智东西5月29日报道，2024亚马逊云科技中国峰会今日在上海召开。亚马逊全球副总裁、亚马逊云科技大中华区总裁储瑞松聚焦生成式AI探讨了技术与产业过去一年的发展趋势，并推出了多项新的相关业务举措。
储瑞松宣布，亚马逊云科技与Minimax、百川智能、月之暗面、智谱AI、零一万物等16家伙伴共同启动 生成式AI合作伙伴计划 。同时，亚马逊云科技还与多家伙伴一起，宣布启动 智能家居及智能产品创新加速计划 、 亚马逊云科技行业合作伙伴计划 和 亚马逊云科技安全合作伙伴计划 。
来自涂鸦智能、礼来中国、Morph、百川智能、智谱AI、德勤中国、路特斯、vivo、Carrier、Source Technology等多家企业的代表来到现场，分享了他们与亚马逊云科技在生成式AI领域的合作探索。亚马逊云科技还在峰会展区展示了汽车、零售、游戏、金融、医疗等多个行业解决方案。
会上，智东西与少数媒体对亚马逊云科技全球企业战略总经理Ishit Vachhrajani进行了采访。
当被问及 “公有云+API”是否企业采用大模型的主要实现模式 ，根据Ishit的解读，他认为云是获得（大模型）机会的绝佳方式，可扩展性、安全性、企业数据的可用性以及基础模型的选择对客户来说非常关键，因为企业不想仅仅解决这一年的问题，而是希望能够选对模型并利用企业数据去解决业务问题，做出正确策略，这是云可以发挥作用的地方。
面对生成式AI变革机遇，Ishit对企业决策者有什么建议 ？他提出了三点见解：第一专注于那些会对业务产生真正影响的问题，并为客户解决问题；第二是关注技术人才的短板，通过人才培养去释放生成式AI在企业的潜能；第三是不要独自行动，要与有经验和专业知识的伙伴合作。
一、生成式AI黎明已来，超1万客户使用Amazon Bedrock
生成式AI带来了创新的无限可能。储瑞松在主题演讲中谈道，当下 生成式AI的格局 包括GPU算力、基础模型、特定领域模型和微调模型以及顶层的各方面应用。在这个格局中，未来真正能 创造最大价值的将是生成式AI的行业应用 。
每个企业都需要思考生成式AI创新的策略。打造生成式AI行业应用的成功 因素 则至少包括 业务场景、模型、自身私有数据、负责任、持续提升 五大方面。
储瑞松认为，在模型选择方面，大模型已不再是企业生成式AI成功的唯一要素。企业在 选择模型 时要 考虑性能、专项能力、稳定性、成本和安全性 等多重因素。
生成式AI时代的黎明已经来临。随着各家模型的你追我赶，不会有一个模型一统天下；而不同的模型擅长的场景不同，各有优势效果，同时多模型策略成为很多企业的选择。
为了帮助企业更好利用生成式AI，亚马逊云科技于2023年推出了 Amazon Bedrock 服务，为企业提供广泛的模型选择，支持一致的API使用体验。
Amazon Bedrock囊括了市面上领先的基础模型，包括AI21 Labs的Jurassic-2、Cohere的Command系列及Embed、Stability AI的Stable Diffusion XL 1.0、亚马逊云科技自研的Amazon Titan等，都可以在Amazon Bedrock上获取。
同时Amazon Bedrock还最新上线了Anthropic的Claude 3和Claude Instant、Meta的Llama 3、Mistral AI的Mixtral 8x7b和Mistral Large等最前沿的模型。
在模型选择和评估、数据增强模型能力、Agents创建、保护企业私有数据等方面，Amazon Bedrock都提供强力支持。
储瑞松宣布，发布短短一年，Amazon Bedrock已被全球超 1万 客户使用。
除了Amazon Bedrock，亚马逊云科技还打造了一整套 生成式AI技术栈 ，包括一系列基础大模型训练和推理的基础设施、构建生成式AI应用的框架模型和工具、开箱即用的通用生成式AI应用。
在会上的圆桌论坛环节，包括涂鸦智能、礼来中国、Morph、百川智能、智谱AI、德勤中国等多位企业伙伴分享了与亚马逊云科技在生成式AI领域的合作经验。
二、启动四大合作伙伴计划，与月之暗面、智谱AI等共创生成式AI
今日，亚马逊云科技发布了多项新的业务举措。首先，亚马逊云科技与Minimax、百川智能、月之暗面、智谱AI、零一万物等16家伙伴共同启动 生成式AI合作伙伴计划 。
同时，亚马逊云科技还与众多伙伴一起宣布启动 智能家居及智能产品创新加速计划、亚马逊云科技行业合作伙伴计划和亚马逊云科技安全合作伙伴计划 。
储瑞松谈道，亚马逊云科技从三个方面践行“客户至尚”理念，包括：加速数字化转型与创新，安全、稳定、可信赖，以及深耕本地、链接全球。
1、启动亚马逊云科技行业合作伙伴计划，加速数字化转型与创新
在加速数字化转型与创新方面，亚马逊云科技加速推动生成式AI的行业化，聚焦 行业理解 、 行业方案 和 行业生态 三个方面，在汽车、制造、游戏、生命科学、零售电商、媒体娱乐等多个方面取得进展。
具体到行业，在汽车行业，亚马逊云科技在会上宣布 与四维图新达成合作 ，同时 路特斯 作为代表伙伴分享了与亚马逊云科技的合作经历。亚马逊云科技在自动驾驶、智能座舱、数字化用户体验、软件定义汽车等多方面提供服务，生成式AI也为这几个方面带来了更多新可能。
