“百模大战”时代，AI模型研发的工作站之道

作者：刘文轩

ChatGPT引爆的生成式人工智能热潮，让AI模型在过去几个月成为行业瞩目的焦点，并且在国内引发“百模大战”。IDC也在一份报告中称：“人工智能已经成为所有行业中重要且具有差异化的能力。”

(相关资料图)

在大模型时代，算力、算法和数据被视为人工智能的“三驾马车”，算力更是推动AI模型发展的关键驱动力。许多行业已经开始将部分工作由AI模型驱动的软件执行，为了更快速的拥抱AI，企业对于算力的需求也更加迫切。

如今，一些企业已经开始尝试开发无需超级计算机的AI模型，以适应自身需求，同时确保数据安全，工作站也因此成为开发AI模型的一种途径。

直面“百模大战”时代，工作站的优势

一直以来，外界对工作站的印象普遍停留在“性能更强的个人电脑”，尤其是近几年的工作站产品在外形设计上更加时尚，结构也更加紧凑，甚至一眼难以分辨出来。实际上，许多AI模型的开发和部署都是在强大的工作站上进行的。

工作站与一般的个人电脑有着很大差别，人们普遍认为，个人电脑的性能不足以支持AI模型和人工智能的开发。由于配备更高性能的组件，如更强的CPU和GPU、更大的存储空间、更多的运行内存等等，工作站比个人电脑的表现更加可预测，并针对正在运行的软件进行优化。

对于大多数企业而言，比较实用的AI模型开发与部署方式，是工作站、本地服务器、云这三者任意组合。这也导致一直以来，工作站、服务器和云之间存在一种共生关系，用于AI项目的不同开发阶段。

不过与后两者相比，工作站依然具备以下优势：

与数据中心服务器相比，工作站具有更强的灵活性。 可以选择的地点更加灵活，并且用户可以在自己的工作站上自由测试AI模型，根据需要进行迭代，无需请求访问服务器或遇到其他数据中心限制，这种自由度也大大提高了工作效率。另外，工作站通常配备了高性能的处理器和显卡，并且没有其他用户共享资源，处理速度通常比数据中心服务器更快，可以更快地完成一些计算密集型任务。

与云服务相比，工作站更加自主可控。 使用工作站可以减少由网络问题引起的连接中断。云服务依赖于稳定的网络连接，一旦网络出现故障或不稳定，用户可能会面临无法访问数据或应用程序的问题。而工作站通过本地部署，不受网络的限制，可以在局域网内进行数据传输和应用程序运行，大大减少网络问题造成连接中断的风险。另外，工作站不需要依赖服务提供商来解决问题，用户可以直接管理和控制自己的硬件和软件环境，能够更快速地应对和解决问题，提高问题的解决效率。在安全性与合规性方面，由于部署在本地，工作站面临的风险也更小。

数据的安全性和隐私已经成为当下各个行业面临的重要挑战，在许多情况下，将计算资源与专用工作站放在一起，可以通过限制数据移动来保证数据的安全性和隐私性，并且可以很好地应对一些合规要求。

此外，许多公司和机构在处理敏感数据时，需要高度的安全性，采取措施将内部网络与公共网络隔离，从而保护敏感数据，避免受到来自外部网络的攻击或病毒感染等风险。工作站刚好可以满足这种环境下的算力需求。

对于开发人员来说，AI模型的训练与优化是一个复杂的过程，需要不断试错，通常需要大量的计算资源和时间来完成。在这一过程中，工作站可以为开发人员提供更高的灵活性。你甚至可以像组装普通台式机一样，自己动手组装一台工作站。不同的是，工作站通常需要比个人PC性能更高的GPU、更大的内存，以及大容量固态硬盘，其他部分可以按需调整。

软件环境上，不论Ubuntu还是Windows，选择一个好上手的操作系统即可，之后安装配置CUDA和cuDNN，再选择一个适合自己的深度学习框架，如TensorFlow、PyTorch或Keras，就能开始训练你的模型了。

相比之下，想要在云端的系统环境中实现更多个性化体验，往往需要额外的服务费，或根据用户最终配置调整每月的费用，工作站在满足这些需求时，则不会增加这样的服务费，支出的费用，大部分也是一次性的。

AI赋能千行百业，工作站如何助力

对于企业来说，使用工作站研发符合自身需求的AI模型的确可以更有效地节省成本，利用工作站开发AI模型，已经成为近年来的常见策略，并且具有广泛的应用场景。

一些灾难响应的需求上，工作人员必须快速评估情况，跟踪关键设备，部署资源来帮助那些最需要的人，而这通常也需要在没有网络的环境下进行，一台本地工作站可用于聚合数据源，根据人工智能模型进行推理，并自动与关键人员通信，不会受网络环境的变化影响效率。

在交通管理方面，交通部门也需要使用人工智能来自动化交通信号灯，以改善车辆的流动。这需要结合来自视频摄像头和传感器的数据，而这一过程同样需要更加快速、稳定的连接，部署在本地的工作站可以更好地执行这些操作。

除此之外，通过工作站研发和部署的AI模型同样在零售、医疗、制造等各个行业发挥作用。在这一过程中，AI模型的质量决定了人工智能的表现，大数据构成了AI模型的基础，算力则驱动着AI模型的升级迭代。对于那些需要更强运算能力、更快响应速度，更灵活部署方式来开发和部署AI模型的行业用户来说，工作站都会是很好的选择。