Page 159 - 大数据背景下计算机信息安全及防护

第六章 人工智能安全防护

二、人工智能算力

随着深度学习的推进，人工智能领域对算力的需求越来越高，其核心是因
为人工智能要达到结果目标必须不断地进行大规模高频次的数据训练，经过训练
神经网络才能总结出规律，对新的样本才能进行判断和分析。数据量大不大、场

景覆盖多不多决定了智能模型的好不好。深度学习中有三个层次分别是一代训练
（Epoch）、一批数据（Batch）、一次训练（Iteration）。对训练集需要进行多
轮训练，这就需要算力的支撑，而算力又需要芯片的支撑，所以芯片成了人工智

能发展和产业化的关键，也是核心竞争力。
AI 芯片是人工智能领域竞争的最高点，因为它提供算力，承载算法，而且
还是一种物理载体。怎么来定义 AI 芯片，通俗地讲满足 AI 应用的芯片都可以称

为AI芯片，目前普遍对AI芯片的定义是指针对AI算法做了特殊加速设计的芯片。
由于深度学习需要高速的并行计算和浮点计算以及矩阵运算的能力，所以传统的
CPU 计算架构无法充分满足人工智能高性能运算的需求，需要专属 AI 架构的芯

片。通常人工智能的一种典型部署方案为 CPU 提供算力，加速芯片提升算力并
搭载算法。加速芯片按常见的有 GPU、FPGA、ASIC 三类。其中，GPU 通常会
用于图形图像处理领域的并行运算，适合深度学习的高并行、高本地化数据场景，
是目前主流的人工智能计算架构。

在处理高性能计算和 AI 业务时一台配备 GPU 的服务器可取代数百台通用
CPU 服务器。FPGA 是灵活性强、集成度高，但其是运算量小、量产成本高的半
定制芯片，它通常适用于算法更新快或市场规模小的应用领域。ASIC的专用性强，

适合市场需求量大但开发周期长并且难度极高的应用领域。AI 芯片从部署环境
来说可以分成 endpoint 端和 server 端两大类，即大家通常说的终端和云端。在这
两类环境中，AI 芯片的设计要求有着本质区别。终端类主要围绕低功耗、低延时、
低成本，而云端类主要看重高算力、强扩展，以及对现有基础设施的兼容性等等。

对人工智能和算力应用来说，最好的方法就是构建统一的人工智能算力服务
中心和孵化平台，支撑人工智能产业发展。目前算力主要问题包括：算力昂贵、
算法软硬不解耦、传统应用场景算法众多、选择难、新应用场景算法缺乏生态支

撑等问题。这些问题最好的解决方案就是自主化建设，从底层芯片自主研发，更
安全可靠高效 TPU 能耗更低，扩展更方便，避免重复建设；为政府各业务领域

·149·