下载掌阅APP，畅读海量书库
立即打开
以通用处理器为中心的传统计算系统的速度和能效远远达不到智能应用的需求。例如2012年，谷歌大脑用1.6万个通用处理器核跑了3天的深度学习训练来识别猫脸 [17] 。这充分说明传统计算系统的速度难以满足应用需求。2016年，AlphaGo与李世石下棋时，用了1202个CPU和176个GPU [18] ，每盘棋电费就要数千美元，与之对比，李世石的功耗仅为20 W。这充分说明传统计算系统的能效难以满足应用需求。2020年，完整地训练一次GPT-3总共耗费3.14×10 23 浮点运算次数，在一台8卡V100 GPU服务器上需要约3640天（约9.97年）。这充分说明传统计算系统的单节点模式难以满足应用需求。因此，人工智能不可能依赖于传统计算系统，必须有自己的核心物质载体——智能计算系统。