什么是 AI 计算？

这一关键过程对许多尖端科技，如生成式 AI、边缘计算和物联网 (IoT) 至关重要，它依赖于通过在大型数据集上训练算法来开发 AI 模型。

在过去的几年里，AI 可以说已经成为我们这个时代最具变革性的技术，为科技、金融、医疗保健、零售、娱乐等许多行业的突破奠定了基础。AI 计算以及支持它的系统和流程是许多此类转型的核心。

AI 计算有许多现实世界的应用，其服务市场正在呈指数级增长。据 Forbes 报道，2024 年有 64% 的企业表示，他们预计 AI 将提高生产力，到 2027 年，其市场价值预计将达到惊人的 4070 亿美元¹。

人工智能 (AI) 这种技术使计算机和机器能够模拟人类学习和发展许多相同技能的方式，包括解决问题和决策。

使用 AI 的应用程序可以看到和识别物体、理解和响应人类语言提示、向用户和专家提出建议等等。AI 计算是使 AI 及其许多应用成为可能的流程的基础。

机器学习 (ML) 是通过训练算法来创建 AI 模型，从而根据数据做出预测或决策的过程。ML 涵盖了一系列广泛的技术，使计算机能够从数据中学习并做出推理，而无需针对特定任务进行显式的编程。AI 模型是一种通过一组数据进行训练的程序，可以识别某些模式并在没有人工协助的情况下对其做出决策。

AI 计算在很大程度上依赖于两个概念，即神经网络和深度学习，在考虑将 AI 技术用于业务用例之前，理解这两个概念非常重要。

神经网络是经过训练可以做出与人类类似决策的机器学习程序。在人脑中，生物神经元合作识别现象、考虑选项并做出决定。神经网络通过由节点、人工神经元（也称为输入层）和输出层组成的网络模拟这一过程。

神经网络中的每个节点都与其他节点相连。如果任何单个节点的输出超过指定值，则将其激活，将其信息发送到网络中的另一层。通过这种方式，数据穿过网络层，使神经网络能够像人脑一样运作。

深度学习是机器学习的一个子集，使用由多层组成的神经网络（也称为深度神经网络）来模拟人类的决策过程。深度神经网络由输入层和输出层以及数百个隐藏层组成，这与标准神经网络（通常仅由一个或两个隐藏层组成）不同。

深度神经网络中的多个层为一种称为无监督学习的过程提供支持，使机器能够从大量非结构化数据集中提取信息。无监督学习使大规模机器学习成为可能，并且非常适合 AI 计算中许多最复杂的任务，例如自然语言处理 (NLP) 和计算机视觉，这些任务涉及快速、准确地识别大量数据中的复杂模式。

AI 计算过程包括三个基本步骤：提取/加载/转换 (ETL)、AI 模型选择和数据分析。下面进一步介绍每个步骤。

1. 提取/加载/转换 (ETL)：数据科学家通过称为提取/转换/加载 (ETL) 的过程准备数据集，该过程是一种数据整合程序，用于合并、清理和组织来自多个来源的数据。执行 ETL 后，数据存储在数据仓库、数据湖或其他目标系统中。ETL 为数据分析和 ML 工作流准备数据，这对于 AI 计算和 AI 应用程序至关重要。ETL 管道通常用于从旧版系统中提取和完善数据，清理数据和改善数据质量，以及提高数据一致性。
2. AI 模型选择：AI 计算过程的第二步是选择适合预期业务应用的 AI 模型。不同的模型适合不同的业务用例。有助于选择正确的 AI 模型的问题包括：AI 模型是基于什么数据进行训练的？由谁构建？它有哪些安全机制或防护措施？
3. 数据分析：数据分析步骤又称推理，是 AI 计算过程的最后一步。在此步骤中，数据科学家通过他们选择的 AI 模型推送数据，以生成可操作的洞察分析和商业智能。这是 AI 计算过程中最关键的部分，因为这是 AI 计算为企业提供商业价值的时刻。

自 NVIDIA 于 1999 年制造出第一件图形处理单元 (GPU) 以来，它已成为 AI 计算的关键组件。GPU 最初设计用于加速计算机图形和图像处理，其凭借高性能和加速数学计算的能力可比传统 CPU 更快地解决这些问题。GPU 有助于减少计算机运行多个程序所需的时间，从而加速 AI 和 ML 的工作。

如今，GPU 为许多领先的 AI 应用程序提供支持，例如 IBM 的云原生 AI 超级计算机 Vela，这些应用程序需要高速处理能力才能在越来越大的数据集上进行训练。AI 模型在数据中心 GPU 上训练和运行，通常由开展科学研究或其他计算密集型任务的企业运营。

如今，有一种特定类型的 AI 比其他类型更受关注：生成式 AI。在多个行业中，能够创建原创文本、图像、视频和其他内容的生成式 AI 正在将 AI 用例推向令人兴奋的新领域。

