型預訓練資料量進入10萬億tokens量級，這對於企業來說，不僅意味着高成本，同時是否能獲取到足夠的資料量也是挑戰。基礎大模型參數量在持續增大，模型反覆運算和優化難度大，通常需要數月到數年時間完成模型反覆運算訓練。每個企業都應聚焦自身核心業務，自行訓練基礎大模型會影響AI儘快賦能核心業務。

第三、不是所有的應用都要追求「大」模型。從華爲盤古在行業的實踐看，十億參數模型可以滿足科學計算、預測決策等業務場景的需求，比如降雨預測、藥物分子優化、工藝參數預測，在PC、手機等端側設備上，十億參數模型也有廣泛應用。而百億參數模型可以滿足面向NLP、CV、多模態等大量特定領域場景的需求，比如知識問答、代碼生成、坐席助手、安全檢測。面向NLP、多模態的複雜任務，可以用千億參數模型來完成。「所以我們認爲，企業需要的是根據自身不同業務場景需求，選擇最合適的模型，通過多模型組合，解決問題，創造價值。」