據介紹，人工智能比較大的挑戰之一是識別度不高、準確度不高，提高準確度就要提高模型的規模和精細度，提高線下訓練的頻次，這需要更強的計算力。當前隨著人工智能算法模型的復雜度和精度愈來愈高，互聯網和物聯網產生的數據呈幾何倍數增長，在數據量和算法模型的雙層疊加下，人工智能對計算的需求越來越大。

“2016年3月，谷歌人工智能阿爾法圍棋（AlphaGo）戰勝韓國棋手李世石時，人們慨嘆人工智能的強大，而其背后巨大的‘付出’卻鮮為人知——數千臺服務器、上千塊CPU、高性能顯卡以及對弈一場棋所消耗的驚人電量。”遠望智庫人工智能事業部部長、圖靈機器人首席戰略官譚茗洲在接受科技日報記者采訪時表示。

“相比云計算和大數據等應用，人工智能對計算力的需求幾乎無止境。”中國工程院院士、浪潮集團首席科學家王恩東也指出。

據介紹，人工智能比較大的挑戰之一是識別度不高、準確度不高，提高準確度就要提高模型的規模和精細度，提高線下訓練的頻次，這需要更強的計算力。

當前隨著人工智能算法模型的復雜度和精度愈來愈高，互聯網和物聯網產生的數據呈幾何倍數增長，在數據量和算法模型的雙層疊加下，人工智能對計算的需求越來越大。

從中國信息通信研究院王蘊韜在通信世界網發表的文章了解，人工智能基礎設施建設重要一方面是繼續夯實通用算力基礎。當前算力供給已經無法滿足智能化社會構建，根據OpenAI統計，從2012年至2019年，隨著深度學習“大深多”模型的演進，模型計算所需計算量已經增長30萬倍，無論是計算機視覺還是自然語言處理，由于預訓練模型的廣泛使用，模型所需算力直接呈現階躍式發展。

據斯坦福《AIINDEX2019》報告，2012年之前，人工智能的計算速度緊追摩爾定律，算力需求每兩年翻一番，2012年以后，算力需求的翻番時長則直接縮短為3、4個月。面對已經每過20年才能翻一番的通用計算供給能力，算力捉襟見肘已經不言而喻。

無疑，人工智能走向深度學習，計算力已成為評價人工智能研究成本的重要指標。

未來如何解決算力難題，據科技日報報道，目前計算存儲一體化正在助力、推動算法升級，成為下一代AI系統的入口。存內計算提供的大規模更高效的算力，使得AI算法設計有更充分的想象力，不再受到算力約束。從而將硬件上的先進性，升級為系統、算法的領先優勢，最終加速孵化新業務。

而除了計算存儲一體化的趨勢，量子計算或是解決AI所需巨額算力的另一途徑。目前量子計算機的發展已經超越傳統計算機的摩爾定律，以傳統計算機的計算能力為基本參考，量子計算機的算力正迅速發展。