透过chatGPT看人工智能带来的3D打印指数级进化发展与挑战
2022年底，人工智能技术驱动的自然语言处理工具ChatGPT发布后迅速成为全球科技热点,也掀起了国内对各界对人工智能的高度重视。突飞猛进的人工智能技术将会在金融、医疗以及生活的方方面面给人们带来巨大的不确定性。这些不确定性既是挑战，也是机遇。
©3D科学谷白皮书
比尔.盖茨在近日发布的人工智能公开信中提到，目前，人工智能可以改变并可以专注改变的三个领域包括：生产力、医疗与教育。增材制造-3D打印作为一种新兴的数字化生产技术，与生俱来的具有与人工智能深度结合的基因。《3D打印与工业制造》一书谈到，3D打印由于其天然的数字化特征，且涉及到的海量数据难以通过人类的大脑来理解，人工智能将“主宰”3D打印的发展。根据《人工智能在3D打印领域的应用综述l人工智能赋能3D打印》一文，鉴于流程的复杂性，为了更好的理解在增材制造-3D打印中中应用AI-人工智能技术，3D科学谷将人工智能的应用领域分解为3D打印前处理、过程中处理和后处理阶段。
近日，期刊AdvancedIndustrialandEngineeringPolymerResearch刊登了由意大利学者发表的人工智能技术增材制造应用的最新研究文章“AssessingtheCapabilitiesofChatGPTtoImproveAdditiveManufacturingTroubleshooting（评估ChatGPT改进增材制造故障排除的能力）”。该研究探讨了使用聊天生成预训练转换器(ChatGPT)的潜力，以应对主要挑战并提高增材制造(AM)中Gcode生成过程的效率。
本期谷.专栏将分享这项研究中的核心内容，借此进一步了解有关ChatGPT性能的有效反馈，以及人工智能技术在增材制造领域的应用潜力。
Gcode生成过程控制3D打印机挤出材料的运动和逐层构建过程，是增材制造过程中的关键步骤，优化Gcode对于确保最终产品的质量和减少打印时间的浪费至关重要。
ChatGPT可以在现有的Gcode数据上进行训练，为特定的塑料材料、3D打印机和物体生成优化的Gcode，并根据打印温度、打印速度、床温、风扇速度、擦拭等各种打印参数分析和优化Gcode距离、挤出倍增器、层厚和材料流。
该研究展示了ChatGPT在执行与增材制造流程优化相关的复杂任务方面的能力。特别是进行了性能测试以评估ChatGPT在技术问题上的专业知识，重点是评估使用热塑性聚氨酯聚合物作为原料的熔丝制造(FFF)方法的打印参数和床层分离、翘曲和拉丝问题。这项工作提供了有关ChatGPT性能的有效反馈，并评估了其在增材制造领域的使用潜力。
使用ChatGPT进行增材制造流程优化有可能通过提供用户友好的界面并利用机器学习算法来提高Gcode生成过程和最佳打印参数的效率和准确性，从而彻底改变行业。此外，ChatGPT的实时优化功能可以节省大量时间和材料，使增材制造成为制造商和行业更容易获得且更具成本效益的解决方案。
/开启指数级精益化能力时代
l3D打印Gcode的优化挑战
增材制造(AM)，也称为3D打印，是一个快速发展的领域，有可能在工业4.0、生物医学、材料科学、航空航天和汽车等多个应用领域彻底改变传统制造工艺。增材制造最重要的优势之一是它提供的设计自由度。基于增材制造的方法使工程师、设计师和医生能够创建复杂的几何形状、定制以前使用传统制造无法制造的产品或医疗设备，并通过消除对专用工具的需求来降低生产成本。这导致各个行业的产品定制、功能改进和重量减轻达到了新的水平。此外，增材制造的设计灵活性和敏捷性也被证明是小批量生产中的宝贵工具，使公司能够生产少量高度定制化的产品，而不会产生高昂的加工成本。它已成为航空航天工业中必不可少的工具，在航空航天工业中，生产轻质、高强度部件的能力对于飞行效率至关重要。
