案例3：人工智能
這是最近幾年非常火爆的話題。我們先來簡單回顧一下整個人工智能的發展史。在17世紀、18世紀，貝葉斯理論被提出來，貝葉斯理論是現在機器學習和人工智能的理論根基。但是在60年代之前，其實人工智能的發展幾乎都是基于統計學的原理做的，我們會設定一個方程，通過過去的數據產生擬合方程，用擬合方程結果預測以后發生事件的可能性。60年代到90年代之間，整個人工智能的發展幾乎是停滯的，沒有太大的創新，沒有太大的激動人心的成果。一直到90年代、2000年的時候，科學家們才開始轉向用數據驅動的方法去做機器學習的訓練，也就是我們現在所說的深度學習。同時伴隨著GPU的出現，提供了廉價的算力，使得大規模的并行計算變得可能，才推動了機器學習或者深度學習的迅猛發展。
通過這三個例子，我們可以真實地看到算力的增長給人類社會、給科學技術帶來了非常巨大的變革。
雖然過去幾十年我們看到了算力的巨大增長，但是我們人類對算力的需求可以說沒有止境，或者說我們現在所擁有的算力其實還是非常渺小。為什么這么說？我們還是用幾個數據來說話。大家比較熟悉的1880態的顯卡，它的算力是11tera Flops，Flops代表每秒鐘浮點計算的顯卡。一張1080態顯卡計算里是10的12次方。有人估算過全球算力的綜合，它在10的21次方，折算下來全球算力綜合大概是11張1080態?？茖W家也對我們人的大腦做了估計，這是一個估計的值，它是在1萬個yotta Flops，像多于10個28次方，什么概念？人的大腦的算力是全世界算力加起來總和的1000億倍。今天做機器學習或者人工智能的研究的終極目標，其實是想達到AGI（通用人工智能）。今天大家所看到的機器學習或者深度學習出來的人工智能，可以說是一個偽的人工智能，因為它們只能解決一個特定范圍、非常特定場景下的小問題，然而通用人工智能其實是想要讓機器去像人一樣思考，能夠在各個復雜的歡喜下解決不同的問題。大家可以從這幾個數字看出，如果我們要實現AGI，我們的算力至少要有成千上億倍的增長才行。
隨著制造工藝的不斷優化、計算架構的不斷迭代，我相信在不遠的將來，我們的算力還是會以指數級別的增長。另一方面，我們的存量算力也有非常大的優化空間。據估計，目前全世界高端顯卡的保有量在千萬張級別，每年有幾百萬張的顯卡被礦工買去挖礦。再加上ACC芯片，其實區塊鏈在推動算力的增長包括芯片的研發上起到非常大的作用。
這幾天的會議里面，大家可能聽到一個非常多的詞匯是“產業區塊鏈”，什么叫“產業區塊鏈”？產業區塊鏈就是要讓區塊鏈跟具體的行業結合，但是一個現實是其他行業的朋友可能對區塊鏈的了解并不多，有時候甚至是帶有偏見的。我就在想我們是否可以打算力打通，讓區塊鏈推動算力的發展、推動其他行業的發展，從側面跟其他行業融合，讓他們了解區塊鏈，推動區塊鏈的落地應用。
巴比特抱著這個愿景投入了很多研發力量做矩池云的產品。我們的目標是想打通算力流通的障礙，帶來更多的社會價值。我在這里舉兩個數字，讓大家有更直觀的感覺：今天如果你有一張1080態顯卡拿去挖礦，你一天收益大概在5.6元。但是作為一個科學家或者工程師，你想去做模型的訓練，你去主流的云計算提供商那邊租GPU的服務器，你要支付的費用是10-20元/時，一邊是5.6元/天的收益，另外一邊是10-20元/時的費用，大家簡單算一下這里面的收益和費用支出之間有10-20倍的差距。如果我們能把算力流通起來，應該是大家樂見其成的一件事情。
為了實現這個目標，我們做了很多努力，我們做了很多技術上的創新，我們研發了自己的智能調度算法。因為有別于傳統的云計算提供商，其實他們的服務器都部署在IDC里面，有非常好的非常穩定的網絡環境、非常低的延時。但是我們這邊的算力是通過公網連接進來，很多時候網絡環境不可控。很多時候，其實這些機器通過內網、通過路由器接入到我們這個平臺，這些機器是沒有自己的獨立IP。沒有獨立的公網IP，外部用戶無法直接訪問它們，我們也研發了自己獨有的網絡穿透技術，讓我們的用戶得以有非常低的延時訪問這些硬件。之前舉的幾個例子，大家能感受到算力和存儲不分家，我們業績預開源的技術，研發自己特有的具有高速緩存的分布式存儲。
此文由 中國比特幣官網 編輯，未經允許不得轉載?。?a href="http://m.huohuxiazai.com/">首頁 > btc是什么 » “2019塊鏈大會（烏鎮）” 區塊鏈大事件：區塊鏈怎么去跟具體行業實現落地應用