他表示，智能化必然是一个长期的过程，而算力是智能化的关键基础。算力依赖于半导体技术，但我们必须面对一个现实，那就是美国在AI芯片领域对中国的制裁在很长一段时间内都不会解除，中国的半导体制造技术会因为美国的制裁而长期落后，这意味着我们能够制造的芯片的进步会受到制约。这是我们打造算力解决方案必须面对的挑战。
立足中国，基于实际可用芯片制程的算力才是长久之计。华为战略的核心是充分把握AI变革机遇，基于实际可用芯片制程，计算、存储、网络技术协同创新，打造计算架构，构建“超级节点+集群”体系算力解决方案，持续满足长期算力需求。
他提到，大模型的技术突破大大加速了智能化的进程。一段时间以来，各行各业几乎无时无刻不在提到大模型，纷纷建设AI算力、训练大模型，这对于华为等算力提供商无疑是一大利好。但从长远发展来看，第一，并不是每家企业都需要建设大规模的AI算力。AI服务器特别是AI算力集群不同于一般的x86服务器，对电源、散热等数据中心机房环境有极高的要求。随着大模型越来越大，AI算力也将走向更大规模，变化速度快。AI服务器快速升级换代，数据中心机房面临要么浪费要么无法满足需求的困境。每家企业都要思考如何获取适合自己的AI算力，而不是只顾自己建设AI算力。
第二，并不是每家公司都需要训练自己的基础大模型。训练基础大模型的关键是数据，准备足够多的优质数据是一个很大的挑战。基础大模型的预训练数据量已经达到10万亿量级，对于企业来说，这不仅意味着高昂的成本，能否获取足够多的数据也是一个挑战。基础大模型的参数数量不断增加，模型迭代优化难度大，通常需要数月到数年的时间才能完成模型迭代训练。每家公司都应该专注于自己的核心业务，自己训练好基础大模型，将影响AI能否尽快赋能核心业务。
第三，并不是所有应用都需要追求“大”模型。从华为盘古在业界的实践来看，十亿级参数的模型可以满足科学计算、预测决策等业务场景的需求，比如降雨预测、药物分子优化、工艺参数预测等。在PC、手机等端侧设备上，十亿级参数的模型也得到了广泛的应用。百亿级参数的模型可以满足NLP、CV、多模态等大量特定领域场景的需求，比如知识问答、代码生成、代理助手、安全测试等。NLP、多模态的复杂任务，用千亿级参数的模型就可以完成。
“所以我们认为企业需要的是根据自己不同的业务场景需求，选择最合适的模型，通过多种模型的组合来解决问题、创造价值。”
海量资讯、精准解读，尽在新浪财经APP
