第164章 最後一塊短板（2/2）

第一是要有好的算法，這個是核心，就像是軟體。

第二是要有充分的大數據，這個就相當於是軟體里的輸入素材。而且深度學習型軟體是可以自我優化自我進化的，輸入素材越多、數據標示越好最終的效果就越好越精準。一旦某一方面的大數據有優勢，未來的巨頭可以很快形成滾雪球效應，跟後來者拉開差距。

第三，就是要有處理這些天量數據的硬體處理速度——以目前的人工智慧運算量來看，哪怕是解決最簡單的圖片識別，或者語音智能識別，甚至只是輸入法頻次統計反饋，都不是任何一個單獨的伺服器可以承載的。或許每一個需求，都要用一個數據中心的處理能力去處理。

但是同時，每個數據中心處理的多個問題又可能有很高的重複率，數據處理過程量的復用率會很高。所以擁有越多處理需求、越多處理硬體資源的企業，在處理效率上就會有明顯的優勢。這時候，我們就會發現，依靠傳統的『為每一個新的業務需求購置一批伺服器、搞一個專門的數據中心』，效率會非常低下，成本會非常高昂……」

顧誠剛說到這兒，被不怎麼懂技術的馬風給打斷了：「那麼怎麼解決這一點呢？如果只是錢貴的話，那也不是什麼大問題，我們費錢別人也費錢，大家一起漲價不就行了？」

「呵呵……如果是『你貴我也貴』，確實問題不大，漲價就是了。但是如果人工智慧的應用成本太高，它對傳統產業和傳統諮詢類人工崗位的替代效應就不明顯了。用人工智慧大面積解決問題，必須是其成本明顯低於僱傭人類客服、記者、編輯、老師、諮詢師、查法律文書卷宗的基層律師、只會開票的基層會計師……

資本家才會把這些重複腦力勞動的基層白領開除掉，改用機器人。不解決成本問題，或許你不會被其他人工智慧競爭對手同行甩開，但對於整個人工智慧行業消滅人類崗位的進程，起碼會造成三到五年的延後。」

馬風還在琢磨其中的算計，丁三石卻已經聽懂了：「確實，就跟今年我看到濱江咱黃易總部隔壁，有幾家做新興產業led的公司，雖然大家都貴，但是賣不出去的主要原因不是因為比同行貴，而是『買了led的產品之後，售價減去產品全生命周期內省下來的電費，依然比節能燈都貴』，所以那些物業老闆才不買。我跟其中一家叫羅萊迪斯的公司老闆喝過幾次功夫茶，就聽他說起過這事兒。

還有隔壁的海康威視，早幾年也是這個情況——一套監控賣那麼貴，之所以賣不出去，不是因為它比競爭對手大華家賣得貴，而是因為多裝這幾套監控的成本，比多僱傭一個保安都貴了，才賣不出去。這兩年成本下來了，那些精明的企業主才開始多裝監控少雇保安。」

馬風的見識還是很廣博的，他做電商起家，各行各業都了解一點。聽了丁三石舉的例子，他馬上就想通了。

人工智慧的普及，說到底是跟人力成本在pk價錢，不是跟同行pk價錢。比人便宜才有資本家用。

於是他誠懇地追問顧誠：「那小顧你覺得，有什麼快速降低人工智慧運算成本的辦法呢？總不能讓我們去投資英特爾，指望硬體廠商把單位計算效能的cpu價錢加速猛降下來吧？」

「當然不是。」顧誠端起茶杯，作勢喝了一口，表情很淡定，「首先，cpu的架構模式，處理深度學習算法需要的並行數據處理時，效率還是太低了。就算要在硬體上下手，也不該找英特爾。」

應該找英偉達，但是這句話顧誠就敝帚自珍了，沒必要告訴馬風和丁三石。

他從02年就收購了agiea公司，在人工智慧用gpu領域的布局，已經占到了先機。未來不管是挖英偉達的技術團隊、積累技術儲備，還是直接想辦法到英偉達投資，都很靈活。

這事兒，他自己就能做，不需要馬風和丁三石的配合。

他今天需要說出來的，都是些他不願意啃的硬骨頭。

「其次，即使不在硬體的物理指標上爭取跨越式發展，我們還可以在資源配置效率上做文章——這個解決方案，就叫做雲計算。利用未來網絡的進一步便利，把各大網際網路公司的數據中心整合起來。

或者讓專門的伺服器/數據託管公司形成虛擬伺服器/虛擬數據中心的架構，實時優化調度計算資源，把閒置的計算力量以一個相對較低的價格臨時、分時租賃給出現處理需求的人工智慧公司——用這些招數，可以輕鬆做到在硬體物理性能沒有飛躍的情況下，靠優化配置節約數倍的計算資源成本。」

「你說的這招，目前技術上實現得了？」馬風和丁三石異口同聲地狐疑道。

顧誠淡定地聳聳肩：「比較難，但是已經有機會——年初的時候，英特爾公司就開始力推雙核cpu處理器了，對多線程計算的分配效率和架構也做出了很大優化。我們公司，目前就基於此基礎，嘗試了內部代碼編譯伺服器的『分布式編譯』架構。你們不信的話可以去參觀一下。」