在制造业，亚马逊云科技宣布进一步推出 智能家居及智能产品创新加速计划 ，推动更多制造业伙伴落地生成式AI技术。亚马逊云科技在工程和设计、智能制造、智能产品与服务、客户体验等方面都引入了生成式AI，为制造业转型提供强大助力。比如家电龙头 海尔 就应用了某合作伙伴与亚马逊云科技联合开发的开箱即用的生成式AI模块，大幅提升设计效率。
在游戏领域，亚马逊云科技助力游戏企业在研发、运维和发行三个阶段多场景下实现大幅降本增效并实现增长，生成式AI将为游戏行业实现更高效地研发、更智能地运维、更快更好地发行推广。知名游戏公司 Source Technology 现场讲解了与亚马逊云科技合作将生成式AI落地游戏开发的案例。
面向行业生态，亚马逊云科技还宣布联合伙伴共同启动 亚马逊云科技行业合作伙伴计划 。
2、启动亚马逊云科技安全合作伙伴计划，保障安全稳定可信赖
安全是亚马逊云科技的最高优先级。从底层基础设施设计、所有云服务设计实现安全可信赖，通过 300多项 安全合规服务功能提供全方位的安全保护。
vivo首席安全官鲁京辉分享了亚马逊云科技如何助力打造安全可靠的AI世界，面对生成式AI体验伴生的数据风险、用户风险、合规风险及价值风险，vivo通过采用亚马逊云科技全球基础设施，直接集成140+项安全合规认证；使用亚马逊云科技多种安全服务构建云上数据安全；并进行了敏感数据保护、跨境合规和云上安全等安全合规专项提升。
会上，亚马逊云科技宣布与亚信安全、奇安信、安恒信息等14家伙伴共同启动 亚马逊云科技安全合作伙伴计划 。
3、深耕本地、链接全球，已服务近80%中国出海企业
亚马逊云科技聚焦助力本土企业及跨国企业在中国转型创新，具有全球领先的技术、规模及持续创新能力，在懂行业的基础上助力企业数字化转型及生成式AI创新，并构建了本地云服务、合作伙伴和专业赋能团队，同时保持高可用、安全和可信赖。
同时，亚马逊云科技助力中国企业的全球化，提供广泛而深入的云和AI服务、覆盖全球的基础设施、引领行业的安全合规能力与实践、成熟和丰富的客户实践、完善的全球合作伙伴解决方案、亚马逊全球业务体系等。如今，亚马逊云科技已经服务了近的中国出海企业。
三、重点展品：大模型接入自动驾驶，AI视频生成与编辑案例亮了
在峰会的展区，亚马逊云科技展示了其技术及服务赋能汽车、零售与电商、游戏、金融、医疗与生命科学、泛娱乐与广告、制造等多个行业的场景解决方案。
在车载场景 ，亚马逊云科技展出了 多模态自动驾驶场景检索解决方案 。根据该方案，客户可以首先构建自动驾驶的数据湖，将传感器数据和视频数据保存在云端进行管理，然后借助大语言模型多模态的能力，快速地从PB级的视频和图片中，搜索所需的业务场景数据，比如车祸、起火等。
这些数据将提供给算法工程师训练和优化算法，帮助汽车行业企业，并降低搜索成本，提升自动驾驶模型训练的效率，缩短模型迭代周期。
视频生成 技术是今年产业最受关注的一个领域，在这一场景，亚马逊云科技与国内领先的AI视频生成公司展开了广泛合作，Morph基于亚马逊云技术打造了 Al视频生成平台Morph Studio ， 集成了视频生成、剪辑和后期等全流程功能；Morph Studio融合了直观的剧本编写、逼真的A配音、动态动画和先进的编辑工具，供用户低门槛地进行AI辅助的营销、教育或娱乐领域的视频创作。
亚马逊云科技和Morph认为，要实现大规模生产需要利用工作流来完成。Morph开发了视频生成工作流产品，通过类似蓝图的方式，将复杂的视频生成过程通过连线组合起来，以适应实际场景需求。
目前，主流媒体公司、互联网媒体公司、网文网剧企业有大量的视频编辑和二次创作需求。对此，亚马逊云科技展出了 基于视频理解的智能视频剪辑解决方案 ，该方案利用Amazon Bedrock上的Claude 3多模态模型对视频进行深度多维度的理解，支持用户进行多种视频编辑工作，包括剪切、预告片制作、配音以及换脸等特效变换，从而帮助客户减少视频编辑和创作所需的时间和人力成本。
在医疗与生命科学场景 ，亚马逊云科技展出了 赋能SimNow达芬奇手术模拟器案例 。亚马逊云科技与直观复星合作，基于Amazon SageMaker等创新服务，打造了一款达芬奇手术模拟器。
该模拟器能够根据医生的实际水平，量身定制个性化的训练程序，提供更加精准的指导和反馈。医生可以在虚拟环境中反复练习，不断优化手术流程，从而显著提高手术熟练度。同时，该系统还支持医生之间的经验分享和协作训练，进一步增强了培训的灵活性和实效性。
在游戏场景， 亚马逊云科技助力《猛兽派对》（Party Animals）实现全托管游戏后端案例 展出。《猛兽派对》是一款全球发售，且玩家数量已经超过百万的游戏，一大特点是玩家需要操作动物角色“贴身肉搏”，这一设定对延迟高度敏感；同时游戏中的很多动物角色拥有标志性的蓬松毛发，角色互动会有高度拟真的效果，对材质的物理运算及所需算力提出了极高的要求。
为此，《猛兽派对》使用了亚马逊云科技的游戏后端服务托管解决方案，利用Amazon Gamelift来托管游戏服务器以区分服务器的游戏后端来构建游戏会话（Game Session）、管理玩家会话、简化游戏运维，充分利用全球化的覆盖范围为玩家带来低延迟的游戏体验、同时使用弹性资源来优化游戏后端服务的整体成本。
结语：亚马逊云科技中国新十年，乘风AI推动本土化创新
回顾过去十年，亚马逊云科技在中国深耕云计算与行业数字化转型赋能，正如储瑞松所说，云正在颠覆IT行业的规则，要不要上云的讨论已成为历史，大中华区的稳定增长为亚马逊云科技千亿美元的年化收入做出重要贡献。