近来，3D打印在个性化医疗领域也有着广泛的应用，包括牙科、假体部件、按需医疗器械、组织器官再生支架。制造患者专用设备、控制方向和孔隙率以及结合多种合成材料和生物材料的能力吸引了许多好奇心的关注，因为它可以改善患者的治疗效果和生活质量。此外，3D打印模型用于模拟手术，改善手术结果并降低风险。结果，这种技术的激增导致了许多突破性的治疗方法和设备的产生。
为了以多学科方式使用增材制造，迄今为止已经采用了多种增材制造技术，例如粉末床熔融(PBF)、立体光刻(SLA)、数字光处理(DLP)和熔丝制造(FFF)。
其中，FFF技术（也称为熔融沉积成型(FDM)）在该研究中被选中，因为它是当今最流行的增材制造技术之一。FFF是一种材料挤压工艺，涉及逐层沉积细丝以生产三维部件。FFF技术的主要优势之一是成本低且相对易于使用。FFF技术的另一个优势是其使用的材料范围广泛。事实上，FFF技术允许使用各种类型的聚合物（例如，聚乳酸、聚对苯二甲酸乙二醇酯、聚丙烯、热塑性聚氨酯、聚己内酯、尼龙）、回收聚合物（例如，来自玉米的聚乳酸和聚对苯二甲酸乙二醇酯），以及复合材料（例如，聚酰胺碳充电），这使得生产具有不同化学物理和机械性能的零件成为可能。
尽管3D打印技术具有巨大的潜力，但在它被认可为一种常见的制造技术之前，仍有许多重大问题需要克服。尽管具有众多优势，增材制造，尤其是FFF技术，仍然面临着一些需要解决的挑战，例如材料选择、过程控制、支撑结构、精加工、精度和效率。其中一个挑战是Gcode的优化，它是3D打印机用来逐层创建对象的指令代码。
研究团队评估了使用由OpenAI开发的一种大型语言模型(LLM)ChatGenerativePre-trainedTransformer(ChatGPT)来解决这些挑战的潜力。特别是床分离、翘曲和串线，从而提高Gcode生成过程的效率，针对特定材料优化打印参数。选择正确的打印参数（例如：打印温度、打印速度、床温、风扇速度、擦拭距离、挤出倍数、层厚度和材料流量）和Gcode生成过程是增材制造过程中的关键步骤，用于控制打印机挤出机的运动和逐层构建过程。
优化Gcode对于确保最终产品的质量和减少打印时间至关重要。然而，生成最佳Gcode是一项复杂的任务，需要增材制造、计算机科学和材料科学方面的专业知识。这就是ChatGPT或生成式AI-人工智能模型的优势，它提供了一个用户友好的界面，可用于应对打印材料的主要挑战并生成优化的Gcode，从而减少长时间的试错阶段以优化新材料的3D打印，从而节省材料和时间。事实上，ChatGPT可以在现有的“失败”或“未优化”Gcode数据上进行训练，并可以使用此信息为特定材料、打印机和对象生成优化的Gcode。此外，ChatGPT可用于根据打印速度、层厚度和材料流（仅举几例）等各种参数分析和优化Gcode。通过使用机器学习算法，ChatGPT可以不断提高其性能，从之前的经验中学习以生成更高效的Gcode，从而将越来越多的内容集成到增材制造框架中，提高制造效率和设计与性能之间的关系，并最大限度地减少成本。此外，与传统的疲劳测试方法一起，使用ChatGPT或其他生成AI模型的数据驱动方法可用于研究和预测3D打印结构的疲劳寿命和断裂行为。
使用ChatGPT进行Gcode优化的另一个优势是可以在打印过程中进行实时优化。ChatGPT可以监控打印过程并对Gcode进行实时调整，以提高最终产品的质量。这可以显着节省时间和材料，并提高印刷过程的准确性和可重复性。
鉴于此，该研究的目标侧重于在执行与增材制造流程优化相关的复杂任务时对ChatGPT进行详细分析。这包括但不限于回答开放式格式问题和调查ChatGPT在与3D打印相关的技术问题上的表现，重点是FFF打印参数的评估。此外，研究团队的分析包括对优化和生成从头Gcode所需的ChatGPT技能的测试，以确保最终产品的质量并减少时间和打印浪费。为此，设计了一种全面的测试方法来评估ChatGPT的输出，包括“失败”或“未优化”的Gcode数据以强制使用ChatGPT的功能模型。
