第(2/3)页

    “每一条用户点赞、每一个停留时长、每一次页面刷新，都需要输入到我们的神经网络模型里进行运算，然后再把推荐结果实时返回去。”

    陈默看着夏冬，眼神里透着一丝无奈：“夏冬，我们的算法确实牛逼，参数量大，精准度高。但越牛逼的算法，需要的算力就越恐怖。”

    吴泽明作为后台专家，立刻明白了陈默的意思：“你是说，我们的CPU算力见顶了？”

    “不是见顶，是被榨干了。”陈默叹了口气，“现在的算力根本跟不上数据膨胀的速度。”

    一鸣停下了吃零食的动作，皱眉问道：“如果加机器呢？”

    “加机器？”陈默摇了摇头，“字节跳跳、FaCebOOk的体量还在狂飙。”

    “如果要靠堆传统CPU服务器来满足他们未来的算力需求，我们就算把整个中关村大厦18层到1层全租下来改成机房都不够用。”

    “更别提每个月的天价电费和空调散热费了。”

    吴泽明补充道：“而且机房的物理空间和电力负载是有极限的。光靠横向扩展，不是长久之计。”

    会议室陷入了死一般的沉寂。

    这是一个纯粹的物理定律和硬件架构带来的瓶颈。

    软件算法再精妙，也无法违背硬件的物理极限。

    所有人都看向夏冬。

    在这个公司里，每当遇到技术方面无解的死局，夏冬总是能拿出打破常规的方案。

    其实夏冬早就预料到了这一天，服务器算力见顶是迟早的事。

    他老早就找豆包，恶补了人工智能的发展史。

    深度学习和神经网络之所以在2010年之后才开始大爆发，并不是因为算法突然取得了什么逆天的理论突破。

    纯粹是因为算力终于跟上了。

    在豆包提供的未来时间线里，拯救人工智能算力危机的，是英伟达的GPU。也就是大家俗称的显卡。

    GPU这玩意儿，天生就是用来做大规模并行计算的。

    再后来，谷歌为了搞定自家的算法和推荐系统，干脆自己下场研发了TPU，一种专门为AI定制的专用芯片。

    夏冬的手指在桌面上轻轻敲击着，发出有节奏的哒哒声。

    “陈默，泽明，你们有没有想过，”夏冬终于开口了，目光扫过两位技术大拿，“为什么我们堆了那么多顶配的CPU，算力依然捉襟见肘？我们的算法，到底在让这些CPU干什么活？”
    第(2/3)页