当下，生成式AI时代的黎明已经来临，亚马逊云科技正加紧布局技术与产品，推出的Amazon Bedrock的客户已超1万，并打造了一整套生成式AI技术栈。与此同时，其还推动生成式AI在医疗、金融、制造、文娱等行业的潜在应用，助企业提高生产力和创新能力。
下一个十年，作为全球云计算的开创者和引领者，亚马逊云科技还将继续利用创新精神，持续赋能中国企业加速数字化转型与创新，提供安全、稳定、可信赖的产品及解决方案，深耕本地、链接全球，与中国共创可持续的数字未来。
大模型画的饼，自动驾驶能消化么？
如果要评选2023年最大的风口，AI大模型一定位列其中。
风起自ChatGPT的现象级爆火，英伟达创始人黄仁勋激动地喊出了“AI的iPhone时刻正在到来“。
整个科技圈似乎达成了一种共识：所有产品都值得用大模型重做一遍，当然也包括正处于寒冬之中的自动驾驶。
然后，几乎是一夜之间，整个汽车圈都是GPT上车的消息，长安、集度、吉利、岚图、红旗、长城、东风日产、零跑等搭上了网络的文心一言。
“蔚、小、理“先后申请了GPT的相关商标。其中，理想自研的Mind GPT已经正式发布。另外，毫末智行也在不久前发布了自动驾驶生成式大模型drive GPT。
可以说AI大模型的火热，给正在冷却中的自动驾驶又画了一张新的大饼。
有人表示从中看到了自动驾驶的未来。比如集度汽车创始人夏一平，小鹏汽车董事长何小鹏等，当然也有很多人觉得，GPT上车目前就是个PR行为。
所以，今天来尝试探讨一个问题，大模型之于自动驾驶，到底有什么作用？它能给这个已经烧掉无数金钱但依然成效寥寥的赛道，带来一个相对确定的未来么？
NO.1 [不可解释的“涌现”和自动驾驶的困境]
先明确一个定义，大模型是指具有超大参数规模（通常在十亿个以上）和复杂程度的机器学习模型。通常来说，参数量越大，模型就越容易拟合海量数据的规律。
而ChatGPT的出现，让人们有一个非常惊喜的发现。那就是当模型参数量达到了一定程度，超过某个临界值之后，它的性能会大大超越预期。
很多科学家惊叹于这一现象，并将其称之为“涌现“。但遗憾的是到目前为止还没有一套系统、公认的理论来解释为什么会出现这个现象。
所以我们姑且相对简单地把这种“涌现“理解为一个从量变到质变的过程。在跨过临界点之后，模型精度呈指数型增加，甚至产生了类似于人类的逻辑思考能力。
而这种能力很可能是自动驾驶算法攻克最后1％长尾场景的关键所在。在数据标注、虚拟仿真环境以及决策规划上，大模型都有可能改变甚至重写过去的算法。
举个例子，低频率但又几乎不可穷尽的Corner Case，正是从高阶辅助驾驶迈向自动驾驶最大的一块绊脚石。
而Corner Case的出现带有极强的不可预知性，毫末智行数据智能科学家贺翔举了一个例子，一辆卡车转运一颗大树，算法看到的可能只有车，而没有伸出车外的树枝。
类似的状况有很多，比如说很特别的大件运输车辆，甚至是违规拉着很长一根管子的三轮车。
面对这些场景，算法只识别的车辆是不够的，但按照现在基于标签的方式来挖掘长尾场景，只能给系统看大量的标注图片，教它学会识别。
不过问题在于，这些车辆出现的频率太低，数据采集的难度大、成本高、周期长，真正碰到这种场景的概率又小，成本上是算不过来的。
但AI大模型具备举一反三的能力，我们可以通过文字的描述来使其检索并对图像进行分类，检索甚至是自主创造我们需要的长尾场景，例如拖着大树的卡车，拉着长水管的三轮车等。
除此之外，大模型也可以更好的从数据中提取特征，进行数据标注。
比如，先用海量未标注数据通过自监督的方式预训练一个大模型，然后用少量已经人工标注好的数据对模型做微调，使得模型具备检测能力，这样模型就可以自动标注需要的数据。
目前，很多公司都在研究如何提高大模型自动标注的精度，希望实现自动标注的完全无人化。
在Mind GPT发布之后，理想汽车董事长李想就表示：“我们一年要做大概1000万帧的自动驾驶图像的人工标定，外包公司价格大概6元到8元钱一张，一年成本接近一亿元。当我们使用大模型，通过训练的方式进行自动化标定，过去需要用一年做的事情基本上3个小时就能完成，效率是人的1000倍。”
总之，自动驾驶的感知也好，规划决策也好，目前基本上是基于经验和规则的，缺少场景泛化的能力。
但就像夏一平所言，大模型解决的正是泛化的问题，是举一反三的问题，这可能让自动驾驶在未来3-5年内又重大的突破。
因为从根本上来说，生成式AI在语言模型上的应用思路是可以平移到自动驾驶上的。
虽然计算机不懂自然语言，但它通过数学建模，把语言问题变成了数学问题。通过给定文本的历史，预测下一个词出现的概率，间接地理解了自然语言。
换到驾驶场景，如果给定当前的交通环境，给定一个导航地图，以及一个驾驶员驾驶行为的历史，那么，大模型是不是可以预测下一个驾驶动作？
理论上，这是可行的。地平线的创始人余凯认为以AI现在所展现的学习能力，学习司机的驾驶习惯并不难。
“接下来要继续用更大的数据、更大的模型，无监督地去学习人类驾驶的尝试，就像我们从大量无监督的、没有标注的自然文本里去学习一样，构建一个回归自动驾驶的大语言模型。”
NO.2 [吃饼还需算力硬]
大模型为自动驾驶画出来的这张饼，很诱人。但能不能消化其实是另外一回事儿。
“现在说GPT上车都是噱头，车端还没有运转大模型的硬件条件。”贺翔说道。
理论上，大模型需要高规格的硬件配置，包含高性能计算能力、大容量内存和低时延等特点，但车载设备的硬件条件相对有限，无法提供足够的计算资源支撑大模型运行。
