大家開始熱烈地討論起來。會議室里的氣氛瞬間被點燃。
有人討論分成比例，有人討論內容審核機制，有人討論怎么防范洗稿和抄襲。
夏冬看著這一切，心里十分滿意。
這就是他想要的團隊，一群聰明人在一起碰撞，不需要他事事親力親為。
“快看號的提議，全票通過。”
夏冬壓了壓手，示意大家安靜，“晚晴，散會后你負責拉一個項目組，和一鳴對接具體的運營和推廣方案。”
蘇晚晴認真地點頭記錄在筆記本上。
“接下來，還有誰有議題？”夏冬靠在椅子上，目光掃過眾人。
陳默舉起了手。
“夏冬，接下來這個議題，本來我打算私下找你說的。”
“但既然今天是務虛會，我覺得有必要擺到桌面上，讓大家都聽聽。”陳默推開面前的茶杯。
大家都安靜下來，能讓技術大拿陳默如此嚴肅的事情，絕對不是小事。
“我們的服務器，快扛不住了。”陳默說出了第一句話。
吳澤明愣了一下：“扛不住？上個月不是剛批了五千萬的預算采購新服務器嗎？”
陳默苦笑了一聲，伸手扒拉了一下本來就亂的頭發：“五千萬？五千萬現在連打水漂都聽不到響。”
“核心問題不在數據庫讀寫的高并發，而在算法計算。”
他站起身，走到剛才一鳴用過的白板前，擦掉上面的字，畫了一個簡單的架構圖。
“大家只看到了快看網在國內的八千萬日活。”陳默用記號筆重重地點在白板上，“但你們別忘了，盛夏科技的底層推薦算法API，還同時提供給大洋彼岸的兩家公司。”
“一家是我們自已的馬甲‘字節跳跳’，另一家，是Facebook。”陳默轉過頭看著大家。
會議室里的空氣似乎凝滯了一下。
會議室里的大家，都知道這個商業機密。
“字節跳跳在北美的日活已經突破1.9億。而Facebook，他們把我們的算法接入了他們的核心動態消息流，他們現在的全球月活已經逼近1.4億。”
“這意味著什么？意味著每天有海量的數據，源源不斷地匯入我們的服務器。”
“每一條用戶點贊、每一個停留時長、每一次頁面刷新，都需要輸入到我們的神經網絡模型里進行運算，然后再把推薦結果實時返回去。”
陳默看著夏冬，眼神里透著一絲無奈：“夏冬，我們的算法確實牛逼，參數量大，精準度高。但越牛逼的算法，需要的算力就越恐怖。”
吳澤明作為后臺專家，立刻明白了陳默的意思：“你是說，我們的CPU算力見頂了？”
“不是見頂，是被榨干了。”陳默嘆了口氣，“現在的算力根本跟不上數據膨脹的速度。”
一鳴停下了吃零食的動作，皺眉問道：“如果加機器呢？”
“加機器？”陳默搖了搖頭，“字節跳跳、Facebook的體量還在狂飆。”
“如果要靠堆傳統CPU服務器來滿足他們未來的算力需求，我們就算把整個中關村大廈18層到1層全租下來改成機房都不夠用。”
“更別提每個月的天價電費和空調散熱費了。”
吳澤明補充道：“而且機房的物理空間和電力負載是有極限的。光靠橫向擴展，不是長久之計。”
會議室陷入了死一般的沉寂。
這是一個純粹的物理定律和硬件架構帶來的瓶頸。
軟件算法再精妙，也無法違背硬件的物理極限。
所有人都看向夏冬。
在這個公司里，每當遇到技術方面無解的死局，夏冬總是能拿出打破常規的方案。
其實夏冬早就預料到了這一天，服務器算力見頂是遲早的事。
他老早就找豆包，惡補了人工智能的發展史。
深度學習和神經網絡之所以在2010年之后才開始大爆發，并不是因為算法突然取得了什么逆天的理論突破。
純粹是因為算力終于跟上了。
在豆包提供的未來時間線里，拯救人工智能算力危機的，是英偉達的GPU。也就是大家俗稱的顯卡。
GPU這玩意兒，天生就是用來做大規模并行計算的。
再后來，谷歌為了搞定自家的算法和推薦系統，干脆自已下場研發了TPU，一種專門為AI定制的專用芯片。
夏冬的手指在桌面上輕輕敲擊著，發出有節奏的噠噠聲。
“陳默，澤明，你們有沒有想過，”夏冬終于開口了，目光掃過兩位技術大拿，“為什么我們堆了那么多頂配的CPU，算力依然捉襟見肘？我們的算法，到底在讓這些CPU干什么活？”
陳默皺著眉頭想了想：“主要就是神經網絡的層級計算，里面全是大規模的矩陣乘法。”
“對，問題就出在這里。”
夏冬停止敲擊桌面，“CPU的架構設計初衷是什么？是處理復雜的控制邏輯，它里面有大量的分支預測、指令調度單元。”
“打個比方，CPU就像是一個精通微積分的大學老教授。你讓他解多復雜的數學題他都會。”
為了讓非純技術的蘇晚晴也能聽懂，夏冬頓了頓，攤開雙手繼續說道：“但是，我們推薦算法需要的，是極其海量、極其枯燥的簡單矩陣乘法。”
“這等于你雇了一萬個大學老教授，每天讓他們坐在辦公室里算一加一等于幾。”
陳默和吳澤明愣了一下。
“他們能算，”夏冬一針見血地指出，“但是效率極低，而且成本高得離譜。大炮打蚊子，從根源上就錯了。”
兩位頂尖的技術大拿對視了一眼，腦子里仿佛劈過一道閃電。
陳默喃喃自語：“所以……通用的CPU，從硬件物理架構上就不適合跑我們的算法？”
“沒錯。”夏冬順勢拋出一個引導性的問題，“既然一個精通微積分的老教授算得慢，那我們找一萬個只會算乘法的小學生來并行計算呢？”
“我們需要的是高并發、低邏輯復雜度、海量的浮點運算單元……”
吳澤明推了推眼鏡，眉頭微皺，大腦在瘋狂檢索現有的硬件架構：“夏冬，你說的這種硬件特征，聽起來怎么那么像電腦里的顯卡？”
“確切地說，是GPU。”夏冬打了個響指，“澤明抓住了盲點。”
夏冬表情淡定，內心其實正在快速梳理之前用豆包查閱的資料。
早在2007年，英偉達就推出了CUDA架構，讓GPU不僅僅能打游戲渲染圖像，還能進行通用計算。
現在這個時間節點，多倫多大學的Hinton團隊、斯坦福大學的吳恩達，其實已經開始嘗試用GPU加速神經網絡訓練了。
效率足足比CPU高出了幾十倍。
到了2011年，吳恩達更是用12塊GPU，生生跑出了相當于2000個CPU的深度學習算力。
這就是降維打擊。