據了解，人工智能較大的挑戰之一是鑒別度不高、精確度不高，提升精確度就需要提升實體模型的經營規模和細致度，提升線下推廣訓煉的次數，這需要更強的計算力。精確度也是算出去的，例如大中型互聯網公司或是***人工智能初創公司，有工作能力布署經營規模較為大的人工智能測算服務平臺，優化算法的實體模型早已做到千億元主要參數、萬億元的訓煉數據經營規模。

　　“如今人工智能使用的深度神經網絡架構，大部分依靠互聯網大數據開展科學研究訓煉，產生合理實體模型，這種都需要較高的計算力。”譚茗洲強調，當今伴隨著人工智能優化算法實體模型的復雜性和精密度越來越高，互聯網技術和物聯網技術造成的數據信息呈幾何倍數提高，在信息量和優化算法實體模型的兩層累加下，人工智能對測算的要求越來越大。毫無疑問，人工智能邁向深度神經網絡，計算力已變成點評人工智能科學研究成本費的關鍵指標值。可以說，計算力就是生產主力。

　　為什么說人工智能非常的耗用算力?實際來講，在經典的馮·諾伊曼電子計算機構架中，數據存儲器和測算模塊涇渭分明。計算時，需要將數據信息從數據存儲器載入到測算模塊，計算之后把結果寫回數據存儲器。在大數據驅動的人工智能時期，AI計算中數據運送更為經常，需要儲存和解決的信息量遠遠地超過以前普遍的運用。當計算工作能力做到一定水平，因為瀏覽儲存器的速率沒法緊跟計算構件耗費數據信息的速率，因而再提升計算構件也沒法獲得靈活運用，就產生了說白了的馮·諾伊曼“短板”或“運行內存墻”問題。這就好似一臺大馬力強悍的汽車發動機，卻由于輸油管道的窄小而沒法造成需有的驅動力。

　　顯而易見，經常的數據信息運送造成 的算率短板，早已變成對更加***優化算法探尋的限定要素。而算率短板對更***、復雜性高些的AI實體模型的科學研究將造成更高危害。