举个例子，在自然语言处理领域的 GPT-3 模型就需要数万亿Tops的计算能力。这要求芯片的算力至少要在万级Tops以上才能够胜任大型模型的计算任务。
但是，在车载部署场景下，芯片的算力往往只有数百Tops，远远达不到大型模型的要求。
所以，目前自动驾驶大模型也只能暂时运转在云端，例如毫末智行的Drive GPT。
但即便如此，它依然可以对车端产生影响。 比如通过用知识蒸馏的方式“教”车端的小模型。
最简单的方式就是把需要打标签的图片给大模型学习，大模型可以给这些图片打好标签，标注好的图片就可以用于小模型的训练。
所以，大模型对算力的消耗让云计算厂商成为了第一批被风吹起来的玩家。
2023年以来 阿里、美团、腾讯等互联网大厂也都纷纷收缩或者调整了自动驾驶相关的投入，将更多的精力放到了云计算和AI大模型上。
而主机厂这边，自建超算中心也逐渐成为了基本操作。
当然如果大模型只能运转在云端，它对于自动驾驶的影响会小很多。因为从云端到车端，哪怕只是一点点的时延也可能会在公路上造成悲剧。
所以目前地平线、英伟达等芯片企业都在积极研发适应大模型上车需求的新一代高算力AI芯片。
地平线CTO黄畅认为，按照发展进程来看，在自动驾驶场景中，大模型在车端会优先从环境模型的预测和交互式规控和规划开始应用。
“这个场景不需要特别的大规模参数模型，在百Tops级别的算力平台上就能应用， 3~5年内就可以初步上线。”
“但如果从感知到定位地图到规控，整个端到端的闭环做出来，则需要一个更大规模的参数模型，大概需要5~10年的时间。”黄畅补充到。
NO.3 [写在最后]
严格来说，一夜火遍全球的ChatGPT只是AI大模型中的一种。自动驾驶行业对于大模型的运用比ChatGPT的爆火要早很多。
2017年，马斯克从Open AI挖来了了一位计算机视觉领域的顶级研究院Andrej Karpathy。
他在特斯拉工作了五年，最高做到了AI高级总监兼自动驾驶负责人，而这五年也被绝大多数人认为是特斯拉自动驾驶成长最快的五年。
入职后不久，Andrej Karpathy就重写了特斯拉自动驾驶算法，以BEV纯视觉感知+Transformer为基础，将特斯拉的智能驾驶带入了新的阶段。
当下小鹏、华为、毫末智行、理想等企业正在纷纷跟进这一路线。
而所谓Transformer是一种由谷歌8为AI科学家提出的一种深度学习神经网络，GPT中的T正是指代Transformer。
Open AI将Transformer运用于自然语义理解，诞生了ChatGPT；特斯拉将其应用于计算机视觉，成功开创了BEV技术，让纯视觉感知成为了潮流。
接下来，Transformer还将被自动驾驶玩家们逐步运用到决策规划等各个环节，改变现有模块化的部署方式，迈向端到端的自动驾驶。
我们现在还无法预知这一切会擦出怎么样的火花，但可以肯定大模型在智能驾驶上还未达到自然语义一般“涌现”的程度。
但至少，改变已经在发生，也许这一次自动驾驶这条路也许就真的通了呢？
吉利星睿智算中心正式上线 提升吉利整体研发效率20%
易车讯 日前，我们从官方渠道获悉，“智能吉利2025战略”全新落地的数字新基建，全球车企首个“云、数、智”一体化超级云计算平台，吉利星睿智算中心正式上线。随着吉利星睿智算中心的上线，可以提升吉利整体研发效率20%，并为用户打造“更安全，更智能、更好用”的智能电动车。
据了解，吉利星睿智算中心拥有10余项行业领先的技术，是国内车企中自建设备规模最大、综合算力领先、业务覆盖领域最全面、智能化支撑能力最强、高安全级别的智算中心。
覆盖包括智能网联、智能驾驶、新能源安全、试制实验等业务领域，能提升吉利整体研发效率20%。星睿智算中心是吉利造车的“超级大脑”，它的正式上线运营标志吉利迈入了造车的“智算时代”，实现了在智算上领先行业3年的代际优势。
云端总算力达81亿亿次每秒
不同于通用型计算，智能计算需要海量数据对AI模型进行训练，数据规模是决定智算中心效率的关键。吉利星睿智算中心坐落于浙江湖州的吉利长兴数据中心，是目前国内车企自建规模最大的智算中心。
截至目前已接入智能驾驶和车联网实验数据近百PB，在线车辆的并发计算支持达百万辆，日均数据增量超过100TB。预计到2025年，可支撑的在线车辆并发数将达到目前的3倍以上，可满足350万在线车辆的并发计算需求，数据存储规模将达EB级别。
吉利星睿智算中心目前拥有超算服务器1000多台，云端总算力达81亿亿次每秒，预计到2025年，算力规模将扩充到120亿亿次每秒，计算能力达到EFLOPS级别。此外，吉利星睿智算中心通信网络传输速度达800GB每秒，存储带宽4.5TB每秒，是业界普遍采用的以太网的400倍。
在技术业务覆盖领域方面，吉利星睿智算中心更有不可比拟的优势。与业内单一技术场景的数据中心平台不同，吉利星睿智算中心集智能驾驶业务、智能网联、电池云端BMS、新能源汽车安全服务等功能于一体，技术业务覆盖领域全行业最广，可为汽车生态链全环节提供研发和运营支撑。
值得一提的是，在用户最在意的隐私安全方面，吉利星睿智算中心也做到了极致保护，创新采用8层安全网络隔离架构，架构设备满足国际A级标准、T3标准，硬件安全优于国际A级标准。
10余项行业领先技术
规模、算力、多领域覆盖、安全等级连创新高的背后，吉利星睿智算中心也突破式地创下了包括“中国汽车行业首个百亿参数大模型、首个高速云计算网络，及业界首创的行业研发工具链、数据归集算法、云边协同计算模式”等10余项行业领先的首发技术。
