
科技行者 10月29日 北京消息(文/Miss周):似乎一夜之间,人工智能(AI)渗透进了我们的生活,这种渗透力无疑是革命性的。看新闻或者网购时,它根据算法推送你喜欢的内容;出行时,它通过大数据避开所有拥堵的道路;企业办公时,它又化身为智能化与高效率的集合体……从家庭到商业场景,AI不断进步,智能设备快速涌现,它们甚至无需一直连接云端,就已经具备看、听、说、抉择、预测的能力。
你或许会问,AI诞生数十年,为何迟迟才落地?这背后的推动力来自于技术能力的指数级增长(如摩尔定律)、智慧的分析引擎及数据激增等。与之相对应的,算力、算法、数据被视为人工智能的“三驾马车”,三者相辅相成,算法是关键,数据是前提,算力是支撑。在过去几年里,我们知道AI比以前使用了更多的算力,如同 OpenAI 最近的一份报告所述,自2012年以来,AI训练运行(从 AlexNet 到 AlphaGo Zero)使用的计算量呈指数增长,为3.5个月的倍增时间(相比之下,摩尔定律有18个月的倍增期),该指标增长了300,000多个(18个月的倍增期仅增长了12倍)。OpenAI 因此得出,计算的改进是人工智能进步的关键因素。
图片来自OpenAI公开报告
正如华为IT产品线副总裁黄瑾最近在2018华为全联接大会(HUAWEI CONNECT)上所说:“算力开启AI的未来”,AI正在改变软件开发的方式,有些人把它叫做软件2.0,例如传统的翻译软件拥有超过50万行的代码,但通过合适的AI训练之后,只需500行代码就能搞定。“如果你有更多的算力来实现更多层的神经网络,那你就会获得更准确的结果。算力会创造新的可能。”
然而摆在产业眼前的一个难题是,随着AI应用的普及,传统通过数据中心提供集中式处理的算力,已经不能满足自动驾驶等大带宽、低时延场景的需求。
于是,华为Atlas智能计算平台应运而生,它提供了端、边、云的分级计算能力,既为AI应用创造了更多的可能性,也降低了企业应用AI的门槛。
提及Atlas,很多人第一印象或许是古希腊神话中的擎天巨神,他用双肩支撑苍天,仿佛有无穷的神力。而华为将自己的智能计算平台取名“Atlas”,背后的寓意呼之欲出:希望它能像擎天巨神一样提供无穷的计算力。
华为Atlas智能云硬件平台首次出现于2017华为全联接大会上,当时它使出一系列“杀手锏”——资源池化、异构计算、秒级部署:支持GPU、HDD、SSD、FPGA等资源池化,根据业务模型按需提供硬件资源,提升一半资源利用率,同时降低客户使用成本。
与之相比,今年亮相的Atlas智能计算平台有了“升级”,它将华为Ascend(昇腾)系列AI处理器和业界主流异构计算部件,封装成模块、板卡、小站、一体机等产品形态,包括面向端侧的Atlas 200 AI加速模块、面向数据中心侧的Atlas 300 AI加速卡、面向边缘侧的Atlas 500智能小站、及定位于企业领域一站式AI平台的Atlas 800 AI一体机。
Atlas从云硬件平台到智能计算平台的演进不难看出,华为对于AI有自己的思考:一是紧盯AI产品的算力,采用智能异构、端边云协同等关键技术,为AI加速。二是丰富产品形态,以适应更多应用场景,形成完整的AI解决方案。华为IT产品线副总裁兼IT智能计算业务部总裁邱隆接受科技行者采访时介绍,“去年的Atlas,是一个服务器;今年的Atlas,是一个基础的异构计算平台,是一个完整的系统”。Atlas的核心价值就在于,它是整个华为的AI全栈底层平台,上层是华为人工智能硬件框架、华为人工智能云的软件平台,再往上是面向行业的人工智能全栈(这部分华为与合作伙伴共同搭建),由此一个完整的AI解决方案就建立了。
Atlas不仅可以提供人工智能所需的计算能力,还可以做到对于这些计算能力随时进行动态的调整与分配。延伸到AI应用场景也同理,比如企业某些应用需要强大的算力,它可以调配丰富的计算资源;而同时其他应用需要庞大的存储资源,它也可以灵活调度,而这种调度可以做到“秒级”。而且,为了让企业更加方便地获取异构计算服务,让AI“跑在云上”,Atlas也应用于华为公有云中。
实际案例中,华为与平安城市合作,利用Atlas硬件平台和人工智能的分布式加速算法,实现了从一千亿量级的图片库中“秒级搜索”,从千亿量级的关系分析中“秒级响应”。
如上文所述,Atlas用它的“算力”双肩支撑更多的AI应用场景。
· Atlas 200 AI加速模块(基于Ascend 310芯片):半张信用卡大小即可支持16路高清视频实时分析,面向摄像头、无人机等端侧设备部署,功耗仅10W左右。它的主要价值有两处,一是把以前没有人工智能的产品,改造成人工智能的产品;二是一些小产品可以直接内嵌此模块实现人工智能。
· Atlas 300 AI加速卡:采用标准的半高半长PCIe卡设计,面向数据中心和边缘侧服务器场景。该加速卡支持多种数据精度,单卡即可提供64TOPS INT8计算性能,为深度学习和推理提供更强大算力。
· Atlas 500智能小站:集成AI处理能力的边缘产品,机顶盒大小即可实现16路高清视频处理能力,相比业界产品性能提升4倍。智能小站适用于交通、看护、无人零售、智能制造等广阔的领域。
“这应该是业界第一款真正能够商用的智能小站。”邱隆说,Atlas 500的优势在于环境适应性好,适合边缘环境部署,云边协同。
· Atlas 800 AI一体机(支持Ascend 310、Ascend 910):在标准框架和编程环境之上,提供经过优化的AI环境,并预安装底层软件库,2小时开箱即用。同时,AI一体机集成华为集群管理、任务调度等管理软件与系统级性能监控系统,可大幅降低企业AI应用门槛。
毫无疑问,AI已经且将继续改变我们的生活和工作,而华为正在试图通过Atlas为AI的应用落地按下快进键,或许此时,我们也将更接近普惠的AI。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。