對CT圖像分析，分割出結節(jié)；

對結節(jié)進行定量定性分析；

對隨訪病人記錄其結節(jié)在時間上的變化，形成動態(tài)跟蹤；

對各類信息綜合考量，判斷結節(jié)類型；

甚至，自動生成報告……

找尋、分析、跟蹤、判斷、總結，這是山東聊城某三級醫(yī)院CT檢測室里，一套AI系統(tǒng)幫助影像科醫(yī)生對肺結節(jié)進行診斷的過程。

隨著AI醫(yī)療影像開始廣泛落地，越來越多的醫(yī)院，尤其是基層醫(yī)院開始享受到切切實實的“醫(yī)療技能”普惠。聊城這家醫(yī)院的系統(tǒng)來自北京一家AI創(chuàng)新科技企業(yè)，在2018年，其專門針對肺結節(jié)的系統(tǒng)就已經安裝超過一百家醫(yī)院，處理了超90萬病例。

這幾年AI醫(yī)療影像熱潮迭起，其中肺結節(jié)診斷又被認為是“入門”級能力，導致業(yè)界對落地成果的出現(xiàn)并不算敏感，而事實上，CT斷層成像作為分辨率非常高的三維成像，每個病人基本上都有幾百張斷片成像，AI系統(tǒng)需要處理的數(shù)據(jù)量十分龐大，應用落地一直是一件充滿挑戰(zhàn)的事。

這意味著，能夠符合醫(yī)療需要并實現(xiàn)快速迭代的AI系統(tǒng)，其背后一定需要越來越強大的算力來加速模型的訓練。

一個現(xiàn)實是，算力價值凸顯，甚至成為阻礙企業(yè)發(fā)展的桎梏（不僅限于醫(yī)療影像領域）——這也一定程度上解釋了，為什么當初醫(yī)療影像領域的初創(chuàng)企業(yè)一窩蜂上馬，但能活下來出成果的很少，除了開發(fā)能力不濟，很有可能是沒有找到合適的算力資源。

解決算力難題，成為內部數(shù)據(jù)科學團隊的當務之急。

AI超算——人工智能數(shù)據(jù)中心的小型化，

問題的答案？

一位從事AI醫(yī)療影像的專家曾這樣闡述過算力的重要性：

由于模型訓練經常需要調整某些參數(shù)或者嘗試不同的模型，算力不夠，每個調整都可能需要等上幾天才能出結果，這導致模型優(yōu)化缺乏效率，甚至因為時間太長都忘記了當初的測試目的。

幾乎所有AI場景對算力的需求都在加速膨脹，過去一些年，市面上能夠提供給數(shù)據(jù)科學團隊的算力形態(tài)，在一定的條件下都未必能很好地滿足需要，尤其是主流的基于CPU的龐大數(shù)據(jù)中心，在計算能力上離支撐快速迭代要求的算力水準還有較大差距。

甚至，由于數(shù)據(jù)科學團隊無法找到合適的算力供給而導致項目擱置或企業(yè)消亡的案例屢見不鮮，業(yè)界呼喚新的解決方案。

需求變化推動著供給變革，算力供給形態(tài)這些年也在持續(xù)進化，其中，一類可以承擔人工智能數(shù)據(jù)中心職責、提供符合需求算力的產品——“AI超級計算機”開始走向臺前。

開篇的北京AI創(chuàng)新企業(yè)能走下來，除了團隊在美國積累了一系列經驗等原因，恰當?shù)乃懔┙o也不可忽視，其命名為σ-Discover Lung的智能肺結節(jié)分析系統(tǒng)的開發(fā)，采用了來自NVIDIA的DGX Station加速神經網絡模型的訓練。

以小型化服務器系統(tǒng)的形式，NVIDIA DGX Station主要通過互聯(lián)的GPU以及大容量內存，來實現(xiàn)一體式AI數(shù)據(jù)中心的功能。

而這種產品的出現(xiàn)，其本質上是算力供給形態(tài)適應市場需求的一種進化，即人工智能數(shù)據(jù)中心的小型化——通過新的GPU芯片以及適配的主板與整機系統(tǒng)，大幅度提升算力性能，形成在外形上如同個人計算機產品一樣的“AI超級計算機”（以下簡稱AI超算），告別CPU產品的冗重與低效。

從具體參數(shù)看，AI超算表現(xiàn)出十分超前的性能。

不久前國內某龍頭科技企業(yè)幫助武漢建設的AI數(shù)據(jù)中心投入使用，其峰值性能為100 petaflops，相當于50萬臺個人PC的算力之和，而作為AI超算的DGX Station，其最新產品單臺可提供2.5 petaflops的算力，即只需要40臺就能在量級上與一個地區(qū)數(shù)據(jù)中心的峰值能力持平。

而在具體場景中，很多組織也在通過AI超算獲得算力。

中科院深圳先進技術研究院醫(yī)工所在醫(yī)療影像圖譜分析領域借助AI超算進行神經網絡訓練，相比傳統(tǒng)CPU計算方案，單臺搭載4個V100 GPU的DGX產品，提升訓練速度 40 倍以上，大大減少了模型訓練的時間。

