飛象網訊（魏德齡/文）很多人都會簡單的將AI比喻為大腦，但如果仔細分析當下AI產業(yè)的運行方式，就能發(fā)現(xiàn)其正在構造出一套完整的神經系統(tǒng)，從感知、分析到決策，比一個簡單的“大腦”二字更為復雜多元。首先，不妨就先從腦部談起，眾所周知，腦部并非只有大腦，而AI也并非只有需要聯(lián)網的ChatGPT。
大腦與小腦：云端與邊緣
事實上，大腦本身并不什么反應足夠靈敏的機器，如同在詢問類ChatGPT產品時的轉圈圈，大腦對于很多問題都需要一個更復雜的思考過程。而在如今，很多人也喜歡將云端AI比喻為大腦，由于需要將數(shù)據發(fā)送至云端進行運算，所以在整個過程中也會出現(xiàn)較高的延遲。據一項數(shù)據顯示，當用戶使用手機App向云端AI發(fā)送問題時，接收結果的延遲約為200ms。
但是，誰都不可否認，塞滿了大規(guī)模算力的云端AI的強大。以目前大熱的ChatGPT為例，已經可以通過客戶端來分析出用戶的照片所在地，甚至還能將一個完整的PPT轉換成為文章，反之也亦然。
這種強大的理解能力確實猶如我們的大腦，不過它的掣肘之處也已經凸顯，那就是能耗問題。本質上來說，ChatGPT的強大表現(xiàn)源自于“大力出奇跡”，預估GPT-6的耗電將達700萬度，算力的盡頭變?yōu)榱四茉础Ｏ啾却笮虯I系統(tǒng)的百萬瓦級功耗和海量數(shù)據需求，而人類大腦則能以很小樣本和30瓦功耗實現(xiàn)起高計算效率和識別。
要想解決延遲的問題，目前業(yè)界普遍的做法就是將算力下沉至離用戶更近的地方。蜂窩網絡中的基站便是選擇之一，據日本運營商估算，這類邊緣AI的延遲將可降低至20ms。另一方面，通過將模型進一步小型化，利用智能手機、PC這類設備的本地AI算力更是在近兩年發(fā)展迅猛，并正在被廠商營銷為產品的新賣點，大量基本的運算可以在本地來完成，由于數(shù)據不上云，也保障了隱私安全。
反應迅速，但算力有限的邊緣或本地AI，不妨可能將其看作是小腦。兩者在各自的領域中扮演著類似的角色，負責處理大量的感官數(shù)據并執(zhí)行實時決策。小腦是大腦的一個重要部分，負責協(xié)調身體運動、保持平衡和精細動作控制。它能夠快速處理來自全身的感覺信息，并做出及時的反應，以確保動作的精確性和流暢性。
同樣，邊緣AI在計算系統(tǒng)中充當了一個關鍵的處理單元，直接在數(shù)據源附近處理和分析數(shù)據，以減少延遲和提高效率。邊緣AI能夠迅速分析來自各種傳感器的數(shù)據，并做出實時決策，從而支持自動駕駛、工業(yè)自動化和智能家居等應用。就像小腦確保我們的身體動作準確無誤一樣，邊緣AI確保系統(tǒng)的響應迅速而準確，提高了整體性能和可靠性。
神經系統(tǒng)與腦干：連接與物聯(lián)網
在我們的無形AI伙伴有了大腦之前，其實神經系統(tǒng)早就有了長年的積累。這里不妨還是先接著大腦處的位置談起，眾所周知，胼胝體位于左右腦之間，它是高等哺乳動物的象征之一，通過2-2.5億個神經纖維提供了海量的交互帶寬。負責大腦兩個半球間的通信。
與通過2-2.5億個神經纖維提供的海量交互帶寬同理，AI大腦同樣需要更強的連接效率。人工智能與機器學習一方面促進了超大規(guī)模數(shù)據中心的擴建，另一方面也催生了越來越多的光連接需求。云端AI數(shù)據中心的強大算力源自于大量服務器的連接，有源電纜與光模塊承擔起來連接這些設備，并擔負傳遞海量數(shù)據的重任。在很多AI系統(tǒng)或大模型系統(tǒng)內部，均具有非常高的連接速度需求，同時要求短距離連接，服務器之間的連接可能在10米以內，或30-40米。