总体而言，此工作旨在提供有关ChatGPT性能的有效反馈，并评估其在增材制造领域的使用潜力。根据研究团队的知识，ChatGPT可以通过提供用户友好的界面和利用机器学习算法，显著提高增材制造方法和Gcode生成过程的效率和准确性。此外，ChatGPT的实时优化功能可以节省大量时间和材料，使增材制造成为制造商和行业更容易获得且更具成本效益的解决方案。
图1.常见的增材制造挑战，例如层粘附、翘曲、拉丝、悬垂、打印速度和材料兼容性，以及以分层方式呈现的可能的ChatGPT解决方案，从最有效和最简单的解决方案开始，逐步介绍不太常用的方法。
l结论
该研究展示了ChatGPT在执行与增材制造流程优化相关的复杂任务方面的能力。进行了性能测试以评估ChatGPT在技术问题上的专业知识，重点是FFF打印参数的评估。结果发现，ChatGPT在其响应中提供了卓越的准确性、正确性和组织性，其解决问题的方法在解决障碍方面提供了宝贵的见解。特别是，对于翘曲、床分离和拉线等具体技术问题，ChatGPT展示了其在考虑给定信息和约束的同时提供分层和逻辑组织响应的能力。此外，它还能够微调不同类型TPU长丝的打印参数，显示其将长丝材料的机械性能与打印参数相关联的能力。
此外，ChatGPT在现有的“未优化”Gcode数据上进行了培训，以提供优化的Gcode生成过程，以避免翘曲、床分离和拉线问题。最后，进行了一项评估AI可以处理的增材制造问题深度的实验，要求ChatGPT从头开始生成重新优化的Gcode。
总之，该研究的贡献是多方面的：首先，提供了对增材制造使用的见解。已经表明，对于哪些类型的问题以及增材制造的哪些领域和技术问题，ChatGPT可能有用，以及如何将其集成到3D打印工作流程中。其次，ChatGPT能够提供分层和逻辑组织的解决方案，同时-从最有效和最简单的解决方案开始到不太常用的方法-考虑到3D打印原料的给定信息和限制。第三，该研究发现，尽管交互有限且边界条件明确，但ChatGPT能够生成与当前研究一致的准确和最新的3D打印配置文件，并为两种不同类型的打印参数微调具有不同肖氏值的TPU长丝。第四，它提供了在一系列不同的打印参数和约束条件下测试Gcode生成过程的洞察力。这可能有助于未来开发在增材制造领域表现更好的大型语言模型。最后，ChatGPT的技术专长展示了它如何能够解决与FFF打印时间节省相关的挑战（它能够在一小时内优化计算多个参数，这项任务在实验上需要大约三周才能完成）和材料，对于研究机构和行业的研发阶段都至关重要。
另一方面，重要的是要指出本案例研究的可能局限性，它仅关注FFF作为增材制造工艺，而没有研究其他增材制造工艺（例如选择性激光熔化、选择性激光烧结、立体光刻外观），这可能有不同的优化挑战。因此，未来的进一步研究可能会侧重于ChatGPT在其他增材制造工艺中的能力，以及更广泛的材料（即陶瓷、金属、复合材料），以评估其在不同场景中的性能。此外，将ChatGPT集成到增材制造软件平台中，为用户提供实时建议和优化，可以提高增材制造流程的效率和质量。否则，将ChatGPT的性能与其他AI模型进行比较，以确定其在增材制造流程优化方面的优势或互补性。
l以上来源：焊接科学《全网最快！ChatGPT在增材制造中的应用！》
/国内3D打印发展何去何从？
根据3D科学谷，近年来，国际上新增的创业企业，以软件及材料企业居多，国内以设备企业居多，尤其是当行业中出现上市企业后，同质化模仿跟风的趋势十分猛烈，资本的驱动下，企业为获取订单表现出两败俱伤的价格厮杀，损伤的是长期发展所需要的核心能力建设和研发创新基础，短期来说这是国内3D打印企业发展的巨大挑战与威胁。中期来说，3D打印发展模式已经发生本质的改变，依赖经验为主的模式发展遇到产业化瓶颈，中期将淘汰大量同质化缺乏核心竞争力的企业。
ChatGPT掀起了国内对人工智能时代的高度重视，根据3D科学谷的市场观察，如今，我们已经习惯于看到AI接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。复杂的人工智能开发的深度数字孪生如何推动3D打印进入生产，
