數據、算法、算力被稱作深度學習的三架馬車，共同驅動了第三輪人工智能浪潮的興起。一方面，硬件計算能力的發展確實快速推動深度學習技術在各個領域取得巨大進展，但另一方面，深度學習模型升級的頻率顯著高於過去，模型的計算力需求呈爆炸式增長，已經將過去多年來累積的計算力成本下降的紅利迅速蠶食。
近幾年，許多給人留下深刻印象的技術突破都是“大力出奇跡”類型，即算法的新鮮度不強 ，但是通過使用更多的數據、更多的算力，實現更驚豔的效果 。以最近火爆全球的 GPT-3 模型爲例，其參數量高達 1700 億，有行業人士估計訓練這一份模型需要 1200 萬美金，別說普通人玩不起，就是一般的公司也難以承擔。人工智能要真正實現全面落地，還面臨着巨大的鴻溝。
但萬物智聯的時代就在眼前，數據的增長、算法的發展將會給算力帶來越來越大的挑戰，提高整個計算系統的性能與效率迫在眉睫。面對算力瓶頸，軟件層面能做些什麼？如何進一步通過軟件釋放硬件的最大性能？如何更好地滿足對海量數據進行實時處理和分析的需求？實現“計算普惠”還有哪些途徑？
本期 InfoQ《大咖說》邀請到了來自英特爾、南京大學、清華大學、中科院的五位技術大咖針對上述問題展開討論，快來圍觀大佬們的觀點碰撞吧！
直播大綱
議題一：智能互聯時代，算力面臨哪些挑戰？
在全球疫情大流行的背景下，互聯網、數字經濟、人工智能加速發展，數字鴻溝的問題進一步加劇，這背後反映的是什麼問題？計算力面臨着哪些方面的挑戰？
議題二： 如何通過軟硬件結合，實現算力的指數級提升？
現在業界已形成共識，要實現算力的指數級提升需通過軟硬結合，大家覺得實現軟硬件結合的最好方式是什麼？有哪些必備的特點？
議題三：如何進一步通過軟件釋放硬件的最大性能？
在軟硬件結合的基礎之上，軟件方面還有什麼創新思路，能夠進一步釋放硬件計算性能？如何通過軟件快速提升算力，滿足對海量數據進行實時處理和分析的需求？
議題四：實現“計算普惠”還有哪些新路徑？
應對日益增長的計算需求，還有哪些路徑 / 方法能讓計算力變得人人可用？
嘉賓介紹
宋繼強/ 英特爾中國研究院院長
謝曉清/ 英特爾架構、圖形和軟件集團副總裁兼中國區總經理
張賀/ 南京大學軟件工程教授
崔慧敏/ 中國科學院計算技術研究所研究員
翟季冬/ 清華大學計算機系長聘副教授、博士生導師