另一方面，數(shù)據中心之間也正在構成算力網絡，為了形成更大的算力協(xié)同，數(shù)據中心之間也將形成連接，預計因此所帶來的電纜需求將會增加4-5倍。以新型光纖技術為基礎的高品質光纖網絡使人工智能能夠更快地處理和分析數(shù)據，從而為更多行業(yè)、領域的創(chuàng)新提供新的可能。
除了神經系統(tǒng)外，在人體之中，類似“膝跳反射”的本能型反應也正在物聯(lián)網中普及，這種AI的算力有限，但提供了更加迅速的反應，以及更低的能耗，讓設備具備智慧的同時，還能保持超長的續(xù)航。
例如在汽車領域，半導體廠商正在為汽車賦予如同動物般的運動本能，如同一個人不小心踩到樹坑中也能應激性的作出調整，再次恢復平衡狀態(tài)。汽車也能在遇到障礙物或突然狀況時迅速作出反應，而無需等待大腦思考后的時延。
如同自我保護、疼痛感知意識一樣，要有一套可信任的穩(wěn)定系統(tǒng)，保證功能安全和信息安全。多物種背后那些相似的基因組，又是可擴展性的證明，對于技術而言同樣需要可以適用于小型機器人與大型復雜機器人。對于小腦、腦干型人工智能的技術探索，正在積累構建一個可預測、自動化的世界。
心臟與感官：芯與傳感器
無論是大腦、小腦、腦干，驅動這些算力運轉的能量來源，無疑源自于“芯”。心臟為身體提供血液和氧氣，計算資源和硬件為AI系統(tǒng)提供必要的算力和支持，保證其高效運行，如今AI芯片的算力也正在飛速增長。
以英偉達為例，從2016年Pascal架構的P100起，英偉達數(shù)據中心GPU經歷了Pascal、Volta、Ampere、Hopper等架構迭代，2024 年英偉達發(fā)布了 Blackwel 系列產品，包括 Blackwell GPU、GB200 超級芯片和機架級系統(tǒng) GB200 NVL72，進一步加速了萬億級參數(shù)模型的訓練和推理。
本地AI能力方面，不久前英特爾公布的Lunar Lake，配備了第四代 NPU，其 AI 算力高達 48 TOPS，較上一代產品提升了 4 倍。至此，也實現(xiàn)了微軟對于Copilot+PC在算力上的40 TOPS 的要求。
物聯(lián)網傳感器與人類感官一樣，都用于感知和監(jiān)測周圍環(huán)境，但傳感器能夠超越人類感官的局限，提供更精確、連續(xù)和實時的數(shù)據。它們通過數(shù)據處理單元分析信息并作出響應，廣泛應用于健康監(jiān)測、環(huán)境監(jiān)控和安全保障等領域，從而增強和擴展了人類感知能力，支持智能決策和自動化操作。
作為如今所處的在線生活時代，其實也正是傳感器和云連接爆發(fā)的時代。智慧、安全、精準是在線生活時代中的三大要素，其中對于“智慧”來說，關鍵正在于與AI的結合，進而能夠在智能傳感器、智能節(jié)點和智能網關中處理數(shù)據，進而實現(xiàn)更低延遲、降低對于網絡傳輸?shù)囊蕾嚕约案偷墓摹?/P>
無形的AI伙伴正在初具雛形，從感知到判斷，從大腦到完整的神經系統(tǒng)，如果有一天，這種無形的AI伙伴變?yōu)榭苹秒娪爸械膶嶓w，也并不令人意外。當然，能耗、書呆子式的解答、隱私安全等不少問題也同樣是其成長路上的煩惱，但AI總要長大。
小貼士：
下周，人工智能將同樣成為MWC上海的展會主題之一，電信運營商、智能手機廠商、設備商紛紛聚焦于此，大模型產品同樣發(fā)布在即，飛象網也會親自前往現(xiàn)場進行報道，歡迎持續(xù)關注。