©3D科学谷白皮书
让一台机器来接管AM中的一些质量保证任务，这听起来有些离谱，根据3D科学谷的市场观察，事实证明，在AM增材制造工作期间收集的监控数据的问题与离线测试（例如CT扫描或超声波测试）收集的数据有很大不同。离线测试数据表征最终AM增材制造零部件的特性，而监控数据仅表征构建的特定层的特性。
在增材制造中，仍然非常需要降低所生产零件的成本。这与可能由数十万个层层加工组成的过程的有关。根据3D科学谷的市场了解，离线CT测试不仅会增加总体成本，而且还会限制几何形状，因为零件必须具有适当的形状才能进行扫描和测试。如果通过智能过程中监控和测试来取代离线监测，这开辟了新的空间，并可能降低总体成本。
2023年3月20日，领先的3D打印行业质量保证软件供应商SigmaAdditive宣布扩大与3D打印软件和服务解决方案全球领导者Materialise的合作，通过集成SigmaAdditive的PrintRite3D®为增材制造(AM)用户提供自动化质量控制，质量保证解决方案，新的软件解决方案融入MaterialiseProcessControl。
Sigma的PrintRite3D®套件提供过程中数据，包括来自熔池的热数据、屈服层数据，使用户能够更快地找到缺陷的根本原因。
根据3D科学谷，国内目前的3D打印，尤其是金属方面依靠大量的试错来探索最佳的制造方案，这在进入到规模量产的时候遇到了极大的成本和发展速度挑战，而复杂的金属3D打印势必要“装上人工智能的大脑”才能获得真正意义上的产业化发展。
根据3D科学谷，国内即使是头部的3D打印企业，尤其是复杂的金属3D打印领域，将面临巨大的发展挑战，3D打印设备将装上“人工智能的大脑”，而大脑从何而来？是用尚且不存在的“内脑”，还是用国际上已经持续十多年厚积薄发开发出的“外脑”？是否应该用更平和的心态去对待“外脑内用”？行业是否能继续前行，在人工智能驱动的指数化精益能力进化到来的前夕，3D打印进入到产业化发展将不仅取决于自主创新实力，更取决于如何弥补国内基础研究短板，包括建立与国内生态圈的合作能力，包括建立与国际软件企业的合作共赢能力。
国际上通过AI来进行增材制造加工质量控制的商业化公司目前包括以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense等。包括之前提到的Materilalise的MaterialiseProcessControl，这些将作为第一梯队3D打印设备的人工智能大脑，驱动实现首件即合格的进入产业化的范式转变。
©3D科学谷白皮书
那么下一步，是否国内目前的设备将大量的采用国际上的过程质量控制解决方案呢？一方面是人工智能在以指数级的进化速度改变3D打印现状，推进该技术成为智能制造的主流技术，一方面是国内欠缺的数据共享基础建设，在共享数据的基础上开发标准，在共享数据的基础上验证软件开发。
此外，还考验中华民族从传统上对大国重器在硬件层面上的重视切换到包括对软件的重视上，考验中华民族传统上商业文化中甲方乙方不平等的地位切换到生态圈平等同创的合作文化上。
软件的发展需要极度宽容的长期主义者文化，Sigma这样的软件解决方案企业目前还处于严重亏损状态。10年前，美国国家标准与技术研究院-NIST孵化和支持了Sigma这家企业，至今Sigma的市值约480万美金，每股0.45美金，每股亏损0.9美金。
在这方面，3D打印领域，国内发展自主软件产业，需要产业化基金的支持。
NIST支持的另外一家与数据和人工智能相关的企业是Senvol，Senvol最初于2019年11月发布了SenvolML机器学习作为一种分析工具，用于理解增材制造过程中产生的数据。它是一个模块化的集成计算材料工程(ICME)系统，可将数据分为四个模块：工艺参数、工艺特征、材料特性和机械性能。Senvol的机器学习有着雄厚的数据基础，3D科学谷尝试使用了Senvol数据库查找钛合金金属粉末3D打印材料供应商。系统给出的结果十分丰富，其中包括了每家主流厂商提供的材料牌号，加工工艺名称，该工艺所加工的零件所能达到的拉伸强度，拉伸模量，断裂伸长率等等。