其中，业内首个知识增强的汽车行业大模型——生成式AI语言模型基于超大规模神经网络打造，已初步完成汽车行业知识训练，具备基于知识图谱的自学习和自进化能力，汽车“秒懂秒回应”指日可待。
中国汽车行业首个高速云计算网络的应用，则让吉利星睿智算中心实现了无单点、无阻塞的数据传输，带动AI大模型训练速度提升200倍。
在保障研产各环节标准化产出、提升汽车安全性方面，吉利星睿智算中心首创的智能驾驶研发平台、大数据研发平台等一系列行业研发工具链发挥了重要效能。叠加其首创的数据归集算法，一个从业务平台、数据平台，到算法平台、终端业务的全流程研发数据闭环应运而生。
据悉，目前基于大数据研发工具链建设的吉利综合数据湖已创建完成，涉及超10万项标准数据指标、近3万个核心数据对象。已完成对首批上百个数据应用的支撑保障，涉及车辆健康、车辆故障图谱、智能油耗/能耗、智能充电、智能空调、汽车金融等。
此外，依托云边协同计算模式，汽车产品设计制造过程中高度繁复的试验试制环节也得到极大简化。目前，吉利星睿智算中心单次试验数据计算时间最短可以在1秒内完成，单轮试验效率提升600倍。
与此同时，吉利还携手阿里云，基于阿里云大数据、AI等能力为智算中心提供了定制化的阿里云技术方案，凭借阿里云在计算、存储、网络、安全合规方面的技术沉淀，提高智算中心的算力使用效率，降低算力成本，全面提升汽车了智能化服务和人机交互体验。
提升吉利整体研发效率20%
吉利星睿智算中心的上线，带来了吉利全生态体系算力的指数级提升，而直接的效果就是研发效率、资源利用率的提升。据悉，吉利星睿智算中心让吉利整体研发效率提升20%。
单智能驾驶领域，基于吉利星睿智算中心强劲的云端算力，吉利智驾模型训练速度就提升200多倍，1000个智驾模型的研发训练只需要8个小时。
对用户而言，吉利星睿智算中心的上线，则意味着更极致的智能化用车体验。以新能源用户普遍关注的智能驾驶为例，依托海量数据与极致算力，吉利星睿智算中心可以构建起更多逼真的仿真场景库、更多系统的智能驾驶模型，反复开展智能驾驶车辆在各类复杂场景下的高效仿真测试。
这不仅能够大幅缩短智能驾驶技术的落地周期，让梦想加速照进现实，更能带来智能驾驶在功能安全性、体验智能性上的全面提升。
智能座舱方面，依托吉利星睿智算中心强大的云端算力、效率与安全，吉利研发了行业首个G-Cloud云应用架构，可以将3A级游戏大作、3D导航，流媒体视频等内容生态带给用户，无需下载即点即用。为每一位用户提供不设限的云算力、云储存，支持快速OTA，让车机不卡顿、智能全链接、无限快进化。
困扰电动车主已久的电池安全与续航问题同样可以依靠吉利星睿智算中心云监测得到提升完善。强大的电池云端BMS，可谓电池能量的“幕后管家”，可以基于大数据对电池进行AI数据建模和深度学习，并根据用户驾驶习惯、实际路况智能调整能量管理策略，不仅能实现云端电池大数据实时监控，对故障进行预警，还能实现全生命周期OTA升级，让每一辆吉利智能电动车全生命周期更安全，续航能力更持久。
技作为吉利造车数字新基建，吉利星睿智算中心的正式上线，不仅提升了吉利自研技术硬实力和效能，也极大提升了智能座舱、智能驾驶和车辆安全等用户体验的智能化和更高安全性。
吉利星睿智算中心构建全栈自研科技生态，不仅让吉利在智算上拥有了领先行业3年的代际优势，更让吉利能为用户提供更安全的智能驾驶、更智能的座舱体验、更完善的电池云监控，还能让每一辆吉利智能电动车接入卫星互联，成为链接万物的“超级智能终端”。
易车超级评测体系重磅上线！专业、硬核、全面的汽车评测内容云集，易车年度车型榜单新鲜出炉！上易车App搜索“超级评测”，等你来看！
2021那些事儿｜细数信息技术4大领域
2021年，信息技术发展突飞猛进。 人工智能、大数据、开源、虚拟现实（VR）、增强现实（AR）……每个领域的发展几乎都可圈可点。 在人工智能领域，人工智能的语言大模型、图文大模型乃至多模态大模型的基本能力已得到了充分展现。 例如，阿里巴巴达摩院公布多模态大模型M6最新进展，参数从万亿跃迁至10万亿；鹏城实验室与网络联合发布全球首个知识增强千亿大模型——鹏城—网络·文心，参数规模达到2600亿。 不仅如此，人工智能与其他科学领域的交叉融合也擦出火花。 在《科学》近日公布的2021年度科学突破榜单上，AlphaFold和RoseTTA-fold两种基于人工智能预测蛋白质结构的技术位列榜首。 在人机交互领域，扎克伯格将Facebook公司更名为“Meta”时，特斯拉和SpaceX首席执行官埃隆·马斯克则将注意力放在脑机接口上。 马斯克认为脑机接口装置将更有可能改变世界，帮助四肢瘫痪或有身体缺陷的人更好地生活和工作，“复杂的脑机接口装置可以让你完全沉浸在虚拟现实中”。 此外，今年5月，斯坦福大学开发出一套皮质内脑机接口系统，可以从运动皮层的神经活动中解码瘫痪患者想象中的手写动作，并将其转换为文本。 在超算领域，最值得一提的是，今年11月，我国超算应用团队凭借“超大规模量子随机电路实时模拟”成果斩获国际高性能计算应用领域的最高奖项“戈登贝尔奖”。 在开源方面，RISC-V开源指令集及其生态快速崛起；由华为公司牵头，中国科学院软件研究所、麒麟软件等参与的openEuler操作系统开源社区业已汇聚了7000名活跃开发者，完成8000多个自主维护的开源软件包，催生了10多家厂商的商业发行版……回望2021年，信息技术版邀请业内专家梳理上述四个领域的发展脉络，展望未来发展趋势。 