ChatGPT入局AI搜索，智能计算未来如何演进？丨杉数观点

近日，OpenAI重磅官宣ChatGPT转型为一款AI搜索产品。这一重大转变意味着它已不再局限于聊天机器人的角色，而是朝着与谷歌、Perplexity等搜索引擎相比肩的人工智能产品大步迈进。

ChatGPT的这一华丽转身，再次彰显了智能计算作为强大引擎的关键作用。通过运用神经网络、机器学习等智能计算技术，ChatGPT得以高效处理和分析庞大数据集，精准理解用户搜索意图，优化搜索结果排序与呈现，显著提升信息检索与处理效率。它展示出智能计算在推动人工智能发展方面的巨大潜力，并预示着一个更智能、更高效计算时代的到来。

挑战重重：暗礁密布的 “应用之海”

尽管智能计算为人工智能等领域带来巨大潜力和机遇，但在应用过程中，技术瓶颈、算法可靠性与可解释性、算力限制等问题依然不容忽视，亟需深入探索与解决。

1、数据质量参差不齐，数据获取难度大

在智能计算应用中，数据来源广泛，其质量往往难以保证。传感器可能会出现误差，人工录入的数据可能存在错误或不完整的情况。低质量的数据会影响模型的训练效果，导致模型输出不准确。

智能计算模型往往通过大量的数据进行训练才能达到较好的性能。然而，获取足够数量的高质量数据往往面临诸多困难。比如，在工业生产中，不良品数据等负样本数据量偏少，获取难度大，需要依靠模拟数据来填充训练。

2、算法可靠性与可解释性

在部分应用场景下，智能计算算法技术尚未完全成熟，存在准确率不高、稳定性差等问题，尤其在复杂环境下可能出现失效的情况。例如，无人驾驶车辆在遇到极端天气或特殊路况时，算法可能无法准确做出决策。

许多先进的智能计算算法是黑盒模型，很难解释其决策过程。在一些对决策可解释性要求较高的领域，这种不可解释性会带来严重问题。比如，医生很难完全信任一个无法解释其诊断依据的医疗模型。监管机构也需要金融模型能够对其风险评估和决策过程有清晰的解释。

3、计算能力限制

智能计算尤其是大模型训练和复杂算法的实时运行，对硬件计算能力要求极高。目前的硬件技术在处理大规模数据和复杂计算任务时，可能会面临计算速度慢、能耗高的问题，且研发和部署智能计算系统需要大量资金支持。

算力的边界：探索智能计算新天地

面对上述挑战，我们可以从健全数据管理、提升算法透明度和可解释性、推进算法和硬件创新等多个维度寻找突破。

1、健全数据管理，增强数据安全及合规性

我国正在积极推进数据基础制度建设，此前，中共中央、国务院提出了构建数据基础制度更好发挥数据要素作用的意见，强调了数据作为新型生产要素的重要性，并提出总体要求和工作原则，以维护国家数据安全、保护个人信息和商业秘密为前提，以促进数据合规高效流通使用、赋能实体经济为主线，构建数据基础制度。

除了建立健全数据管理制度，保障数据安全，还需要积极探索多源数据融合的方法，整合不同渠道的数据，增加数据量。同时，建立合理的数据共享机制，在确保数据安全和隐私的前提下，促进数据在相关领域的流通。

2、提升算法透明度，增强可解释性

通过改进算法设计和增加训练策略提高算法的鲁棒性。例如，在无人驾驶算法中，可以增加对极端情况的模拟训练，收集更多特殊路况的数据来优化算法对复杂环境的适应能力。同时，建立算法的监控和反馈机制，及时发现和处理算法在运行过程中出现的问题，对算法进行动态调整和更新。