满足严苛的适航部件需求，这意味着用户可以使用SenvolML机器学习的结果来预测材料或过程的性能，从期望的结果（如抗拉强度）查看哪些过程或材料将使他们达到目标，甚至建议用户应该收集哪些数据，以便更好地了解该过程。
总体来说，基础研究的重要性正在显现，业界将回归基础并找到重要的东西。譬如，也许可以找到更好的控制湿度或氧化的方法，这对铜来说更为重要，这重回归基础的需求将开始渗透到其他材料中，将把制造者带回科学，试图了解什么是真正重要的。
根据ACAM亚琛增材制造中心，3D打印-增材制造的发展将推动数字材料技术进步，多材料打印的进步，确保大幅减少增材制造新材料设计、开发和取得资格所需的时间和成本。该领域包括开发新的和新颖的计算方法，如基于物理及模型辅助的材料性能预测工具；开发对计算机预测进行验证所需的通用基准数据，以及针对材料性能表征的新思路，有助于为每一个新的增材制造材料-工艺组合开发设计循环。
根据3D科学谷，数据与算法的重要性正在掀起3D打印行业的自我革命，是增材制造走向智能制造的跨时代金矿与赋能工具。
特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。上海连续六年举办世界人工智能大会图个啥芯速度和产业规模倍增都只是表象…
摘要：办会从来只是手段。用AI探星、制药？早在2018年，上海举办首届世界人工智能大会时，这类“人工智能驱动科研”的概念便时有热议，有人不以为然。然而2021年，腾讯真的就跟国家天文台合作，通过“云+AI”，帮助中国天眼FAST搜索新天体，迄今已发现30颗脉冲星，今年更首次发现了快速射电暴。AI制药方面同样进展喜人，英矽智能一款由AI设计的针对特发性肺纤维化的候选药，已在中美启动二期临床试验。当年的不以为然者不禁要感叹上海的眼力，以及将AI理想照入现实的能力。脉冲星信号图（右）。截至目前，探星计划已通过云+AI，助力Fast发现30颗脉冲星。（供图）更可贵的是坚持。今天，2023世界人工智能大会如约启幕。这已是上海连续第六年举办该大会。正是这份决心与恒心，让上海AI产业开枝、散叶，大树初长成——最新数据显示，上海人工智能规上企业数已从2018年的183家增至2022年的348家，产值实现倍增，从1340亿元跃向3821亿元。【技术】2018年，世界人工智能大会举办首年，对芯片界同样是特殊年份。这年前后，一批就职于海内外半导体巨头的高管，冲着人工智能“上海高地”的声量，引团队、技术、资本，以上海为梦想起点，开启创业路。这当中，就有而今已然“开挂”的燧原科技、壁仞科技等。这些牛人大咖企业在沪迅速蝶变壮大，2020年以来，已有30余款“上海芯”流片量产。其中壁仞通用GPU芯片创全球算力纪录，地平线、黑芝麻等车规级智能芯片有望打破L4级自动驾驶领域被海外垄断的局面。选对AI芯片赛道，再加上资源、资本、人才的超常规投入，国产芯终于有了些底气——就在近期，上汽拿出49款急需联合攻关的高算力、高规格汽车芯片，面向上海汽车芯片产业联盟征求国产化替代可行性。结果，被联盟成员“一口回绝”的极少，多数芯片被归为“可讨论”范畴。邃思2.0。芯片在追赶，算法亦惊艳。2021年底，辉瑞公司新冠小分子口服药Paxlovid被美国FDA允许紧急使用。但许多人不知，在该药早期研发过程中，中国科技公司晶泰科技与辉瑞团队联手合作，用AI算法结合实验验证的方法，仅用六周时间就确认了药物的优势晶型。优势晶型筛选堪比大海捞针，AI此举直接加速了新药上市进程，让全球患者获益。再论基础算法，上海澜码科技创始人兼CEO周健已创新推出基于大语言模型的智能体应用和开发平台，采用中国自主设计的软件架构和系统范式，有望助力人人都能设计出适合自己的智能体，大大提速工作效能。