新科技速遞
華為全聯接（Huawei Connect）大會進入了第四屆，主題變成了Advance Intelligence，其實也就是AI人工智能的另一解讀。從另一角度，也是華為從通訊領域進入運算領域，推出多種芯片，挑戰美國在AI算力的地位。
華為從通訊事業起家，從IP通訊到電信技術，直到近期5G，華為也切入企業系統和雲運算，屬下海思半導體也有非常有名，發展出手機用的麒麟芯片，去年公佈通用處理芯片鯤鵬（Kunpeng）和人工智慧芯片Ascend（昇騰）。
通用處理芯片是指類似英特爾X86、IBM的Power、ARM之類CPU，華為麒麟也屬於此類，不過只是用在端終，跟高通Snapdragon一樣。鯤鵬則用於伺服系統和桌面；昇騰則是專用NPU芯片，專門用於Ai運算。
AI是一種基於統計模式的運算，跟以往基於 Rule-based運算，非常不一樣。AI是以深度學習訓練模型，處理傳統運算難以解決的難題。AI訓練不同的模型用於推理，算力的消耗有兩方面，首先是訓練（Training），其次是推理（Inference）。
現時AI訓練的芯片均來自美國，主流利用NVIDIA的GPU作AI訓練用途，其他亦有推出不同的神經網絡處理器（NPU），Google的TPU就是俵俵者。
推理方面，則有各FPGA的廠商，則集中在推理運算；廠商包括了Xilinx和英特爾等，NVIDIA也推出Jetson Nano系列；AWS也有專用於推理的Inferentia芯片等。
市場上只有Google和NVIDIA在AI運算，具備全面方案；其中NVIDIA的GPU加上CUDA和cuDNN，更主導了AI訓練和推理。
AI市場霸主NVIDIA
AI改變近代計算本質，CPU不能處理大量平行運算，NVIDIA開發出平行運算架構，利用GPU處理複雜運算，廣泛應用於深度學習，後期推出的CUDA-X AI包含十幾個專用加速庫，機器學習和資料科學工作負載可加速至高達50倍，為典型AI工作流程中每一步提供加速。
華為的升騰亦集中訓練，雖然說Ascend也有針對推理的產品，不過較缺乏完整生態，相信FPGA廠商仍是主導。
全球最快訓練集群
華為副董事長胡厚崑發佈計算戰略，發佈了全球最快AI訓練集群Atlas 900，機器學習和深度學習都是基於統計的計算模式。
隨著晶片進入7nm年代，芯片晶體密度已近盡頭，專門針對特定用途芯片再度興起。
去年，華為公佈了達芬奇計畫，開發Ascend芯片只是其中一部分，還包括了CANN (Compute Architecture for Neural Networks)，屬於芯片和上層架構的介面，類似NVIDIA的CUDA，具備計算張量（Tensor）引擎等。
華為又推出AI計算框架 MindSpore計畫開源，也是繼TensorFlow、PyTorch、PaddlePaddle 等計算框架後，再一個AI 開源框架。現時TensorFlow仍是最流行計算框架，PyTorch則緊隨其後。
ModelArts是面向開發人員一站式AI開發平台，可為機器學習與深度學習使雨的資料，提供清理及半自動化標注、分散式訓練、甚至自動化模型生成，模型按需部署；類似AWS的SageMaker。
2萬億美元藍海
預計5年後，AI計算所消耗算力，占算力消耗總量80%以上。胡厚崑預計未來AI使用仍是暴力算法（ Brute-force），勢將耗用更多算力。華為走入計算領域，就是針對算力需求的藍海市場。
胡厚崑表示：「這是2萬億美元的計算產業大藍海，通過對架構創新的突破、對全場景處理器的投資、堅持有所為有所不為的商業策略，以及構建開放生態來佈局戰略。」但華為並不止提供芯片，也具備主板、SSD、網絡技術、Altas模組和卡板等的設計能力，加上Full Stack的AI開發方案，也許是全球唯一端對端的AI方案。
AI訓練集群Atlas 900號稱算力最高，由 1024 顆昇騰處理器組成，衡量AI計算能力的ResNet-50 v1.5模型以ImageNet-1k圖型庫的分類任務，Atlas 900只需59.8秒就完成了訓練，同等精度下比原來的世界紀錄快10秒；舊紀錄分別為70.2及76.8秒。
舊ResNet-50 v1.5訓練紀錄已是超快的極限速度，從舊紀錄一下子減少10秒非常驚人。短期內再超越Atlas 900可能性甚低，也顯示華為整合叢集的網絡技術，非常成熟。
AI驅動算力需求
用於AI訓練的Ascend 910，半精度（FP16），算力高達256 TFLOPS，為業界的2倍，而推理用的Ascend 310的SoC整數精度（Int8）為19 TOPS，支援16通道全高清視訊解碼（H.264/265），功耗只有8W。Ascend 310可以作為邊端視訊解碼，並且備有轉譯工具，即使是利用Café、Tensorflow、PyTorch亦可轉譯供Ascend 310推理。
事實上，去年出現的AI訓練算法，處理圖像的BIGGAN、自然語言的BERT、谷歌DeepMind發表AlphaFold算法，用於份子生物學研究，可自行發現新蛋白質構成，更是震驚生物科技界。DeepLab V3也在語義和圖像分割有甚大改進。上述算法共同特點，均具備極大商業價值，及耗用極大算力。華為以為全球出現AI算力短缺，並非沒有根據。
華為計算架構，從芯片以至軟件架構一應俱全，華為具備芯片設計能力，發展專用芯片，處理AI經常使用的算式，深度學習經常利用的線型算法，標量（scalar）、向量（vector）、矩陣（matrix）、張量 （tensor）。
AI模型訓練消耗了大量算力和成本，Atlas 900可雲端提供了低廉的算力，Ascend 910也推出不同的設計框架和主板設計，供企業內部署AI算力。Ascend 310則部署在邊沿。
AI有助科研發展
如果華為AI算力相較比GPU、TPU、FPGA低得多，可能迫使其他廠商大幅降價，AI可以廣泛應用在其他方面。
Atlas 900算力，可廣泛應用於科學研究與商業創新，比如天文探索、氣象預測、自動駕駛、石油勘探等領域。為了讓各行各業獲取超強算力，華為將Atlas 900部署到雲上，推出華為雲EI集群服務，並以極優惠的價格，面向全球科研機構和大學，即刻開放申請使用。
華為聯合了上海天文台與SKA共同利用Atlas 900分析南半球的星空圖，這張圖上有20萬顆星星，人眼難以看盡浩瀚繁星，以AI分析SKA射電望遠鏡的資料，以往天文學家從20萬顆星星中找出某種特徵星體，需169天的工作量，Atlas 900只用了10秒，可見速度非常驚人。