2022年北京智源大会召开在即，5月31日至6月2日，持续三天，26场由各领域领军学者主导的专题论坛。大会将紧紧围绕这些当前学术领域迫切需要解决的问题，以及产业落地过程中存在的诸多挑战，延续一贯以来的“内行认可”品质口碑，分享真正内行认可的重大成果与真知灼见，献上一场诚意满满的AI盛宴！目前已正式开放大会线上报名渠道。大会将同步向全球线上直播。

北京智源大会倒计时：6 天

论坛议程

论坛主席

翟季冬 清华大学副教授，智源青年科学家

清华大学计算机系长聘副教授，博士生导师。现为清华大学计算机系高性能所副所长，ACM中国高性能计算专家委员会秘书长、北京智源青年科学家。主要研究方向包括高性能计算、性能评测和编译优化等。研究成果发表在相关领域顶级学术会议和期刊——SC、ICS、PPOPP、ASPLOS、MICRO、OSDI、ATC、IEEE TC、IEEE TPDS等。研究成果获ACM ICS 2021最佳学生论文奖、SC 2014 Best Paper Finalist、ICDCS 2020 Best Paper Honorable Mention奖。担任NPC 2018程序委员会主席、IEEE Cluster 2021领域主席、SC 2022领域副主席，SC、ICS、PPOPP、PACT等国际学术会议程序委员会委员。目前担任IEEE TC、IEEE TPDS、IEEE TCC等多个国际学术期刊编委。担任清华大学学生超算团队教练，指导的团队十二次获得世界冠军。在2015年和2018年包揽了SC、ISC、ASC三大国际超算竞赛的总冠军，实现“大满贯”。获教育部科技进步一等奖、中国电子学会科学技术一等奖、中国计算机学会优秀博士学位论文奖、IEEE TPDS杰出编委奖 (Editorial Excellence Award)、国家自然科学基金优秀青年科学基金、CCF-IEEE CS青年科学家奖。

曹锡刚 智源研究院算力平台负责人

东北大学硕士，加入智源研究院之前，历任百度技术经理、金山云合伙人。有近20年互联网经验，在底层基础设施方面具有丰富的经验和能力，尤其擅长数据中心、网络、服务器等方面的规划设计和建设运维，为GITC主席团成员，2015年获得年度互联网技术杰出贡献奖；2021年加入智源研究院，主要方向为人工智能芯片、高性能存储、高速互联网、智能算力平台管理等方面的研究及优化工作，构建高性能、高可靠的算力平台，为大模型的训练以及人工智能行业应用提供算力资源。

演讲主题及嘉宾介绍（按照发言先后顺序）

1、异构平台上的融合编译技术/Host-kernel fusion compilation for hetergeneous platforms

议题设置：近年来异构体系结构快速发展并快速应用到HPC、AI等多个领域，以CUDA/OpenCL为代表的底层编程模型为用户提供了灵活的自定义算子能力。但是底层的编译器仍然采用Host和Kernel分离的编译策略，这一策略不仅局限了特定平台上优化潜能的挖掘，也给程序跨平台移植时的性能带来了很大的影响。我们针对这一问题，构建了Host和Kernel融合的编译基础框架，从编译的基础分析、优化变换等角度展示了将Host和Kernel融合后所带来的性能和可移植性方面的优势。

崔慧敏/Huimin Cui 中科院计算所研究员，博士生导师

研究方向为面向数据中心和异构体系结构的编译技术，近年来围绕大数据、AI等新型计算范式，研究它们在异构体系结构下的编译优化方法。崔慧敏作为负责人承担科技创新2030项目、多项自然科学基金、科技部重点研发计划等项目和课题，先后在PLDI、MICRO、PPoPP等国际会议和期刊上发表论文二十余篇。在PPoPP、SC、ISCA、CGO、PACT等顶级会议上担任程序委员会委员。

  2、河图：面向超大模型的分布式深度学习框架/Hetu：A distributed deep    learning system towards large-scale models