还有上海牌“具身智能”，早已名扬海外。如西井科技，聚焦多式联运无人化与智能化，已落地全球18个国家和地区超过160个节点。英国第一大港费利克斯托港刚刚与西井科技签署新增100辆新能源智能无人驾驶卡车Q-Truck的协议。难怪国内人工智能界有一说法，称南北各有所长，唯独上海全面发展——芯片特别强，算法硬件也皆长板。西井科技产品在英国港口。（供图）【生态】今年2月，上海首次为AI开发者群体举办高规格大会——2023全球人工智能开发者先锋大会，并促成Linux、红帽、华为昇思等海内外数十个开发者社区的“现象级投奔”。种种迹象表明，上海开始千方百计培育强化“开发者社区”这一产业生态与技术攻关关键一环。阿里云创始人、中国工程院院士王坚在2023全球人工智能开发者先锋大会上。产业生态培育，始终是上海执念。国内首个地方人工智能五年规划、人工智能高质量发展“22条”、国内首个算法创新行动计划、国内首部人工智能省级地方性法规、国内首个地方人工智能标准体系等，无不诞生在上海。还有上海人工智能实验室、无人系统科学中心、白玉兰开源平台，以及世界人工智能大会所创设的AI青年科学家联盟等，各类促生态繁荣的要素层层叠加，令上海高地魅力愈发难以抵挡。国际三大顶级人工智能组织之一的国际人工智能联合会议（IJCAI）此次将与大会梦幻联动，其2024年会议举办权也落定上海，可见各路英豪已经用脚投票。【场景】场景更是上海杀手锏。2019年起，上海发布了3批共计58个AI重大应用场景，如张江人工智能岛、临港数字孪生城等。另外，上海围绕智能网联汽车、医疗影像辅助诊断、视觉图像身份识别、智能传感器4个国家级赛道“揭榜挂帅”，现已入围22个揭榜项目。正是这些顶级场景的发布，为上海带来了全球顶级的创新产品和解决方案。东海大桥无人集卡物流配送业务场景，是上海发布的AI重大应用场景。达闼机器人在方舱。在今年的世界人工智能大会上，张江分会场将发布2023年元宇宙重大应用场景，启动2023中国元宇宙降本增效产业化赋能白皮书等。在诸多AI企业眼中，上海AI产业有着触手可及的人间真实。浦东新区科经委党组书记范金成曾不无自豪地说，近年来他接触了太多AI芯片企业，创始人团队往往背着书包、带着支票和贷款而来，过几年就能拿着自己企业的股票走出。瀚博半导体2018年12月成立于上海。创始人兼CEO钱军曾感慨。“我们做算力芯片的，在上海被唤作宝贝，我们也确实被宠成宝贝。”可见，上海锲而不舍办会从来只是手段，搭平台、聚人才，实现前沿技术观点的碰撞，与人工智能产业高地建设形成高效循环联动，才是真正目的。海量资讯、精准解读，尽在新浪财经APP爆火的人工智能背后，如何解决算力焦虑
主持人：这个世界跟人工智能的关系越来越深刻，尤其身处世界人工智能大会的现场，你会明显感受到人工智能世界何等丰富，发展有多发展。今天我们要找一个专门切入点叫“算力”。
我们都知道，数据、算法、算力是敲开AI大门的三把钥匙，如果说数据是其中生产资料的话，生产力就是算力，生产关系就是其中一些算法。我们今天具体要来说一下跟算力有关，我们演播室请来三位嘉宾，分别是未尽研究创始人周健工，申万宏源证券研究董事总经理、TMT部门总监及首席分析师刘洋，还有联想集团副总裁、ISG中国服务器事业部总经理陈振宽。我们和三位嘉宾一起，围绕算力深入探讨。
AI有惊喜，算力引焦虑
主持人：算力是推进AI往前发展的重要动能之一。大家都知道各大平台现在都在出各种各样大模型，大模型需要训练，到应用阶段对算力的要求更是无穷无尽的，所以，算力发展的现状怎样、未来趋势如何，算力的缺口有多大、有什么样的解决方案，就是我们今天要和各位嘉宾一起聊到的。
先想和各位嘉宾聊一聊，您觉得据您观察现在人工智能世界到底发展到什么样的程度，给你的惊喜是什么？
