大家开始热烈地讨论起来。会议室里的气氛瞬间被点燃。 有人讨论分成比例，有人讨论内容审核机制，有人讨论怎么防范洗稿和抄袭。 夏冬看着这一切，心里十分满意。 这就是他想要的团队，一群聪明人在一起碰撞，不需要他事事亲力亲为。 “快看号的提议，全票通过。” 夏冬压了压手，示意大家安静，“晚晴，散会后你负责拉一个项目组，和一鸣对接具体的运营和推广方案。” 苏晚晴认真地点头记录在笔记本上。 “接下来，还有谁有议题？”夏冬靠在椅子上，目光扫过众人。 陈默举起了手。 “夏冬，接下来这个议题，本来我打算私下找你说的。” “但既然今天是务虚会，我觉得有必要摆到桌面上，让大家都听听。”陈默推开面前的茶杯。 大家都安静下来，能让技术大拿陈默如此严肃的事情，绝对不是小事。 “我们的服务器，快扛不住了。”陈默说出了第一句话。 吴泽明愣了一下：“扛不住？上个月不是刚批了五千万的预算采购新服务器吗？” 陈默苦笑了一声，伸手扒拉了一下本来就乱的头发：“五千万？五千万现在连打水漂都听不到响。” “核心问题不在数据库读写的高并发，而在算法计算。” 他站起身，走到刚才一鸣用过的白板前，擦掉上面的字，画了一个简单的架构图。 “大家只看到了快看网在国内的八千万日活。”陈默用记号笔重重地点在白板上，“但你们别忘了，盛夏科技的底层推荐算法API，还同时提供给大洋彼岸的两家公司。” “一家是我们自己的马甲“字节跳跳”，另一家，是FaCebOOk。”陈默转过头看着大家。 会议室里的空气似乎凝滞了一下。 会议室里的大家，都知道这个商业机密。 “字节跳跳在北美的日活已经突破1.9亿。而FaCebOOk，他们把我们的算法接入了他们的核心动态消息流，他们现在的全球月活已经逼近1.4亿。” “这意味着什么？意味着每天有海量的数据，源源不断地汇入我们的服务器。” “每一条用户点赞、每一个停留时长、每一次页面刷新，都需要输入到我们的神经网络模型里进行运算，然后再把推荐结果实时返回去。” 陈默看着夏冬，眼神里透着一丝无奈：“夏冬，我们的算法确实牛逼，参数量大，精准度高。但越牛逼的算法，需要的算力就越恐怖。” 吴泽明作为后台专家，立刻明白了陈默的意思：“你是说，我们的CPU算力见顶了？” “不是见顶，是被榨干了。”陈默叹了口气，“现在的算力根本跟不上数据膨胀的速度。” 一鸣停下了吃零食的动作，皱眉问道：“如果加机器呢？” “加机器？”陈默摇了摇头，“字节跳跳、FaCebOOk的体量还在狂飙。” “如果要靠堆传统CPU服务器来满足他们未来的算力需求，我们就算把整个中关村大厦18层到1层全租下来改成机房都不够用。” “更别提每个月的天价电费和空调散热费了。” 吴泽明补充道：“而且机房的物理空间和电力负载是有极限的。光靠横向扩展，不是长久之计。” 会议室陷入了死一般的沉寂。 这是一个纯粹的物理定律和硬件架构带来的瓶颈。 软件算法再精妙，也无法违背硬件的物理极限。 所有人都看向夏冬。 在这个公司里，每当遇到技术方面无解的死局，夏冬总是能拿出打破常规的方案。 其实夏冬早就预料到了这一天，服务器算力见顶是迟早的事。 他老早就找豆包，恶补了人工智能的发展史。 深度学习和神经网络之所以在2010年之后才开始大爆发，并不是因为算法突然取得了什么逆天的理论突破。 纯粹是因为算力终于跟上了。 在豆包提供的未来时间线里，拯救人工智能算力危机的，是英伟达的GPU。也就是大家俗称的显卡。 GPU这玩意儿，天生就是用来做大规模并行计算的。 再后来，谷歌为了搞定自家的算法和推荐系统，干脆自己下场研发了TPU，一种专门为AI定制的专用芯片。 夏冬的手指在桌面上轻轻敲击着，发出有节奏的哒哒声。 “陈默，泽明，你们有没有想过，”夏冬终于开口了，目光扫过两位技术大拿，“为什么我们堆了那么多顶配的CPU，算力依然捉襟见肘？我们的算法，到底在让这些CPU干什么活？” 陈默皱着眉头想了想：“主要就是神经网络的层级计算，里面全是大规模的矩阵乘法。” “对，问题就出在这里。” 夏冬停止敲击桌面，“CPU的架构设计初衷是什么？是处理复杂的控制逻辑，它里面有大量的分支预测、指令调度单元。” “打个比方，CPU就像是一个精通微积分的大学老教授。你让他解多复杂的数学题他都会。” 为了让非纯技术的苏晚晴也能听懂，夏冬顿了顿，摊开双手继续说道：“但是，我们推荐算法需要的，是极其海量、极其枯燥的简单矩阵乘法。” “这等于你雇了一万个大学老教授，每天让他们坐在办公室里算一加一等于几。” 陈默和吴泽明愣了一下。 “他们能算，”夏冬一针见血地指出，“但是效率极低，而且成本高得离谱。大炮打蚊子，从根源上就错了。” 两位顶尖的技术大拿对视了一眼，脑子里仿佛劈过一道闪电。 陈默喃喃自语：“所以……通用的CPU，从硬件物理架构上就不适合跑我们的算法？” “没错。”夏冬顺势抛出一个引导性的问题，“既然一个精通微积分的老教授算得慢，那我们找一万个只会算乘法的小学生来并行计算呢？” “我们需要的是高并发、低逻辑复杂度、海量的浮点运算单元……” 吴泽明推了推眼镜，眉头微皱，大脑在疯狂检索现有的硬件架构：“夏冬，你说的这种硬件特征，听起来怎么那么像电脑里的显卡？” “确切地说，是GPU。”夏冬打了个响指，“泽明抓住了盲点。” 夏冬表情淡定，内心其实正在快速梳理之前用豆包查阅的资料。 早在2007年，英伟达就推出了CUDA架构，让GPU不仅仅能打游戏渲染图像，还能进行通用计算。 现在这个时间节点，多伦多大学的HintOn团队、斯坦福大学的吴恩达，其实已经开始尝试用GPU加速神经网络训练了。 效率足足比CPU高出了几十倍。 到了2011年，吴恩达更是用12块GPU，生生跑出了相当于2000个CPU的深度学习算力。 这就是降维打击。