在打算机天下，统统信息可以通过数据来表示，包括语音数据、文本数据、图像数据、压力数据、温度数据等等，人工智能便是通过海量数据对打算机进行驯化，来实现打算机模拟，具备或超出人的能力。
因此，海量数据的采集、洗濯、存储、标注、处理、传播成为关键，人工智能的发展须要高水平算法和算力作为支撑，反响在对高端人才、芯片和数据传输网络的强依赖性。
算法、算力、数据是人工智能的三哀求：
根本层供应算力支持，即硬件部分；技能层供应通用技能平台做算法开拓，驯化海量数据，即软件部分；运用层表示不同场景下大数据驯化所表示的代价。在数据、算力和算法的共同推动下，环球人工智能家当干系技能实现快速发展，下贱运用不断丰富。
个中，算力代表了对数据的处理能力，是数字化技能持续发展的衡量标准，也是数字经济时期的核心生产力。
接下来以人工智能打算中央培植 1000P 的算力为例，深度理解人工智能的算力。
怎么理解 1000P ？
P 是一个数量级，10 的 15 次方，1000P 便是 100亿亿，1000PFlops 算力就意味着每秒有 100 亿亿次的浮点运算能力。
AI 算力单位：量级单位+每秒运算次数+数据类型
用来描述参与运算的数据类型，同时也表达了数据精度：
INT8 8位 整数型数据 常适用于深度学习模型的推理运算FP16 16位 浮点型数据 常适用于深度学习模型的演习运算FP32 32位 浮点型数据 紧张运用于高性能打算（比如科学打算）一个 Atlas 800 组成的 AI 算力集群，以 1000P 算力为例，一个时钟周期可以进行“100亿亿”次打算。
那 1000P 的算力到底有多强？
相称于 50 万台 PC 电脑以对 20 万颗星体的数据探索为例，传统办法须要一个有履历的科学家用 169 天才能完成，现在只须要 10.02 秒在 26.9 秒韶光内，学习 1200 万张照片，形成一个模型，用于图像识别通用打算和 AI 打算，“分工”不同，共建多样性打算
| 通用打算
以 CPU 供应算力。适宜繁芜逻辑运算，比如大多数通用软件。70% 以上晶体管用于构建 Cache 和掌握单元，打算核心从几个到几十个。
通用运用：办公、数据库、数值打算（气候预测、流体仿真、电磁仿真）等
| AI 打算
以 GPU 或 NPU 供应算力。适宜逻辑大略，打算密集型高的并发任务。70% 以上晶体管用于构建打算单元，打算核心几千或上万个。
特定运用：图像识别（人脸识别、车牌识别、动作识别、物品检测、周界检测等）、自然措辞处理（机器翻译、语音识别、文本天生、情绪剖析等）、搜索推举、赞助驾驶、趋势预测等。
GPU：Graphics Processing Unit，图像处理单元，紧张用于图像加速和渲染
NPU：Neural Network Processing Unit，神经网络处理单元
人工智能 1000P 并非超算意义上的 “1000P”
以高性能打算为例，TOP500 榜单，入围的超级打算机都要进行一项名为 LINPACK 的测试，以稽核平台的双精度浮点打算能力。
以人工智能为例，人工智能运行的测试程序叫做 Resnet-50，而其成绩则是基于半精度浮点环境得到的，只稽核平台的半精度能力。
总结：人工智能打算，只是高性能打算的一个分支，是针对神经网络，深度学习等，针对特定领域、特定场景产生的运用需求。高性能打算都是科研运用的根本，它能“算天算地算人”，险些所有的运用都可以通过高性能打算来实现。双精度和半精度的差异，双精度是 64 位，单精度是 32 位，半精度是 16 位。
本文参考文献：《2022年中国人工智能家当报告》《东数西算下新型算力根本举动步伐发展白皮书》《趣说人工智能算力》
来源：中国算力大会