生成式 AI 是 AI 计算领域最近许多突破的背后推手，包括微软 OpenAI 于 2022 年开发的 ChatGPT。它提供了许多生产力优势，现代企业渴望使用其满足业务需求。据 McKinsey 调查显示，三分之一的组织已经在至少一项业务职能中定期使用生成式 AI²。

训练生成式 AI 涉及生成深度学习模型，这些模型是不同类型的生成式 AI 应用的基础。大型语言模型 (LLM) 是一类在海量数据上训练的基础模型，发挥着重要作用。还有被称为多模态基础模型或多模态 AI 的基础模型，它们可以支持多种类型的内容生成。

AI 计算对于许多成功的现代企业的数字化转型计划至关重要，有助于将数字科技无缝集成到现有流程和运营中。以下是 AI 计算为企业带来的五大最受欢迎的益处。

AI 有助于自动执行日常和重复性任务，可提高效率并减少员工倦怠。它可以帮助完成的一些任务包括数据收集和处理、仓库存货和跟踪、执行生产中的常规任务以及管理远程系统和设备。AI 计算在让员工腾出时间专注于更具创造性、技能密集型的任务方面发挥着关键作用。

AI 计算可以利用从数据中获取的有力见解来支持更好的决策，或者可以基于自身数据驱动的决策能力完全自动化决策过程。通过计算能力、支持和自动化的结合，AI 可以帮助各种规模的企业做出更明智的决策，实时响应复杂的问题，而无需人工干预。

与人类不同，AI 不会停下来睡觉、吃饭或休息。它始终处于在线状态并且始终可用。AI 工具，如聊天机器人和虚拟助理，帮助企业全年 365 天、每天 24 小时为客户提供服务。在其他类型的应用中，例如制造和仓库管理工具，AI 计算有助于维持质量控制和输出水平以及监控库存。

AI 计算有助于减少因人为错误而导致停工的可能性。从通过洞察分析和协助来帮人类员工提高绩效，到提醒员工队伍潜在的问题，再到关键流程的完全自动化，AI 计算处于创建更高效、更有效的业务流程的最前沿。而且由于其灵活、适应性强的特性，AI 模型可以不断学习和改进，进一步降低接触新数据时出现错误的可能性。

AI 计算有助于实现危险工作的自动化，例如弹药处置或在偏远、危险条件下修理设备。例如，AI 无人机可以修复深海管道，或漂浮于地球上方数英里的在轨卫星；派遣人类前往这些地方既困难又危险。此外，许多自动驾驶载具，如遥控无人机、汽车和军用车辆，都严重依赖 AI 计算来执行最关键的任务。

以下是 AI 计算提供的一些最令人兴奋的商业应用。

AI 平台以多种重要方式支持云计算。首先，AI 系统具有强大的决策能力，使其成为 IT 生态系统的理想选择。云供应商使用 AI 来自动化数据中心中的各种关键作。AI 有助于配置和扩展服务、检测问题并发现潜在的网络安全威胁。

随着物联网和生成式人工智能等新型人工智能驱动应用的推出，AI 计算的用例不断增加，而云 AI 正迅速成为将 AI 服务嵌入业务解决方案的一种方式。

AI 计算最受欢迎的应用之一是客户支持，其中聊天机器人和虚拟助理处理客户询问、支持工单等。AI 计算工具依靠自然语言处理 (NLP) 和生成式 AI 来快速全面地解决客户问题。此外，与员工不同的是，聊天机器人和虚拟助理可以全天候提供服务，让员工可以腾出时间去做更合适的任务。

ML 和深度学习算法等 AI 计算工具可以发现交易和其他大数据源中的异常情况，帮助企业发现潜在的犯罪活动。例如，银行使用 AI 计算工具来标记不寻常的消费模式和客户从未知的地点登录。此外，使用 AI 增强型欺诈防护功能的组织可以更轻松地检测和应对威胁，从而限制其对客户的影响。

许多企业越来越依赖 AI 计算来创造更加个性化的客户体验和更容易引起特定受众共鸣的活动。利用客户的购买和浏览历史数据，AI 计算可以根据个人的兴趣而不是更宽泛的人口统计信息推荐产品和服务。

人力资源部门正在使用 AI 计算工具来简化招聘流程。AI 计算可帮助优化资源，包括筛选简历以及将候选人与雇主进行匹配。此外，AI 系统有助于自动化招聘流程中的步骤，缩短通知候选人其申请状态所需的时间。

AI 计算正在增强当今最具创新性的应用程序的开发过程。生成式 AI 代码生成可以缩短编码流程，并加速旧版应用程序的现代化。AI 计算也有助于加强代码一致性并减少开发过程中出现人为错误的可能性。