议题简介：机器学习系统是人工智能应用的重要基础，也是近些年学术界以及工业界的研究热点。作为机器学习与系统的交叉领域，既需要需要关注机器学习本身的数据特性、模型结构、训练方法、优化算法，又需要考虑系统在计算、存储、通信、调度、硬件上存在的问题。最终，在保证机器学习效果的前提下，提高系统性能。日益增长的模型和数据规模对现有系统带来了严峻的挑战。本次报告介绍了课题组自主研发的面向超大模型的分布式深度学习框架--河图。报告首先介绍了河图的特性和设计理念，剖析了目前“大模型”发展情况，然后重点介绍了河图面向复杂模型和硬件环境的优化进展以及在自动化并行训练上的探索。最后，对机器学习系统的发展进行了展望。

苗旭鹏/Xupeng Miao 北京大学计算机学院2017级博士

来自于北京大学数据与智能（PKU-DAIR）实验室，师从崔斌教授。他的研究兴趣主要包括机器学习系统、分布式优化、GPU 并行计算等。博士期间，他已经在 SIGMOD、VLDB、KDD、ICDE和TKDE 等国际顶级会议和期刊上发表了 20 余篇学术论文，其中一作CCF A类9篇。他是北大自研的分布式深度学习系统 - 河图（Hetu）的设计者和负责人，该系统入选AI中国·2021年度十大开源事件，此前他还参与了开发了工业级开源分布式机器学习系统 Angel。

  3、一个高效的超大规模向量近似最近邻搜索系统SPANN/SPANN: Highly-      efficient Large-scale Approximate Nearest Neighbor Search

议题简介：随着数据规模的快速增长，基于内存的向量搜索面临着海量且非常昂贵的内存需求，因此，人们对小内存-大硬盘混合型向量近似最近邻搜索的需求也越来越迫切。同时，传统的分布式搜索系统需要将每一个查询都分发给每台机器进行本地查询，这会导致查询延迟和资源开销会随着机器数量的增多而变大，系统可扩展性变差。因此，我们提出了一种非常简单且高效的基于倒排索引思想的内存-硬盘混合型索引和搜索方案SPANN，有效地解决了倒排索引方法中的三个会导致高延迟或者低召回的难题。实验结果显示，SPANN在多个上亿量级数据集上都能取得两倍多的加速达到90%召回率，其查询延迟能够有效地控制在一毫秒左右。同时，SPANN的设计能够有效地被扩展到分布式搜索中限制每个查询的资源开销和延迟大小，从而实现高可扩展性。目前SPANN已经被部署在了微软必应搜索中支持百亿量级的高性能向量近似最近邻搜索。

陈琪/Qi Chen 微软亚洲研究院系统研究组高级研究员

于2010年和2016年分别在北京大学信息科学技术学院获得学士和博士学位，师从肖臻教授，博士期间主要从事分布式系统，云计算和并行计算方向的研究。她已经在国际顶级会议和期刊上发表了二十篇学术论文，发表的论文曾获得过OSDI最佳论文奖。目前主要研究方向包括分布式系统，云计算，深度学习算法和人工智能系统。

  4、也谈下一代人工智能计算架构

议题简介：深度学习可能是近10年最大的技术变革，深度学习算法和工作负载具有鲜明的特征，譬如高度依赖于算力。但是，众所周知，伴随着摩尔定律等一系列红利的终结，我们必须找到新的出路。沧海横流，方显英雄本色。Jeff Dean 撰文总结了过去 10 年为深度学习的黄金十年；图灵奖得主 John Hennessy 和 David Patterson 认为未来10年是计算机架构的新的黄金时代；LLVM 之父 Chris Lattner 认为未来是编译器的黄金时代。今年，英伟达发布了 DSA和GPGPU合体的新一代 H100，Google 开始构建人工智能下一代计算架构 Pathways。我想，肯定有很多同行和我一样在思考新一代架构会向何处去的问题。借这次交流，抛砖引玉，分享我们在深度学习框架、编译器和芯片架构等问题上的思考。

袁进辉/Jinhui Yuan 北京一流科技有限公司创始人

2008年于清华大学计算机系获得工学博士学位（优秀博士学位论文奖），2008~2011年在清华大学计算机系从事计算神经科学方面的博士后研究，原微软亚洲研究院主管研究员（院长特别奖获得者），于2017年创立北京一流科技有限公司，致力于打造新一代深度学习框架OneFlow。兼任之江实验室天枢开源开放平台架构师，北京智源人工智能研究院大模型技术委员会委员。

  5、云计算基础设施的“系统化”

