據(jù)了解，人工智能較大的挑戰(zhàn)之一是鑒別度不高、精確度不高，提升精確度就需要提升實體模型的經營規(guī)模和細致度，提升線下推廣訓煉的次數(shù)，這需要更強的計算力。精確度也是算出去的，例如大中型互聯(lián)網公司或是***人工智能初創(chuàng)公司，有工作能力布署經營規(guī)模較為大的人工智能測算服務平臺，優(yōu)化算法的實體模型早已做到千億元主要參數(shù)、萬億元的訓煉數(shù)據(jù)經營規(guī)模。

　　“如今人工智能使用的深度神經網絡架構，大部分依靠互聯(lián)網大數(shù)據(jù)開展科學研究訓煉，產生合理實體模型，這種都需要較高的計算力。”譚茗洲強調，當今伴隨著人工智能優(yōu)化算法實體模型的復雜性和精密度越來越高，互聯(lián)網技術和物聯(lián)網技術造成的數(shù)據(jù)信息呈幾何倍數(shù)提高，在信息量和優(yōu)化算法實體模型的兩層累加下，人工智能對測算的要求越來越大。毫無疑問，人工智能邁向深度神經網絡，計算力已變成點評人工智能科學研究成本費的關鍵指標值。可以說，計算力就是生產主力。

　　為什么說人工智能非常的耗用算力?實際來講，在經典的馮·諾伊曼電子計算機構架中，數(shù)據(jù)存儲器和測算模塊涇渭分明。計算時，需要將數(shù)據(jù)信息從數(shù)據(jù)存儲器載入到測算模塊，計算之后把結果寫回數(shù)據(jù)存儲器。在大數(shù)據(jù)驅動的人工智能時期，AI計算中數(shù)據(jù)運送更為經常，需要儲存和解決的信息量遠遠地超過以前普遍的運用。當計算工作能力做到一定水平，因為瀏覽儲存器的速率沒法緊跟計算構件耗費數(shù)據(jù)信息的速率，因而再提升計算構件也沒法獲得靈活運用，就產生了說白了的馮·諾伊曼“短板”或“運行內存墻”問題。這就好似一臺大馬力強悍的汽車發(fā)動機，卻由于輸油管道的窄小而沒法造成需有的驅動力。

　　顯而易見，經常的數(shù)據(jù)信息運送造成 的算率短板，早已變成對更加***優(yōu)化算法探尋的限定要素。而算率短板對更***、復雜性高些的AI實體模型的科學研究將造成更高危害。