周健工：我觉得AI最大惊喜就是在一些完成任务上，比如说对话，我们一直在说图灵测试，这是我第一个感受。第二个感受大家都在谈通用人工智能，以前觉得是相当科幻的概念，现在我记得GPT4出来之后，微软科学家做了一个测试，那篇论文业内大家看得很多了，标题是通用人工智能的火花。我觉得这个比喻比较贴切，我们看到一个火花但是还是处于通用人工智能比较早期阶段。
陈振宽：ChatGPT现在用的是ChatGPT3.5的技术，大概是1750亿的参数，大家可能有一些相关资料显示，人的大脑神经元大概是在800亿到1000亿之间，大脑皮层神经元在100亿级别。在800亿到1000亿这样一个参数实际上跟人的神经元数量是非常相似的，所以也是大参数、大模型。到了1750亿级别的时候，人工智能不止是我们训练它，它根据我们训练去学习、去成长，更重要是它会自己学习、自己进化。所以，在今天深层次AI技术爆发的时候，大家发现一下子大门打开了。
刘洋：AI的整个复杂度大了很多。小模型精度很高，通用性、智能性弱一些；大模型有可能精度不用那么高，但是智能性高很多。所以对我们来讲，最大的痛苦不光是横向扩的很多，关键是可能性多了，究竟是用大模型还是小模型，用以前的还是组合的，或是垂类的。这些问题都会让我们焦虑，需要用的东西太多了。所以我觉得人工智能2C、2B的应用，带来今天算力焦虑这个话题，其实都会变得比较复杂，这是我们目前已经看到的情况。
主持人：如果应用到了让每一个人都便捷的程度，现有算力背后能不能支持，这中间还有什么缺口？在过去一段时间大模型发展过程当中，如何突破算力落差的瓶颈？
周健工：其实大模型是每18个月是它的规模是增长35倍，但是摩尔定律是每18个月增长2倍，这是一个速度上的落差。第二，我们也看到国外有些大型企业不同业务部门之间，也在争抢算力，从这一点上说中国也存在。
主持人：算力落差就是因为芯片落差吗？今年英伟达生意很好供不应求，买不到芯片是不是意味着差距就特别明显？
陈振宽：这一定是其中一个影响因素，但我看到另外一个因素。刚才讲到，我们的大参数里面跟人的神经元数量一样，但这个算力所消耗的功耗跟人的大脑所消耗的功耗，完全不是一个数量级。要支撑这么大的算力，功耗的要求是非常高的。我们需要研究，当我们的算力不断增长的时候怎么解决功耗的问题，如何实现碳达峰要求。所以在技术上，我们可能要考虑是否能够从现在风冷的散热变成液冷散热，是不是能够有一些更好条件来支撑我们算力不断增长，但是功耗仍然控制在我们的星球所能承受范围之内。这是我们未来要考虑的另外一个因素，即除了做算力竞赛以外，可能还要考虑如何在节能减排方面有更好更优方案。这个方面做得好了，我相信即便有落差，我们总有一天也能迎头赶上。
算力发展仍在“热身阶段”
主持人：我们目前算力市场整体发展到什么程度，够用吗？
周健工：我只能大面讲，陈总是专家。我自己觉得总量上，中国和国外国家不相上下，在普通算力、智能算力、超算总量上不相上下。甚至有一些中国还占优势，比如说智能算力。但是在这一轮跟大模型和人工智能相关算力上，中国是存在比较大的落差。另外一块当然从企业做数据中心、云计算这一块，中国企业跟国际头部有比较明显的差距。第三方面，我们现在处在一个模型训练算力比较紧缺，但是将来如果是生成人工智能发展普及比较快，将来会更多是应用更广，对推理需求是更高的，其实对算力时延要求更高。所以我们希望到那时候，整个算力发展能满足这些需求。
主持人：陈总作为专业人士作为联想专业人士，您是如何来解读算力目前缺口大还是未来缺口大？
陈振宽：我们把人工智能的算力当成一种赛事的话，这个比赛才刚开始。今天很多企业在这场赛事里面参赛，实际上都是早期阶段做了基础准备。现在在热身或者是刚进入热身阶段的企业，它们在大模型的投入上已经是按照百亿人民币投入的。但是要真正去训练好大模型，这还有很多工作要做，我相信这是要持续进行投入的地方。
