丁誠提到了“AI For Science”（科學智能）。他表示，下一個可能發(fā)現(xiàn)的技術(shù)變化點是科學智能，傳統(tǒng)的科學智能、科學計算在每一個科學問題中，可能都孕育著一個基本的數(shù)學方程。

舉例來說，在流體力學計算中會消耗大量的算力，這個過程其實數(shù)學原理很簡單，就是一個納維-斯托克斯方程的求解。在傳統(tǒng)過程中，如果用CPU單卡進行計算，可能需要幾十年、上百年都算不完，而用AI的方式就有可能10倍或者100倍地加速納維-斯托克斯的求解。

“所以在MindSpore發(fā)布的2.0版本中，提出了科學計算融合架構(gòu)，目的就是想在這個賽道中能獲得更多技術(shù)領(lǐng)先的機會，打造自己的原生生態(tài)?！倍≌\向觀察者網(wǎng)透露，MindSpore會首先在大模型和AI For Science兩個新賽道里構(gòu)建自己的原生生態(tài)。

根據(jù)Omdia發(fā)布的報告，“AI for Science”借助人工智能的巨大技術(shù)優(yōu)勢，可將數(shù)學計算和科學模型的方法結(jié)合，高效處理海量數(shù)據(jù)，使傳統(tǒng)的科研過程變得自動化、規(guī)模化、并行化和平臺化，從而解決原來傳統(tǒng)科學研究范式無法解決的問題，幫助科學家突破科研瓶頸。

Omdia分析師認為，“AI for Science”在氣候和環(huán)境科學（天氣預(yù)測等），生物制藥和生命科學（新藥研發(fā)、蛋白質(zhì)結(jié)構(gòu)預(yù)測等），流體力學（汽車或飛機的氣動設(shè)計等），電磁學（電磁仿真等）等應(yīng)用領(lǐng)域可能會首先取得突破。

在這份報告中，大多數(shù)開發(fā)者反饋，TensorFlow 對“AI for Science”支持比較好，而昇思 MindSpore對“AI for Science”的支持能力超過PyTorch，并有趕超TensorFlow的趨勢。

“對于Pytorch和TensorFlow領(lǐng)先的生態(tài)怎么辦？我們會做兩件事情?！?

丁誠透露，首先，框架的生態(tài)錨點會從API走向模型，MindSpore開源社區(qū)將承載更多業(yè)界高質(zhì)量算法模型，把這些模型打造成一個算法套件，幫助傳統(tǒng)賽道的AI用戶能快速得到行業(yè)場景應(yīng)用。第二件事情，MindSpore在保持自己自主創(chuàng)新的一套原生API基礎(chǔ)之下，兼容業(yè)界現(xiàn)有像Pytorch這樣的API的生態(tài)。對傳統(tǒng)用戶來講，如果想重新學習MindSpore，學習成本將會很低，通過這樣的方式，把傳統(tǒng)的生態(tài)逐漸吸引到MindSpore生態(tài)圈里。

構(gòu)建生態(tài)仍是重中之重

在PC和移動互聯(lián)時代，軟硬件生態(tài)是產(chǎn)業(yè)鏈企業(yè)無法忽視的關(guān)鍵詞，Windows+Intel、Android+ARM構(gòu)建的生態(tài)壁壘，直到現(xiàn)在還是“制勝法寶”。在人工智能時代，AI框架的生態(tài)構(gòu)建同樣是重中之重，因為這將直接影響框架的能力、功能、以及產(chǎn)業(yè)化應(yīng)用等。