2023新型算力中心调研报告（132页）
AGI时代来临，模型服务（MaaS）商业模式呈现
随着算力经济的发展，超级计算机技术和人工智能融合创新会产生一类新的基建，专门用于人工智能计算的中心，也成为当下非常热的资产中心。就在ChatGPT面世之前，我们还不知道大模型可以实现令科技界为之兴奋的应用水平，只是知道它可以写一点新闻、聊天、画画，这些简单的功能会在更多应用场景中带来价值。
从GPT3到ChatGPT的过程，是大模型技术发展的关键节点，也是中国人工智能之路和美国人工智能之路的分歧点。这两年大模型国内也有相当数量的公司参与其中，但我们追求的是参数量，从千亿级到万亿级很快的跃进，但是智能属性没有涌现。OpenAI走了另外一条路，利用人工反馈的训练机制，通过标注、对齐高质量数据，最后把这条路走通了，用千亿参数的大模型把通用智能挖掘出来了，这个事情是值得国内科技界去反思的。
另外一条路是人工智能内容生成AIGC，包括大家在微信朋友圈里看到各种画，也成为现在的热门赛道。在AIGC赛道国内已经有布局了，从上游、中游到下游都有一些中国公司在做。这些都意味着人工智能进入通用人工智能（AGI：Artificia lGeneral Intelligence）时代，具备五个特性：涌现性（参数超过临界值，模型能力实现突变）、工程化、通用性、密集型、颠覆性。这里就不多展开阐述。
科学计算：传统科学与AI深度融合
当计算改变科学，人工智能生物算法反过来被融合到科技计算建模中，相当于把数据科学和计算科学（AI for Science）整合在一起，这时产生一个新的“智能科学”赛道。以前科学计算的四个范式分别是实验科学、理论科学、计算科学和数据科学，智能科学范式（AI范式）被称之为第五范式。其代表是斩获2020年戈登贝尔奖的Deep Potential方法展示了AI和分子动力学模型的有效结合，在保证精度的同时，指数级地提升了物理模型的效率。
基于科学计算的深度学习怎么反哺科学计算、解决计算问题，AI范式确实创造了新的科学计算的方向，尤其是制药这个行业特别有效，极大提高了科学计算的精度，降低了成本。比如近年来，AlphaFold等人工智能（AI）工具的出现，在生命科学领域促成了多项突破性进展。蛋白质的功能预测与设计成为最先受益的领域之一，在《科学》（Science）杂志上，Baker教授团队带来了蛋白质设计的又一项革命性突破：利用强化学习，“自上而下”（top-down）设计蛋白质复合物结构。在几年前，预测蛋白质三维结构都遥不可及，更不用说从头进行设计了。这套颠覆了传统方案的全新突破不仅可能为我们带来更有效的疫苗及药物，还有望引领蛋白质设计的全新时代。
AI for Science的数据来自各个学科的数据积累；模型来自各领域科学家发现的科学原理和规律；算法源自机器学习算法和数值方法等方面的创新。需要多样算力融合的综合型智能计算平台，通过分布式异构并行体系结构，实现多样算力的融合、优势互补，为AI训练、AI推理、数值模拟等不同应用提供不同算力，实现高精度到低精度算力的全覆盖、多种计算类型的全覆盖，以及AI训练+推理全覆盖。
来源：益企研究院
报告内容节选如下：
资料下载方式：公众号《侠说》