近期，英伟达CEO黄仁勋与Meta创始人马克·扎克伯格展开了一场深刻的对话，探讨了AI领域的未来发展趋势。这场讨论不仅展现了两位行业领袖的不同视角，还揭示了人工智能技术在算力、算法与数据三方面的协同发展。

日前，英伟达 CEO 黄仁勋和 Meta 创始人马克・扎克伯格开展了一场 ” 炉边谈话 “。

两人作为当今人工智能领域的领袖人物，一边凭借 AI 芯片的绝对优势占据着算力领域的至高地位，另一边借助开源大模型 Llama 3.1 强势崛起成为开源领域的标杆。这样的对话为未来 AI 的发展趋势呈现了不同的视角。

黄仁勋对话扎克伯格

两位大咖的对话为我们描绘了 AI 技术未来的发展蓝图：从开源的 AI 算法，到先进的人形机器人，到未来即将普及的智能眼镜，AI 技术发展充满了机遇与挑战。未来 AI 手机、AIPC、AI 汽车、智能眼镜、服务器等等各类产品都会实现智能化升级，复杂的模型、海量的数据和计算，都极大地依赖于 AI 算力支持。

AI 算力也正在从专用计算扩展到所有的计算场景，逐步形成 ” 一切计算皆 AI” 的格局。

事实上，算力厂商们的动作也见证了市场对算力发展的要求。一方面，CPU、GPU、NPU 等各种 PU，也都被用于了 AI 计算。

另一方面，在适配不同场景应用的通用服务器上，浪潮信息也在致力于提供兼具高性能与低成本的选择。前不久，基于 2U4 路旗舰通用服务器 NF8260G7，浪潮信息创新采用领先的张量并行、NF4 模型量化等技术，实现了服务器仅依靠 4 颗 CPU 即可运行千亿参数 ” 源 2.0″ 大模型，再度成为通用 AI 算力的新标杆。

在今天的市场上，算力的产业地位正在迅速崛起。对应人工智能发展的三驾马车，算力、算法、数据三者终于到达了一个地位相当的状态，走向 ” 并驾齐驱 “。

要知道，在 AI 技术发展的前期，中国庞大的互联网用户群体和丰富的在线数据资源，侧重于数据的发展。而美国在计算机科学、数学和统计学等基础学科方面有着悠久的研究传统，则更聚焦算法的研发。对比两者，算力在前期的关注度就显得弱了许多。

时至今日，三驾马车并驾齐驱。大众对人工智能的发展思路也愈发清晰—— AI 产业的爆发是算法、算力与数据三者协同发展的结果。而这样的状态也就代表着 AI 产业正在进入一个全新的阶段。

人工智能产业来到了 ” 过弯点 ”

现阶段，大模型技术的加速迭代，带来了千亿级大模型的持续涌现与精进。相关的 AI 应用也在以前所未有的速度和规模渗透到各行各业，并融入日常的生活和工作中。

人工智能产业正在从初步探索进入到了广泛应用的 ” 过弯点 “。在这个过程中，AI 的三驾马车也到了全面协同发展的关键时刻，才能为场景应用的跨越式升级提供必要的技术支持。

以银行的防欺诈系统为例，早期的系统是基于大数据构建的，通过经验预设规则和统计模型来判断、检测可疑交易。如今，基于更高性能的通用算力整合大数据系统和金融防诈的 AI 模型，银行防欺诈系统实现了功能升级，不仅具备更高的准确性和更低的误报率，而且还能够根据新的数据自我学习和调整，快速适应新的欺诈模式。

算法、算力和数据三者协同，构成当前 AI 应用的基本范式。一个成功的 AI 项目往往需要在这三个方面都做出适当的投入和优化。

算法相当于 AI 的大脑，负责处理信息、学习知识、做出决策。而数据是算法的基础，如果没有足够的数据，即使是再先进的算法也无法发挥出应有的效果。

而在此基础上，不管是算法的运行还是数据的处理，都离不开算力的支持。特别是在涉及到大量的数据处理、复杂的模型训练以及实时的推理需求等场景中，AI 对算力的要求，同时随着场景的规模化普及，还得进一步兼顾经济性。

现如今，针对 AI 产业的三驾马车，算法、算力和数据层面的升级依旧在同步进行，三者之间的协同在 AI 行业发展的驱动下达到了新高度。AI 产业的加速发展，需要三驾马车的步伐更加一致。

是时候全面调整三驾马车的状态了

人工智能的广泛应用必然要建立在三驾马车协同发展的基础上。在接下来的时间内，针对人工智能产业的升级就需要解决一个关键问题，即如何保持三驾马车并驾齐驱的稳定状态。

一、技术 ” 并驾 “：一马当先并非最佳，三马同行最为稳定。

算力、算法、数据三者相辅相成，单一的技术领先无法带来 AI 产业的全面爆发，必须要另外两项迅速补齐，才能对应解决相关的技术问题。

例如，在当前，千亿级参数、甚至万亿级参数的大模型加速发展，带来了更强大的信息处理和决策能力，为智能涌现提供了基础。但是，算法层面的突破，必然要有算力、数据层面的升级，才能发挥出应用的效果。简单来说，如果没有足够的算力带动千亿级大模型的训练、推理等需求，那么再强大的模型也没有 ” 用武之地 “。