以联想来说，我们自己不会参与到大模型赛道，不会去做去训练大模型，但是我们为所有搭建和训练大模型的企业去提供基础设施和服务，比如说提供GPU服务器，人工智能服务器。以前，如果不是人工智能服务器，一个通用服务器的研发投入大概是两千万人民币，但是做GPU、人工智能服务器投入是需要通用计算五倍，是按亿作为计算的。除了更加复杂以外，里面还要考虑刚才提到的散热、更快联接速度等很多要素。所以在技术上的投入是非常庞大的。另外，在未来训练完以后要开始做推理，推理用于各种场景无处不在，边缘甚至个人，这个对算力要求仍然会持续增加。所以，如何在这样的场景中持续进行优化，以更加普慧的能力去提供未来整体人工智能相关的产业理论服务，这是我们持续要考虑的地方。
所以，路还很长。
主持人：我刚才咨询了微软投OpenAI开发出的ChatGPT，其实背后微软数据中心建设就跟联想有很大关系。具体情况是怎样的？
陈振宽：联想是一家全球化走得比较早、做得也比较成功的一家中国企业，我们海外业务占了差不多3/4左右。微软是我们海外客户的一个代表。我们还有很多微软这样非常优秀的客户。我们在全球大概有7个生产制造基地，有10个研发中心。我们也希望，能够在未来积极参与到国内人工智能的服务当中，服务好我们的客户。
主持人：从资本市场来看，这个细分的行业当中再细分有哪些投资机会？。
刘洋：一方面很明显我们的机架里面包括服务器要升级，其中AI渗透率我感觉会慢慢达到50%是有可能，价格量价齐升。还有很多工程设计问题，液冷、风冷、散热等等各种各样的，以及相关的光器件、光模块。其实我们还有一些市场还没有特别注意。比如说很有可能我们现在超算数据中心里面，专门针对科学或者一些蛋白质分子生成或者是气象预测，这种东西是由于以前算力不具备，我们就没有办法衍生，但是可以大大提升科研和学术的下限，把很多很难测的东西变成可能。总之我现在觉得，至少是AI芯片、服务器，光器件、光模块，封装测试技术和芯片架构，相应的一些AI应用都会有很大机会。现在市场基本上是注意到了AI服务器、芯片和光器件，后面还有一些没有特别注意，而且周期和机会可能会反复来袭。
普慧算力建设正当时
主持人：中国算力基础设施，在全球竞赛建设当中是处于一个什么样的位置？
陈振宽：联想是一个服务提供商，是这个赛道上面帮助做大模型搭建算力提供商。从我们自身来看，联想今天在全球的服务器厂商当中现在是全球前三，前两名是两个美国企业，中国企业排在全球市场也排最前面。我们也希望，未来能够更好地投身在国内所有的人工智能算力建设过程中，能够更多赋能我们国内企业，能够给他们提供更大的助力。
主持人：提到赋能更多企业，我注意到联想提供一个普慧算力新的主张。普慧算力具体指什么？
陈振宽：普慧算力把它解读拆开来一个是普适（Inclusive），一个是智慧（Intelligent），在普适里面我们提出三个A。一个是（Affordable）人人可得，一个是（Available）人人可用，一个是（Adaptable）人人适用，这是普适的意思。另外对于智慧来说，我们对智慧的理解应该是说他能够去自己去适应（Self-adapting），自己的学习（Self-learning），自己的进化（Self-evolving），所以这是三个S，三个A，三个S，我们对普慧算力的解读。我们希望，普慧算力最要能帮助到我们国家产业升级，其次帮助我们各个企业去实现数智化转型，最终惠及到每一个人。
主持人：周总，您觉得未来对于民众来说普慧算力需求有多大？
周健工：我觉得很大，我自己有一个观点，我认为将来现在往手机端部署，消费级GPU也可以去跑一个模型了，自己手机就下载了。其实我觉得将来很可能手机上每一个APP都是一个模型。我们可以走着瞧。包括现在设备端芯片，整个架构芯片，都是围绕生命智能、人工智能的部署在发生。普慧的意义，就是每一个人都可以用。
主持人：如何实现真正的实惠？
陈振宽：我相信这是一个要持续要去做的工作。今天单位的算力成本，在五年前、十年前看是无法想像的，但是今天通过科技的发展确实达到了。我们对未来的展望，一定会跟随技术的进化，技术的迭代，技术的创新。我们相信，最终到每一个人看算力就好像你在使用电力一样时，你不会感觉到他的存在，甚至也不会为支付这个电的成本感觉到你有巨大支出存在，以后算力也一样。