加大对可解释性算法的研究投入，开发新的具有可解释性的模型或者对现有黑盒模型进行解释性改进。

3、推进算法和硬件创新，突破计算限制

加大对硬件技术研发的投入，开发更高效的计算芯片和存储设备，提高计算速度和能效比。同时，探索量子计算等新兴计算技术在智能计算中的应用潜力。

杉数科技一直致力于打造完全自主可控的高性能数学规划求解器COPT，并造积极完成一阶算法求解线性规划、半正定规划、凸二次规划等数学规划问题的GPU适配改造，缩短求解时间，显著提升大规模问题的求解速度。通过与硬件指令集和算子库的深度合作可以针对问题场景发挥更高效的性能，提升求解速度和效率。

随着技术的进步，未来不仅面临着提升计算能力的挑战，还需要探索如何更有效地利用现有资源，提高硬件的利用率。借助杉数科技的运筹优化和智能决策先进技术，通过智能算力调度，可以实现跨服务商、跨架构、跨地域的算力任务部署，更有效地进行资源需求预测、分配和调度。

同时还可以采用分布式计算架构，将大规模的计算任务分解到多个计算节点上并行处理。此外，还可以通过边缘计算技术，将部分计算任务在靠近数据源的边缘设备上进行处理，减少数据传输和中心服务器的计算压力。

智能计算：点亮多领域应用的智慧之光

尽管智能计算领域存在诸多难题，但通过不断的技术创新，智能计算正逐步克服这些障碍，并在多领域展现出其独特价值。从大模型的深度学习到工业制造的智能化，再到能源电力的精准管理和金融服务的高效决策，智能计算为这些行业带来前所未有的变革和机遇，开启智能发展新篇章。

1、大模型

大模型是智能计算的典型应用场景之一。大模型高度依赖智能计算的算力和算法，以快速训练、优化，提高学习效率和预测准确性。当前，我国大模型领域发展迅速，不仅在算法、模型结构、训练技术等方面取得重要突破，而且在应用场景落地方面展现出强大的潜力和实际效果。

垂类大模型则是针对特定领域进行优化和训练的模型。它们对特定领域知识的掌握更加精准和深入，相比通用大模型在专业性要求高的场景中有更好的表现。

比如，此前杉数科技联合斯坦福大学、上海交通大学、香港中文大学（深圳）联合发布首个数学建模大模型ORLM，结合数学规划、机器学习等多种技术，将决策技术和业务场景进行高度结合，大幅提升各类决策场景的计算效率和精度，在优化算法和解决复杂决策问题方面表现卓越。

杉数科技打造企业专属的行业级数学建模大模型

2、工业制造

在工业制造领域，智能计算与 CAE（计算机辅助工程）、CFD（计算流体力学）等关键工业软件相互协作，助力生产过程实现智能化和自动化。具体来说，CAE主要对工程和产品进行性能与安全可靠性分析、模拟其未来工作状态和运行行为。CFD则利用数值方法求解流体运动的数学方程组，揭示流体运动规律。智能计算为CAE和CFD提供更高效的计算方法、更准确的模型优化以及更智能的数据分析与预测能力。

3、能源电力

智能计算在能源电力领域有着至关重要的应用。在电网管理中，智能计算可以为市场主体提供科学的电价报价策略，助力其合理安排生产和交易计划。同时对电力负荷进行实时预测，更准确地捕捉电力需求的变化趋势，提升负荷预测的准确性和效率。此外，在新能源发电（如太阳能、风能）方面，智能计算可以结合电站装机数据、气象预测数据等，计算精确的功率预测数据，减少预测误差，优化电力市场交易决策。

4、金融服务 

在金融领域，智能计算为风险评估、投资决策、欺诈检测等提供强大支持。利用机器学习算法分析大量金融数据（市场行情、企业财报、客户信用记录等）预测趋势和风险。在量化投资中，智能计算可助力分析海量市场信息，优化投资组合，挖掘潜在价值。智能计算还可以帮助券商进行行情预测、客户风险偏好分析，辅助制定投资策略，以便提供更精准的投资建议和服务。

未来，在智能计算的快速发展中，算力的边界将被不断拓展，展示出更大可能性和更多应用场景。通过持续的探索和突破，在智能计算的新天地中，将发掘出更高效、更智能的解决方案，推动各行业的变革与发展。