9月1日，華為輪值董事長胡厚崑在上海出席世界人工智能大會。華為輪值董事長胡厚崑表示，根據預測，未來十年人工智能的算力需求將會增長500倍以上。他提議“AI先行”，讓國傢的算力網絡的建設從這個最大的增量開始，通過新建人工智能計算中心，形成人工智能算力的網絡。
以下是發言全文：
非常高興又和大傢相聚在浦江之畔，參加2022年世界人工智能大會。
在剛剛結束的SAIL獎頒獎儀式上，華為的人工智能輔助藥物設計平臺獲得今年的SAIL之星獎，感謝大傢認可華為在人工智能技術發展及應用方面做出的努力。
談到人工智能輔助藥物設計和開發，我也想和大傢分享一個最新的案例。大傢知道，細菌耐藥已經成為人類重大健康威脅，據世衛組織統計，全球每年至少有70萬人因此死亡，遠遠超過瘧疾和艾滋病致死人數。一個好消息是，西安交大一附院最近取得突破，研發出一款新的超級抗菌藥，有望成為全球近40年來首個新靶點、新類別的抗生素。在這個項目裡面，華為提供的AI藥物分子大模型做出一定的貢獻。這個大模型對上億個分子化合物提前進行預測篩選，幫研究人員在很短的時間內大大縮小篩選范圍。在AI的輔助下，先導藥的研發周期從數年縮短至一個月，研發成本降低70%，這是巨大的進步。
我們看到，人工智能應用於行各行各業、不同場景的案例越來越多，而且越來越深，即深入到不同場景中的生產作業中去。這個變化傳遞一個重要的信息，正如電力和互聯網，人工智能作為一項通用技術，其技術價值的發揮恰恰在於將它化有形為無形，讓它深深嵌入到各行各業的作業場景中去。
在過去一年，人工智能產業取得很多進步。比如，在算力方面，國內現在已經有20多個算力領先的城市，正在加速建設公共的人工智能計算中心，當前已經有10個城市上線，包括深圳、武漢、西安、成都等等。近期上海人工智能公共算力平臺的建設，也必將為上海科技創新與數字經濟發展註入強勁動力。
有大算力，就能夠產生系列大模型，應用創新就有堅實基礎。如剛剛分享的藥物開發案例，應用創新的突破口就來自藥物分子大模型。大模型讓每個場景化AI應用開發，都不必從0開始，真正實現從小作坊式向工業化開發轉變。無論是互聯網、金融等領域，還是在煤礦、農業以及氣象等行業中，都可以看到大模型的身影。
人工智能產業需要一步一個腳印，踏踏實實發展。我們認為下一步的關鍵是，建好、用好算力基礎設施，規劃好應用創新方向，為各行各業數字化轉型升級，打下更堅實的智能根基。
第一，持續推進算力網絡建設，讓算力中心從點走向面。
隨著全國各地算力中心的建成，我們不僅僅要將計算中心作為獨立的系統發揮作用，也要逐步形成相互聯接的算力網絡，發揮更大的價值。
我認為，關於算力網絡的部署，有三個關鍵。
首先我們可以“AI先行”。根據預測，未來10年，人工智能算力需求將增長500倍，成為未來算力的最大增量。算力網絡的建設，可以從這個增量開始，通過新建的人工智能計算中心來先行先試，形成人工智能算力網絡，為國傢“東數西算”戰略落地實踐率先邁出關鍵一步。
其次，算力網絡正走向融合異構。不僅僅是人工智能計算中心聯網，各地超算中心、一體化大數據中心，都可以並入算力網絡，形成統一的算力大市場，支撐數字經濟高質量發展。
算力網絡，算力很重要，網絡也非常關鍵。我們將通過全光技術的創新，構建一個更大帶寬、更低時延、具有高度確定性的網絡，保障數據、應用、算法的高效調度。
當前，我們看到深圳鵬城實驗室、國內幾大運營商等都在推進算力網絡計劃，華為也將與產學研各界共同推動算力網絡的建設和發展。我期望，就像今天的電力網、通信網和高鐵網一樣，未來的算力網絡也能為我國數字經濟發展提供強勁的動力。
第二，建得好更要用得好，算力網絡的運營需要打好基礎。
當前，各個計算中心所產生的數據格式、算法都不盡相同，相互之間無法直接調用，隻能在本地發揮價值，這就給算力基礎設施的統一運營造成很大的困難。
為此，我們需要構建相對統一的標準。具體來說，在算力硬件、應用接口、節點互聯和數據共享多個層面，實現標準的相對統一與兼容，做到“同唱一首歌”。這樣，才能使算力、數據與生態形成匯聚，實現全網的共享和高效的運營。
此外，僅有統一的標準還不夠，發展AI基礎軟件生態是做好運營的關鍵支撐。我們認為，在大力發展芯片、網絡等硬件的同時，也要註重基礎軟件，如AI框架、開發套件、基礎模型的協同發展，釋放硬件算力，最終讓AI落地行業。
當前，華為正在聯合產業夥伴，打造統一的AI基礎軟件生態，構建產業韌性。我們的AI框架昇思MindSpore自2020年開源以來，得到產業界夥伴及開發者的積極響應，昇思社區已成為國內熱度最高的AI開源社區。我們希望跟夥伴一起，共同打造全球主流的AI框架。
第三，加速行業應用的孵化與創新，讓人工智能技術發揮更大的價值。
當前，孵化大模型已經成為行業與場景創新突破的共識。就拿前面提到的藥物研發來說，場景復雜多樣，比如蛋白質-小分子結合的預測，小分子屬性的預測，以及小分子的優化與生成等等，如果每一個場景都單獨訓練AI模型，效率非常低；現在通過一個醫藥行業的盤古預訓練大模型，基於超大規模的參數、海量訓練的數據，就可以適配藥物研發的多個關鍵場景，大大縮短藥物研發周期。
但是，大模型的研發門檻高，費時費力，要避免重復投資和開發。因此，我們呼籲政、產、學、研、用聯合起來，梳理行業場景需要的基礎大模型與行業大模型，規劃大模型沙盤，牽引大模型的孵化與創新，這既可以減少重復投入，也有利於集中優勢資源共同加速AI應用向各產業和行業的滲透。
當然，大模型隻是完成算法開發，還要結合行業know-how才能落地成為行業應用。通過這一年的探索，我們認為通過產業聯合體可以快速打通產學研用，大大提高應用落地的效率。當前，面向遙感和多模態兩個產業聯合體已經開花結果，吸引70多傢科研機構和企業加入，孵化20多個行業新應用，推動AI大模型在遙感、紡織、金融等行業落地。