议题简介：云计算现在正在向集约化，系统化和异构化方向发展。通过各种距离不同的互联手段，将CPU，各种XPU加速单元以及存储等构建成一个一体化网络。在不同尺度的空间内，比如芯片内，封装内，板卡内和集群内，分别聚合不同类型的单元，构建不同类型的异构方向。软件栈的集约化和异构化趋势也随着硬件系统而步进，更多的交钥匙功能被集成进入软件栈，更多的组件化被作为软件栈的基础。从而构成更大规模的软硬件系统一体化，极大优化客户的TCO和加速客户的易用性和高效性。

张亚林/Arthur Zhang 上海燧原科技有限公司创始人兼COO

2008年加入AMD，历任资深芯片经理、技术总监。曾经作为全球芯片研发主要负责人之一，在AMD上海研发中心成功领导开发并量产了多颗世界级芯片，拥有丰富的工程和产品化实战经验。其中包括：领导全球团队为微软（Microsoft）定制开发了XBOX-ONE系列主芯片；领导开发了全球目前最大的融合芯片APU，并一次量产成功，该款芯片成功用于小霸王最新发布的Z+游戏电脑。还曾参与创立、发展和管理了AMD上海研发中心融合芯片部门、AMD北京研发中心以及AMD中国多媒体IP部门。拥有复旦大学电子工程学士学位，并取得12项个人技术专利。

6、如何调节后摩尔时代的架构计算之争？

议题简介：摩尔定律(Moore’s Law)的衰落、并行计算的兴起和人工智能(AI)的出现，巧合地引发了后摩尔时代的架构战略(post-Moore Computer Architecture)之争。由John Hennessy 和 David Patterson 教授创造的领域特定架构 (DSA) 被誉为解决后摩尔时代计算架构挑战的冠军。然而矛盾的是，在范式转换的 AI 领域，基于 DSA 的解决方案似乎并没有打破 GPU 的主导地位。从历史的角度来看，我们调研了这个矛盾，并通过四个主要的架构决策方向来探讨这个架构之争：

1. AI DSA 还是 GPU？

2. 可编程性或固定功能？

3. 分布还是共享式内存？

4. 计算还是图形？

正如 Hennessy 和 Patterson 所建议的那样，最终将是市场来解决这场论证。我们希望这次讨论能够帮大家找出一个后摩尔时代在市场胜出的计算架构。

吕坚平/Jianping Lv 北京天数微芯半导体科技有限公司首席技术官

近30年芯片研发技术经验，是GPU及AI硬件方面的顶级专家，AI演算法理论先驱。曾任三星全球副总裁，英伟达全球资深GPU架构师等职务。擅长使用涵盖 GPU 架构、AI 硬件和片上系统 (SoC) 的独特多样化背景将新兴技术集成到具体平台和优秀产品中。毕业于耶鲁大学并获计算机科学博士学位。

  7、云上大计算助力AI for Science 尽情奔跑

议题简介：人工智能作为引领未来的战略性技术，在应用科学、基础科学研究等领域应用越来越多，正在释放历次科技革命和产业变革的巨大能量，构建崭新的未来际遇。而算力作为AI核心要素，已经成为人工智能发展的重中之重，伴随着巨量化的模型、数据资源和应用规模进一步发展，需要巨量算力应对不同智能场景的多元算力需求。而伴随着云计算普及，如何利用好“云”的高性能计算资源支撑AI研究，也已成为普遍关心的话题。本次报告将以“云上大计算助力AI 应用创新”为题，向与会嘉宾分享报告人通过云计算平台释放多元算力价值、促进人工智能创新方面的探索和研究，及云上大计算在AI for Science领域内的创新实践应用。

曹政/Zheng Cao 阿里巴巴集团资深技术专家，阿里云大计算集群团队负责人

CCF高性能计算专委委员，CCF区块链专委委员。中国科学院计算技术研究所计算机系统结构博士，加州大学Davis分校EECS博士后，后加入阿里巴巴任阿里巴巴基础设施团队架构师。曾在中科院计算所承担曙光系列超级计算机系统研发工作，骨干参加多项863项目，主持国家自然科学基金面上项目、科技部十三五重大专项课题，在Sigcomm、HPCA、Micro、JLT等期刊会议发表论文70余篇，获得专利授权60余项（含中国专利金奖一项）