作者 张双虎AlphaFold或是2021年人工智能（AI）领域的“一哥”。 近日，《科学》杂志公布了 2021 年度科学突破榜单，AlphaFold 和 RoseTTA-fold 两种基于人工智能预测蛋白质结构的技术位列榜首。 此前几天，由中国工程院院刊评选的“2021全球十大工程成就（近5年全球实践验证有效、有全球影响力的工程科学和技术重大成果）”中，AlphaGo和AlphaFold亦榜上有名。 在接受《中国科学报》采访时，数位专家回望今年人工智能领域取得的成就时，均谈到了AlphaFold。 “面向科学发现的AlphaFold和中国正在构建的人工智能发展生态不能不说。 ” 浙江大学人工智能研究所所长吴飞对《中国科学报》说。 中科院自动化研究所模式识别国家重点实验室研究员王金桥则提名“用AI进行新冠诊断”“人工智能与生物、制药、材料等科学融合（AI for Science）”和“三模态大模型紫东太初”。 在医学领域，AI识别咳嗽声早已用于肺炎、哮喘、阿尔茨海默氏症等疾病检测。 美国麻省理工学院研究人员研发出可以通过分析咳嗽录音识别新冠患者的AI模型，识别出新冠患者咳嗽的准确率为98.5％，其中识别无症状感染者的准确度高达100％。 日前，有报道称该模型已用于识别奥密克戎病毒。 “紫东太初首次实现了图—文—音语义统一表达，兼具跨模态理解和生成能力。 ” 王金桥说，“目前与新华社共同发布的‘全媒体多模态大模型研发计划’，实现对全媒体数据理解与生成的统一建模，打造全栈国产化媒体人工智能平台，已 探索 性地应用于纺织业和 汽车 行业质检等场景。 ”12月7日， 科技 部官网公布3份函件，支持哈尔滨、沈阳、郑州3地建设国家新一代人工智能创新发展试验区。 至此，我国已经有18个国家新一代人工智能创新发展试验区，这将引领带动中国人工智能创新发展。 “我国正在推动人工智能生态发展，构建良好生态。 ”吴飞说，“目前已有15个国家新一代人工智能开发创新平台、18个国家新一代人工智能创新发展试验区、8个人工智能创新应用先导区和高等学校设置的人工智能本科专业和交叉学科等人才培养载体。 ”“一是大模型，二是人工智能和基础学科的结合。 ”孙茂松对《中国科学报》说，“语言大模型、图文大模型乃至多模态大模型的基本能力已得到了充分展现，确定了它作为智能信息处理基础软设施的地位。 同时，它并非简单地扩大规模，而是对数字资源整合能力和计算能力都提出了挑战。 虽然它的局限性也很明显，但它所表现出的某些‘奇特’性质（如少样本学习、深度双下降、基于提示的任务调整等），使学者产生了超大参数规模或会引发质变的期待，从而为新的突破埋下了伏笔。 ”今年，人工智能领域从“大炼模型”走向“炼大模型”阶段，从千亿量级到万亿量级，在大模型领域，似乎没有最大，只有更大。 3月，北京智源人工智能研究院发布我国首个超大规模人工智能模型“悟道1.0”。 6月，智源就改写了自己的纪录，发布悟道2.0，参数规模达到1.75万亿；9月,浪潮人工智能研究院推出了中文巨量语言模型——源 1.0，参数量达2457亿；11 月，阿里巴巴达摩院公布多模态大模型 M6 最新进展，参数从万亿跃迁至 10 万亿；12月，鹏城实验室与网络联合发布全球首个知识增强千亿大模型——鹏城—网络·文心，参数规模达到2600亿。 与此相应，最近快手和苏黎世联邦理工学院提出了一个新的推荐系统Persia，最高支持100万亿级参数的模型训练。 另一方面，人工智能在基础学科领域不断攻城略地。 7月，DeepMind公司人工智能程序Alphafold2研究成果又登顶《自然》，在结构生物学研究领域，人工智能或带领生物学、医学和药学挺进新天地；11月，美国南加利福尼亚大学研究人员通过脑机连接设备，让猴子玩 游戏 和跑步机，从而进行神经活动数据研究；12月，DeepMind开发的机器学习框架，已帮助人们发现了纯数学领域的两个新猜想，展示了机器学习支持数学研究的潜力。 “今年人工智能在各行业应用方面也取得不小的成绩。 ”孙茂松说，“人工智能与基础学科结合已显示出巨大潜力，发表了多篇顶级论文，已展露出某种较强的趋势性，即‘人工智能+基础科学’大有可为。 ”作者 张双虎脑机接口、AR眼镜、智能语音、肌电手环、隔空手势识别……2021年，从基础研究到应用落地，人机交互领域风起云涌。 不管是智能 健康 、元宇宙，还是自动驾驶领域的蓬勃发展，似乎都表明，人机交互正站在产业化落地的门口。 “我们研发的高通量超柔性神经电极已通过科研临床伦理审批，即将开展脑机接口人体临床试验。 ”中科院上海微系统所副所长、传感技术联合国家重点实验室副主任陶虎对《中国科学报》说，“安全稳定地大规模采集人体大脑的神经元信号并进行闭环调控，将实现病人感知和运动功能的修复。 ”脑机接口技术给患者带来越来越多的便利。 今年5月，斯坦福大学研究人员在《自然》发表封面论文，开发出一套皮质内脑机接口系统，可以从运动皮层的神经活动中解码瘫痪患者想象中的手写动作，并将其转换为文本。 借助该系统，受试者（因脊髓损失瘫痪）每分钟可以打出近百个字符，且自动更正后的离线准确率超过了 99%。 不久前，马斯克表示，希望明年能在人类身上使用Neuralink 的微芯片装置。 该芯片将用于治疗脊髓损伤、帕金森氏症等脑部疾病和神经系统疾病。 目前，相关技术正在等待美国食品药品监督管理局的批准。 “脑机接口领域已经蓄积了相当的技术，有望成为解决大脑疾病的利器。 ”陶虎说，“大家都在抢占临床应用的先机，明年可能会实现技术落地应用。 