在芯片算力快速提升、日趨龐大的數(shù)據(jù)量共同支撐下，AI算法迭代升級(jí)加速。AI的發(fā)展經(jīng)歷了很長時(shí)間的積累，其能不斷跨越科學(xué)與 應(yīng)用之間的鴻溝主要得益于技術(shù)突破、行業(yè)落地、產(chǎn)業(yè)協(xié)作等多方面的推動(dòng)，而技術(shù)突破是其中最為關(guān)鍵的要素。從起步階段發(fā)展到 當(dāng)下深度學(xué)習(xí)階段，算法、數(shù)據(jù)和算力構(gòu)成了AI三大基本要素，并共同推動(dòng)AI向更高層次的感知和認(rèn)知發(fā)展。算法方面，目前深度學(xué)習(xí)仍然是AI技術(shù)發(fā)展的主導(dǎo)路線，但是早期所使用的有監(jiān)督學(xué)習(xí)方式由于受限于對(duì)大量標(biāo)注數(shù)據(jù)依賴與理解能力缺乏，而且模型通用 性較差，正逐步被新的技術(shù)所取代，在芯片算力的快速提升、日益龐大的數(shù)據(jù)量這兩者的支撐下，新算法正處于加速迭代升級(jí)過程中。

　　云端計(jì)算進(jìn)入高性能計(jì)算時(shí)代，大模型訓(xùn)練仍以GPU為主。雖然AI芯片目前看有GPU、ASIC、CPU、FPGA等幾大類，但是基于幾點(diǎn)原因， 我們判斷GPU仍將是訓(xùn)練模型的主流硬件：1、Transformer架構(gòu)是最近幾年的主流，該架構(gòu)最大的特點(diǎn)之一就是能夠利用分布式GPU進(jìn) 行并行訓(xùn)練，提升模型訓(xùn)練效率；2、ASIC的算力與功耗雖然看似有優(yōu)勢(shì)，但考慮到AI算法還是處于一個(gè)不斷發(fā)展演進(jìn)的過程，用專用芯片部署會(huì)面臨著未來算法更迭導(dǎo)致芯片不適配的巨大風(fēng)險(xiǎn)；3、英偉達(dá)強(qiáng)大的芯片支撐、生態(tài)、算法開源支持。