要加速人工智能的发展，支撑千行百业最广泛的通用场景，千亿级大模型必须要和大数据、数据库、云等场景相融合，实现高效运行。

但这一目标对计算、内存、通信等硬件资源需求量非常大。为了满足更多用户的 AI 算力需求，算力厂商不得不考虑如何有针对性地去克服现有的算力瓶颈。以承载千亿参数大模型推理的 NF8260G7 AI 通用服务器来看，浪潮信息在这方面就做出了专业的设计。

针对千亿级大模型推理过程中的低时延以及所需的巨大内存需求，NF8260G7 服务器配置了 4 颗具有 AMX 的 AI 加速功能的英特尔至强处理器，内存方面，NF8260G7 配置 32 根 32G DDR5 4800MHZ 的内存，内存带宽实测值分别为 995GB/s（读带宽）、423GB/s（写带宽）、437GB/s（读写带宽），为满足千亿大模型低延时和多处理器的并发推理计算打下基础。同时，浪潮信息还对 CPU 之间、CPU 与内存之间的高速互联信号走线路径和阻抗连续性做了优化，从而更好地支撑大规模并发计算。

这样的设计与升级，旨在面向算法，进行算力的优化，为接下来千亿级大模型的规模化应用提供了一个非常关键的支撑。

二、系统 ” 齐驱 “：三马拉车，重在系统性优化。

随着 AI 技术的发展，算力、算法、数据三者的系统性越来越强。很多科技巨头都在竞相发力寻找「模型水平高、算力门槛低」的人工智能方案。AI 相关的解决方案不再是单一技术的应用，而是综合多个领域的突破实现整体系统性的升级。

举个例子，谷歌的 EfficientNet 模型通过优化网络架构，在 ImageNet 数据集上的精度相比传统模型提升了约 6%，而所需计算量减少了 70%。可见，当前大模型厂商在推动算力升级的过程中，也会考虑到软件层面的创新，提高算力和算法之间的适配运行能力。

为了能让通用服务器更好的运行千亿级大模型，浪潮信息除了对服务器本身进行创新升级外，也对千亿级大模型的参数规模做了优化。基于源 2.0 的算法研发积累，浪潮信息将 1026 亿参数的源 2.0 大模型卷积算子进行张量切分，为通用服务器进行高效的张量并行计算提供了可能，最终提高了推理计算效率。

基于 CPU 服务器的并行计算

同时，在这个过程中，浪潮信息还采用了 NF4 量化技术，对模型进行 ” 瘦身 “，提高了推理的解码效率等等。

NF4 量化技术

当算力、算法走向协同，系统性优化的结果，是建立在两者协同的基础之上，最终目的在于为 AI 产业的落地提供一个稳定、强大的技术底座。未来，AI 产业的全面爆发就需要以更系统的理念去驱动三驾马车的发展。

三、应用 ” 加速 “：产业落地需要 ” 三驾马车 ” 的综合最优解。

AI 不再是实验室的产物，而是市场竞争的商品。不管是千亿级大模型的涌现，或是算力解决方案的升级，其根本的目标都是推动 AI 应用的加速落地，走向大众，带来实际性的经济效益。因此，在技术层面之外，行业还需要考虑经济层面的问题。

对比来看，尽管以英伟达 GPU 芯片为核心的 AI 服务器在处理机器学习、深度学习等高性能计算任务方面表现卓越，但是浪潮信息等算力厂商依旧致力于研发和升级以 CPU 为核心的通用服务器，这是为什么？

根本原因就在于 CPU 在通用计算、能效比以及成本效益方面仍然不可替代。特别是关系成本效益的经济性问题，本来就是当前限制诸多场景应用规模化落地发展的关键因素。因为 AI 专用基础设施的成本居高不下，普通的企业很难承受。而浪潮信息则是提供了一个更低成本、同时兼顾高性能的经济性选择，恰恰正是市场需要的。

基于通用服务器 NF8260G7 的软硬件协同创新，浪潮信息成功实现了千亿级大模型在通用服务器的推理部署，同时还提供了性能更强，成本更经济的选择，让 AI 大模型应用可以与云、大数据、数据库等应用能够实现更紧密的融合，助力产业高质量发展。这样的综合最优解，才是产业实现规模化爆发最需要的条件。

结语

AI 三驾马车的系统性已经成型，更强大的算力可以支持更复杂的算法模型，从而更好地处理大规模数据。同时，高质量的数据集有助于提升算法的效果，反过来又需要更强大的算力来处理。而算法的进步也可以减少对算力的需求，通过更高效的模型设计降低计算成本。

这种系统性的形成，将极大推动人工智能产业的发展，也为现阶段 AI 厂商们的产品升级、技术迭代、服务进阶提供了一个关键的大方向。但同时，也意味着新的挑战，即如何去整合算力、算法和数据三者之间的技术与资源，成就新的突破。

总之，人工智能的三驾马车—算力、算法与数据—正通过系统性优化和综合最优解推动AI产业的发展。面对挑战，未来的重点将是如何在这三者之间保持平衡，促进AI技术的进一步突破与应用落地。