预计两三年内，国内会出现可媲美马斯克Neuralink的独角兽企业。 ”“人机交互将引申出新的万亿级市场。 ”福州大学特聘教授严群这句判断，也囊括了元宇宙这个巨大的市场。 有人称2021年是“元宇宙元年”，也有人认为这不过是“旧瓶装新酒”。 但无论如何，元宇宙已是今年人机交互领域绕不开的话题。 “元宇宙是虚拟现实、增强现实和混合现实的综合，它实际上并非新的东西。 ”北京邮电大学人机交互与认知工程实验室主任刘伟告诉《中国科学报》，“元宇宙是现实世界和虚拟世界跨越未来的发展方向，但还有些技术问题未能很好地解决。 ”在真实世界里，人机交互问题和人机环境系统的混合问题未能很好地解决。 真实世界的人机交互中，不管是输入、处理还是输出过程中，客观数据、主观信息和知识依然不能完美融合。 刘伟认为，无论真实世界还是虚拟世界，人类和机器决策都有“快决策”和“慢决策”过程。 人类决策有时依靠逻辑决策多些，有时直觉决策多些，这种“混合决策”不断变换，而且很难找到变化规律。 这方面的问题机器决策目前还未能解决。 “元宇宙还处在画饼的前期阶段。 ”刘伟说，“因为它的底层机理没有解决——人在真实世界里未能完美解决人机交互的问题，带到元宇宙里同样不能解决。 ”谈到人机交互，刘伟认为第二个不能不说的问题是“复杂领域”。 “今年的诺贝尔物理学奖，也给了复杂系统预测气候变化模型的提出者。 ”刘伟说，“人机交互也是一个复杂系统，它既包括重复的问题，还包括杂乱的、跨域协同的问题。 ”刘伟认为，从智能的角度说，复杂系统包括三个重要组成部分，一是人，二是装备（人造物），三是环境。 这其实是多个事物之间相互作用，交织在一起、既纠缠又重叠的“人机环系统”问题。 “在人机交互中，机器强在处理‘复’的问题，人擅长管‘杂’的事——跨域协同、事物间平衡等。 因为人们还没找到复杂事物的简单运行规律，所以解决所有智能产品、智能系统问题，要从人、机、环这个系统里找它们的结合、融合和交互点。 而且，人要在这个系统中处于主导地位。 ”人机交互领域引起刘伟重视的第三个现象，是“人工智能帮数学家发现了一些定律”。 “最近，DeepMind研发了一个机器学习框架，能帮助数学家发现新的猜想和定理。 ”刘伟说，“人工智能是一个基本的数学工具，同时，数学又反映了一些基本规律。 如果人工智能可以帮助数学家处理一些数学问题，那么，人们将更好地认识复杂系统的简单规律，人机交互方面就可能会取得新突破。 ”作者 张云泉（中国科学院计算技术研究所研究员） 今年是我国超算应用实现丰收的一年。 11月中旬在美国举行的全球超算大会（SC21）上，中国超算应用团队凭借基于一台神威新系统对量子电路开创性的模拟（“超大规模量子随机电路实时模拟”），一举摘得国际上高性能计算应用领域的最高学术奖——“戈登贝尔奖”。 同时，在SC 21大学生超算竞赛总决赛上，清华大学超算团队再次夺得总冠军，实现SC竞赛四连冠。 这些大规模应用软件可扩展性和性能调优方面的成绩表明，我国在并行软件方面的发展方兴未艾。 回到超算对产业的驱动来看，我们要重提“算力经济”一词。 早在2018年，我们提出“算力经济”概念，认为以超级计算为核心的算力经济将成为衡量一个地方数字经济发展程度的代表性指标和新旧动能转换的主要手段。 综合近几年的发展趋势，我们认为高性能计算当前发展趋势已充分表明，随着超算与云计算、大数据、AI的融合创新，算力已成为当前整个数字信息 社会 发展的关键，算力经济已经登上 历史 舞台。 通过对2021年中国高性能计算机发展现状综合分析，可以总结出当前高性能计算正呈现出以下几个特点。 首先，高性能计算与云计算已经深度结合。 高性能计算通常是以MPI、高效通信、异构计算等技术为主，偏向独占式运行，而云计算有弹性部署能力与容错能力，支持虚拟化、资源统一调度和弹性系统配置。 随着技术发展，超级计算与容器云正融合创新，高性能云成为新的产品服务，AWS、阿里云、腾讯、网络以及商业化超算的代表“北龙超云”，都已基于超级计算与云计算技术推出了高性能云服务和产品。 其次，超算应用从过去的高精尖向更广、更宽的方向发展。 随着超级计算机的发展，尤其是使用成本的不断下降，其应用领域也从具有国家战略意义的精密研制、信息安全、石油勘探、航空航天和“高冷”的科学计算领域向更广泛的国民经济主战场快速扩张，比如制药、基因测序、动漫渲染、数字电影、数据挖掘、金融分析及互联网服务等，可以说已经深入到国民经济的各行各业。 从近年中国高性能计算百强排行榜（HPC TOP100）来看，超算系统过去主要集中于科学计算、政府、能源、电力、气象等领域，而近5年互联网公司部署的超算系统占据了相当大比例，主要应用为云计算、机器学习、人工智能、大数据分析以及短视频等。 这些领域对于计算需求的急剧上升表明，超算正与互联网技术进行融合。 从HPC TOP100榜单的Linpack性能份额看，算力服务以46%的比例占据第一；超算中心占24%，排名第二；人工智能、云计算和短视频分别以9%、5%和4%紧随其后。 可以看出，人工智能占比的持续增加与机器学习等算法和应用的快速崛起，以及大数据中的深度学习算法的广泛应用有很大关系。 互联网公司通过深度学习算法重新发现了超级计算机，特别是GPU加速的异构超级计算机的价值，纷纷投入巨资建设新系统。 综合来看，目前的算力服务、超算中心、人工智能、科学计算等领域是高性能计算的主要用户，互联网、大数据，特别是AI领域增长强劲。 