开云（中国大陆官方网站）Kaiyun科技股份有限公司 - 领先的GPU计算与AI算力解决方案

　　在大模型步入深水区的当下，AI 下一个临界点究竟在哪里？在2025 GIS全球创新峰会现场，深度学习奠基人、“AI 教父” Geoffrey Hinton（辛顿）与云天励飞董事长兼 CEO 陈宁，围绕算力效率、AI 向善与普惠未来展开了一场高密度对话。对话由硅谷著名计算机科学家、硅谷高创会大会主席吴军主持。

　　让吴军感到好奇的是，在本科阶段，辛顿读的是心理学、生理学还有哲学，并不是计算机科学。辛顿说，最开始完全不懂计算机科学，还在中学时，就对生理学特别感兴趣，想了解大脑是如何运作的，先学的是心理学、生理学，后来再去学人工智能和神经科学、这些不同的学科都是去为了解决某个具体问题，但如果遇到一个特别难的，真正很棘手的问题，有跨学科的知识就可以更好解决，为此，后来还学了统计物理学。

　　陈宁则分析，中国的AI政策与美国有着显著差异：在美国，重心更多在于训练更加聪明、跑分更高的AI。但是在中国，政策更强调开放应用场景，致力于让更广泛的人群使用AI技术。到2027年，预计AI应用和智能体在中国的个人及企业渗透率将超过 70%，而到2030年左右，这一数字可能会突破 90%。

　　在算力成本急剧攀升的今天，AI 的真正瓶颈在哪里？吴军提到，现在要训练一个OPENAI或者Gemini或者ChatGPT模型，可能要花费数十亿美金训练的成本。但陈宁通过自己的研究，让AI的成本持续下降。

　　“现在大家都在说AI for Good，我认为AI for Good有两重含义：AI向善和普惠AI。我们希望AI不仅智能而且向善，能够惠及每一个人。”陈宁说，大模型的训练高度依赖昂贵的GPU和TPU。但在人人都在谈论AI智能体的当下，衡量AI的关键指标应该是：每瓦特每美元的推理能力，即单位资金和单位能耗下，AI究竟能完成多少有效工作。

　　最后，陈宁向辛顿提问：如果有一台时光机，在知道 AI当前发展情况和风险的情况下，回到2012年，是否还会发表那篇AlexNet论文？最初，GPU的设计是为了处理图形渲染，而不是为了AI计算。辛顿和他的学生们，使用两张英伟达GPU卡训练了AlexNet模型，并获得了成功。这一成功帮助英伟达认识到GPU在机器学习领域的巨大潜力，并为他们创造了一个全新的市场。

　　他指出，如果 AI 只停留在少数科技巨头的数据中心，只服务少部分机构和高净值人群，再完美的技术也难言“向善”。真正有意义的 AI，必须让更多人用得起、用得上——当 AI 的使用成本被拉低到接近水电气这种基础设施的水平时，偏远地区的学生、基层医院和中小企业才有可能在教育、医疗、农业与生产中真正获得增益。