由于心血管的復雜性，定向攻克心血管CT圖像識別的科亞醫(yī)療，需要高精度的AI模型來支持血管的精細重建及功能的準確分析，必須通過大量多維度多模態(tài)的醫(yī)學影像進行訓練，參數(shù)龐大而傳統(tǒng)的算法和工具平臺無法滿足這種需要。

采用AI超算后，科亞醫(yī)療的數(shù)據(jù)處理和訓練速度得到了極大提升，其解決方案“深脈分數(shù)DVFFR”實現(xiàn)了92%的檢測精準度，避免了非必要的冠脈造影，減輕了醫(yī)生的工作負擔和患者的手術痛苦及經濟負擔。

可以看到，AI超算正在滿足不同類型組織中的數(shù)據(jù)科學團隊需要。

除了算力，AI超算

還將解決數(shù)據(jù)團隊的“要素配置”難題？

除了性能表現(xiàn)，在過去，一個數(shù)據(jù)科學團隊要完成算力體系的搭設，往往還需要一套包括各種要素的體系：

要配置計算硬件；

要搭設用于各種開發(fā)目的的軟件；

要有AI工程師；

要運營維護；

甚至有時還要考慮設備的散熱降噪……

“麻雀雖小也必須五臟俱全”，很多數(shù)據(jù)科學團隊顯然缺乏條件進行配置，而因為投入龐大且未必能符合算力要求，即便是大型組織也面臨尷尬的選擇。

而AI超算這種算力形態(tài)或能通過一體化的方式規(guī)避這個“要素配置”難題，這類產品并不要求復雜的安裝過程，甚至不需要IT部門的幫助，當缺乏這些要素（典型如AI工程師）時，數(shù)據(jù)科學團隊仍然可以實現(xiàn)即插即用、一站式的計算能力配置。

這意味著，那些非AI專業(yè)領域的團隊，不需要學習深度學習知識，不需要對AI框架、模型有十分深入的理解，甚至不需要自己配備數(shù)據(jù)模型，只需要有數(shù)據(jù)集，就能輕而易舉地完成AI數(shù)據(jù)訓練與模型開發(fā)工作。

毫無疑問，AI超算的這種特性，對那些相對于AI專業(yè)來說的“傳統(tǒng)”行業(yè)，例如汽車制造、生物制藥、光伏產業(yè)等，十分友好。

在國外，寶馬工廠就利用人工智能工作組設備NVIDIA DGX Station訓練和模擬出從零部件到裝配產線的“數(shù)字孿生世界”，幫助產線實現(xiàn)更好的效率與穩(wěn)定性，為寶馬每天超1萬輛汽車的訂單生產貢獻力量。

構成AI超算即插即用特性的能力有很多，軟件系統(tǒng)方面操作系統(tǒng)、開發(fā)框架甚至各個場景的預訓練模型整合最為典型，軟硬件一體化協(xié)同讓數(shù)據(jù)科學團隊基本上無需再花太多心思到開發(fā)環(huán)境搭設上。

例如，在暨南大學信息科學技術學院計算機系，其教學與科研往往有多個數(shù)據(jù)團隊在同時使用算力設備，DGX Station AI.超算產品的 OS 自帶的多用戶、多任務管理功能，能夠讓不同數(shù)據(jù)團隊甚至不同成員在工作組設置下，按照不同的計劃同時進行各自的實驗，大大提升了資源的利用效率——這種多任務并舉的情形，在眾多組織中都廣泛存在。

此外，由于臺式PC式的產品形態(tài)，在企業(yè)辦公室、實驗室、科研機構，甚至在家中工作的數(shù)據(jù)科學團隊都能很容易通過AI超算配置自己的人工智能數(shù)據(jù)中心，進行深度神經網絡訓練、推理與高級分析等計算密集型AI探索。

用通俗的話說，DGX Station的出現(xiàn)，更像是為組織內的數(shù)據(jù)科學團隊打開了“懶人模式”——他們只需要聚焦于算法模型的創(chuàng)新即可，其他相關的工作都被一個一體化產品“包圓了”。

小結

如同PC的發(fā)展，從一間房到半張桌，從KB到GB到TB，從專業(yè)團隊操作到人人可用，AI算力設備也在經歷類似的過程，高能力、低門檻，優(yōu)質算力資源正在實現(xiàn)更好的觸達，讓組織的數(shù)據(jù)科學團隊更好地獲取匹配的算力。

而從AI醫(yī)療影像場景可以看出，正是因為現(xiàn)實場景應用對AI有著越來越深刻的需求，才不斷倒逼著數(shù)據(jù)科學團隊以更快的方式來實現(xiàn)模型創(chuàng)新與迭代。這意味著，AI落地越廣泛和深入，最終傳導到數(shù)據(jù)科學團隊，就是對算力條件越來越高甚至必須一次次突破常規(guī)的要求。

AI超算成為了AI應用創(chuàng)新的起點，但它也是AI應用落地的結果，市場需求始終“水漲船高”，算力形態(tài)的進化，還將繼續(xù)。