再次，国家层面已经制订了战略性的算力布局计划。 今年5月，国家发展改革委等四部门联合发布《全国一体化大数据中心协同创新体系算力枢纽实施方案》，提出在京津冀、长三角、粤港澳大湾区、成渝以及贵州、内蒙古、甘肃、宁夏建设全国算力网络国家枢纽节点，启动实施“东数西算”工程，力促把东部的数据送到西部进行存储和计算，同时在西部建立算力节点，改善数字基础设施不平衡的布局，有效优化数据中心的布局结构，实现算力升级，构建国家算力网络体系。 最后，人工智能的算力需求已成为算力发展主要动力。 机器学习、深度学习等算法革新和通过物联网、传感器、智能手机、智能设备、互联网技术搜集的大数据，以及由超级计算机、云计算等组成的超级算力，被公认为是人工智能时代的“三驾马车”，共同掀起最新一轮的人工智能革命。 在人工智能蓬勃发展这一背景下，虚拟化云计算向高性能容器云计算演进，大数据与并行计算、机器学习融合创新就成为了产业发展的最新方向。 此外，在智能计算评测方面，我国已经提出了包括AIPerf 500在内的众多基准测试程序，这是对传统Linpack测试标准的有力补充。 这些发展表明超算技术向产业渗透的速度加快，我们已经进入一个依靠算力的人工智能时代，这也是未来发展的必然趋势之一。 随着用户对算力需求的不断增长，算力经济必将在未来 社会 发展中占据重要地位。 作者 武延军（中国科学院软件研究所研究员）开源发展可圈可点并非只是今年的事。 最近几年，开源领域发生了很多重要的事情。 例如，RISC-V开源指令集及其生态的快速崛起。 这与上世纪90年代初Linux诞生一样。 当时，UNIX和Windows是主流，很少有人能够预料到今天以Linux为内核的操作系统已经遍及人们生活的方方面面。 如今，人们每天使用的App，超过80% 概率是运行在以Linux为内核的安卓操作系统上，而且，支撑其业务的后端服务器上运行的操作系统很大概率也是Linux发行版。 所以，今天的RISC-V也同样可能被低估，认为其不成熟，很难与ARM和X86抗衡。 但也许未来RISC-V就像Linux一样，最终成为全球范围内的主流指令集生态，产品遍及方方面面。 仅2020年，RISC-V International（RVI，RISC-V基金会迁入瑞士之后的新名称）的会员数增长了133%。 其实RVI迁入瑞士这件事情本身也意义重大，是一次开源领域面对大国竞争保持初心不“选边站”的经典案例，值得全球其他开源基金会参考。 在国内，2019年底，华为公司牵头，中国科学院软件研究所、麒麟软件等参与的openEuler操作系统开源社区正式成立。 在短短的两年内，社区已经汇聚了7000名活跃开发者，完成8000多个自主维护的开源软件包，催生了10多家厂商的商业发行版。 这是中国基础软件领域第一个真正意义上的“根社区”，虽然与20多年 历史 的Debian、Fedora还有差距，但迈出了重要一步，对学术研究、技术研发、产业创新来说，终于有了国内主导的、可以长期积淀的新平台。 同时，华为在遭遇安卓操作系统GMS（谷歌移动服务）海外断供之后，推出了鸿蒙操作系统HarmonyOS，并在开放原子开源基金会下启动开源项目OpenHarmony。 目前OpenHarmony短时间内已经吸引了国内众多厂商参与，也侧面反映了国内产业界对新一代万物互联操作系统的旺盛需求。 尽管其在生态规模和技术完整程度方面与安卓仍有差距，但毕竟迈出了打造自主生态的第一步。 这相当于为源代码合理使用划定了一个边界，即合理使用仅限于接口，一旦深入到接口的实现代码，则需要遵守相关许可。 这对开源知识产权的法律界定具有重要参考意义。 今年5月，《2021中国开源发展蓝皮书》重磅发布。 它不仅系统梳理了我国开源人才、项目、社区、组织、教育、商业的现状，并给出发展建议，而且为国家政府相关管理部门制定开源政策、布局开源战略提供参考，为科研院所、 科技 企业以及开源从业者提供更多的案例参考和数据支撑。 而不论是开源软件向围绕开放指令集的开源软硬件生态发展，还是开源有严格的法律边界约束，抑或是国内龙头企业正尝试通过开源 探索 解决“卡脖子”问题，且已经取得了一定的效果……众多案例都指向一个方向——开源趋势不可阻挡。 因为它源自人类分享知识、协同创造的天性，也是人类文明在数字时代薪火相传的重要模式。 当然，不可否认的是，开源还存在很多问题，例如，开源软件供应链安全的问题。 这里的安全既有传统意义上软件质量、安全漏洞的问题，也有开源软件无法得到持续有效维护的问题（如OpenSSL在出现HeartBleed问题时只有两位兼职维护者，log4j出现问题时只有三位兼职维护者），更有大国竞争导致的“断供”问题（如GitHub曾限制伊朗开发者访问）。 随着开源软件向GitHub这类商业平台的集中，这一问题会更加突出，甚至演变为重大风险。 开源软件这一本应属于全人类的智慧资产，可能变为实施“长臂管辖”的武器。 为了避免这一问题，开源代码托管平台、开源软件构建发布平台等公共基础设施需要“去中心化”。 世界需要多个开源软件基础设施，以最大程度消除政治力量对开源社区的威胁。 对于中国来说，随着开源软件成为众多科研、工业等重大基础设施的重要支撑部分，开源软件本身也要有一个基础设施，具备代码托管、编译、构建、测试、发布、运维等功能，保证开源软件供应的安全性和连续性，进而增强各行各业使用开源软件的信心。 未来，核心技术创新与开源贡献引领将成为国内企业发展的新动力，或将我国开源事业推向另一个高潮。
