新紫光集团联席总裁陈杰：守正创新，迎接AI时代的机遇与挑战

2024年11月18日，第二十一届中国国际半导体博览会在北京盛大开幕。本届ICCHINA2024的主题为“集合全行业资源·成就大产业对接”。会上，新紫光集团联席总裁陈杰发表了主题演讲，探讨了AI时代下，国产芯片厂商的机遇与挑战。
 
生成式AI为通用人工智能的实现带来了曙光
 
人工智能不是新鲜事物。早在1956年John McCarthy在达特茅斯会议上，首次提出了人工智能（Al，Artificial Intelligence）概念，经历了四十多年的符号智能、近二十年的专用智能的发展，现已进入通用智能的研发阶段。
 
近几年，在大模型算法、大算力芯片、高质量大数据的驱动下，生成式AI技术发展迅速，取得了系列重大成果。GPT-4已成功通过图灵测试，为通用人工智能（AGI，Artificial General Intelligence）的实现带来了曙光。
 
AI正在引发新一轮科技革命。从语言模型、多模态模型的单体智能，到能够使用思维链（CoT，Chain of Thinking）进行推理的OpenAl o1，再到使用工具完成复杂任务的智能体（AlAgent），Al基础能力正在快速演进AI将成为智能时代的基础设施，融入生产和生活的每个环节，重塑千行百业，引发新一轮科技和产业革命。
 
AI引领下，全球半导体市场规模创新高，24Q2达1621亿美元。如果扣除英伟达及AI带来的HBM需求，市场并未回到高点，行业整体仅仅是刚走出周期谷底。
 
当前AI发展遇到的三大挑战
 
陈杰指出了当前AI发展所遇到的三大挑战：
 
挑战一：商业模式
 
当前大量资源投入到云端通用大模型领域，但其商业模式能否走通仍然未知。据硅谷媒体The Information 测算，2024年OpenAl营收40亿美元，但亏损额高达55亿美元，预计2026年亏损140亿美元；另据OpenAl高管创立的通用大模型公司Anthropic预计2024年底营收达10亿美元，但亏损约20亿美元，正在进行数十亿美元规模的新一轮融资。
 
挑战二：能源供应
 
如同黄仁勋所说，没有任何物理定律可以阻止AI数据中心扩展到一百万芯片，但其能源供应可能需要核电站。
 
能源供应已经成为制约AI发展的一大挑战。举例来说，人类大脑的功耗不超过25W，而英伟达8卡DGX B200功耗达14.3kW。如果考虑冷却系统耗电量，百万卡智算中心能耗将高达3GW（三峡装机容量22.5GW）。因而，微软、谷歌、亚马逊、甲骨文等已纷纷投资核电站建设。
 
挑战三：技术路线
 
图灵奖得主、深度学习先驱、Meta首席人工智能科学家Yann LeCun曾指出：“仅通过文本训练，永远不会达到接近人类水平的智能”。这变相指出了大模型所存在的一些掣肘：1）大语言模型缺乏智能的基本特征：GPT系列LLM并不真正了解物理世界，无法真正推理
；2）大模型只有语言直觉：LLM本质是基于概率统计，将语言知识压缩存储在模型中。但只是根据概率预测下一个单词，它不会真的去思考答案；3）大模型适用范围有限：只适用于以离散对象、符号、标记、单词等形式出现的数据，这些仅仅是现实世界的特殊简化。
 
如何应对AI时代的挑战？守正创新！
 
面对AI时代的挑战，陈杰指出，必须密切跟踪AI领域的国际技术发展趋势，并集中力量攻克已被验证有效的技术瓶颈。减少重复性投资，集中资源建设几个人工智能算力中心，确保在关键技术领域拥有强大的“孙悟空”。同时，要重视开拓AI新技术路线，推动架构创新、系统创新、端侧创新和应用创新。充分发挥我国在应用端创新多、市场大的优势，积极打造全球AI应用的领先高地。
 
同时，陈杰很关键的指出了应对AI时代挑战的策略是“守正创新”。具体该如何理解呢？
 
守正是指：在算法模型（Transfomer架构通用LLM）、算力（GPGPU、Nvlink）、工艺（FinFET、GAA等先进工艺）、存储（HBM3e、HBM4..）、应用（文本、代码、图像的生成）等领域守正。
 
与之相对应的创新则是：在算法模型（RWKV、JEPA等新架构，端侧小模型、具身智能..）、算力（DSA、存算一体、晶圆级芯片）、工艺（二维材料、3D晶体管、硅光）、存储（3D堆叠、新型存储）、应用（垂直领域模型、AlAgent应用）等领域积极探索和突破，推动新技术和新模式的出现。
 
具体而言，在创新之路上，应重视系统和芯片架构创新，缩小技术差距。当前大算力芯片的性能提升，严重依赖先进工艺和HBM3/4存储器。我们可以积极开展芯片架构创新，如采用3D堆叠/Chiplet/存算一体等新架构，努力缩小大算力芯片的技术代差。另外，积极开展异构大算力集群系统的架构和任务调配等方面的优化工作，努力缩小大算力集群系统的性能差距。
 
再一个是，重视端侧AI技术创新，建立端侧AI技术优势。这是因为端侧AI的商业模式更明确、更容易落地。而且端侧AI芯片对算力（数TOPS/s~数百TOPS/s）和制造工艺（7nm以上也可）的要求相对较低。通常端侧AI的应用需求多种多样，需要众多企业参与。端侧AI算力架构、软件栈、推理框架、应用解决方案等各领域，均有待加强研究和突破。
 
此外很重要的一点是，减少重复投资和内卷，集中力量办大事。当前模型大战、芯片大战等投资热火朝天，半导体和AI产业链重复投资严重。建议加强政策、投资、产业等统筹，杜绝恶性竞争，提高资源配置效率。
 
结语
 
半导体产业链既长且复杂，产业链的全球化是历史实践中形成的最佳选择。区域化的供应链不仅浪费社会资源，还可能阻碍技术的快速进步。在面对通用人工智能时代，尤其是算力、数据、能源和应用场景等方面前所未有的挑战时，我们应当坚持产业链的开放与合作，共同迎接AI时代的各种挑战。