TensorFlow / Caffe...... NV 系列硬件 模组 / 加速卡 / 服务器 / --> 集 群 NV 处理器 Ampere 系列 / Hopper 系列 ... 英 伟 达 AI 基 础 软 硬 件 架 构 ModelArts 应用使能 训练平台 / 推理引擎 / 模型套件 / SDK 昇 腾 AI 基 础 软 硬 件 架 构 异构计算架构 高阶融合算子库 硬件层算网协同 提升有效吞吐 NLSB 网络级负载均衡实现网络 动态路由，有效吞吐达 98% 控 制器 全 局集 中 算路 自 动生 成 路径 并 动态下 发网络 获取网络拓扑 网络局部计算选路 Hash 冲 突 导 致 有 效 吞 吐 不 足 50% 拥塞 Compare 精度结果 差异一：芯片架构差异导致算子实现不同 例如， 矩阵计算时， 昇腾采用 16x16 分形，英伟达采用 8x8 分形 即使算子功能相同， 在不同架构下算子实现方式可能不同 昇腾 CUBE 计算单元结 构 为 16x16x16 芯片架构差异 差异二：工具链差异导致迁移效率不同

......................................................................................... 51 3.4 诺达佳：基于 AI 的在线式视觉随动同步点胶机应用 ...........................................................53 3.5 新松：智能巡检机器人 出各类缺陷， 很难满足现代汽车生产需求。 在 AI 算法赋能下的 3D 成像技术，与机器人手臂协同作业，能够在线采集整车漆面数据进行并行计算，实现车身 漆面缺陷的精准检测与定位，缺陷测量精度需达 0.15mm，检出率高达 99%，缺陷分类准确率＞85%，需能够实 现每车 60s 的检测节拍。还能支持多颜色、多车型在线混检，支持超过 20 余种漆面缺陷，实现多角度在线检测。 AI 赋能的方 在标注的晶圆缺陷图像数据集上进行微调，优化模型对微小缺陷的识别能力。最终经过优化的大模型，在晶圆缺陷 检测任务上，最小能检出 0.1 微米级别的缺陷尺寸，检测精准度需高于 99.5%，检测节拍大多需达 300 片/分钟以 上，检测精度、检出率和检测效率都比传统方法有大幅提升，满足大规范生产需求。 10 01 工业人工智能 (AI) 行业观察 毋庸置疑，AI 技术的应用正为工业领域

技术垄断：掌握提示词工程的人群收入差距扩大 3 倍 ⚫ 解决方案：政府推出“全民 AI 素养提升计划”，覆盖 5000 万弱势群体 ②职业替代 ⚫ 高危岗位：基础文案/客服/数据分析岗位替代率达 47% ⚫ 转型路径：建立“人机协作绩效评估体系”，重构岗位价值标准 ③认知依赖 ⚫ 思维退化：调查显示过度依赖 AI 导致 25%用户独立思考能力下降 ⚫ 应对策略：中小学增设“批判性使用 辅助的专利申请量激增，但颠覆性创新占比下降 15% ⚫ 解决方案：推行“人机分工认证”，强制保留 30%创造性工作由人类完成 ②社会震荡 ⚫ 职业重构：47%基础岗位面临替代，但“AI 训练师”等新兴职业薪酬达传统岗位 3 倍 ⚫ 数字鸿沟：掌握提示词工程的人群收入差距扩大至 5.6 倍 ⚫ 平衡路径：政府推行“全民 AI 素养计划”，覆盖 5000 万弱势群体 ③技术失控 ⚫ AI 讨论轮回转世 4.国家战略：数字时代的国力较量 DeepSeek 正在重塑国际竞争格局： ①技术主权争夺 芯片突围： ⚫ 华为昇腾 910B 芯片性能追平英伟达 A100 ⚫ 国产光子芯片突破 7nm 制程 ⚫ 标准制定权：中国主导制定 AI 伦理国际标准 ②数字丝绸之路 ⚫ 技术输出：在非洲建设“AI 赋能中心”培训百万数字人才

5*107 秒 (174 天 ) 算力 ( 每秒 ) 显存 运力 生态 政策风险 成本 华为 910B 320T=3.2*101 4 32GB 240 GB/s 较好 无 12 万 英伟达 H800 1000T=1015 80GB 900 GB/s 好 有 25 万 人工智能计算平台成本估计 算力 存力 运力 ■ 大模型扩展规律 ( 资本非常喜欢确定性故事 ) ■ OpenAl 商业模式 ( 循环以下四步 ) ■ 1, 华尔街融资 ■ 例子： 2019-21 年融资 20 亿美元 2, 购买最新 GPU ■ 例子：购买 2.5 万 A100 GPU ( 英伟达挣钱 ) ■ 3, 用最新 GPU 训练性能领先的大模型 ■ 例子： 2023 年出 ChatGPT, 垄断市场 (290 亿美元估值 ) ■ 4, 用训练的 GPU 给客户提供高质量模型服务

当时 ，计算机科学刚刚起步 ，人们开始尝试通过计算机程序来模拟人类的思维 和 行为。 在这个背景下 ， 一些杰出的科学家和工程师们开始研究如何使计算机具备更高级的功能 1956 年 8 月 ，在美国达特茅斯学院举办的人工智能夏季研讨会 ，是人工智能领域具有里程碑意义的一次重要会议。 这次会 议汇 聚了众多杰出的科学家和工程师 ，他们共同探讨和研究人工智能的发展和应用前景 这次会议的主题围绕着人工智能的定义、 与会者们不仅对人工智能的研究和应 用 前景进行了深入探讨 ，还提出了许多重要的观点和思路 ，为人工智能的发展奠定了基础。 这次会议的召开标志着人工智能作 为一个独立学科的正式诞生 ， 因此 ，达特茅斯会议被称为“人工智能的开端” ， 1956 年也被称为“人工智能元年”。这次会 议不仅为人工智能的研究和发展奠定了基础 ，还为人类带来了巨大的变革和进步 1.2 人工智能的诞 生 1.3 ，模型参数规模达到了 1750 亿。 2023 年 3 月发布的 GPT-4 的参数规模是 GPT-3 的 10 倍以上 ，达到 1.8 万 亿， 2021 年 11 月阿里推出的 M6 模型的参数量达 10 万亿。 3.1 大模型的概 念 训练数据量大 计算资源需求高 参数数量庞大 大模型的设计和训练旨在提供更强大、 更准确的模型性能 ， 以应对更复杂、 更庞大的数据集或任务。 大模型通常能够学习

，涵盖文本生成等功能。 • 百度智能云： 千帆 Model Builder 全面支持 DeepSeek - R1/V3 调用 ，且限时免费 ，其模型在百科知 识、 数学推理等任务表现突出。 • 英伟达： 可通过特定接口调用 DeepSeek - R1 671B 全量模型 ，获取 API Key 后能进行相关操作。 DeepSeek API 调 用 API 调用方 法 • DeepSeek API