
大会活动:中国算力百人会成立大会
大会主题:共启智算新未来
大会形式:主题演讲、成立仪式、合作洽谈
大会日期:2024年12月17日上午
大会地点:北京
参与单位:包括算力设备商、算力技术服务商、算力运营商、算力金融服务商、大模型及智能体公司、新能源企业及算力需求企业等
算力作为新质生产力的重要引擎,正从多个维度为数字经济高质量发展提供关键技术支撑,为实现现代化应用提供核心动力。
随着新一代信息技术的广泛深入应用以及大型计算模型的迅猛发展,各行各业对于算力资源的需求,尤其是通用计算、超级计算以及智能计算等多维度算力,正呈现出前所未有的大幅增长态势。尤为引人注目的是,人工智能领域的算力需求尤为迅猛,其背后是机器学习、深度学习等技术的快速迭代与广泛应用,这些都对高性能、高效率的计算能力提出了更高要求。
为了积极应对这一挑战,进一步加强算力领域内的产、学、研、用紧密合作,推动算力技术的持续创新与突破,同时促进算力生态系统的健康构建与良性发展,多家在算力技术与应用领域具有深远影响力的机构、企业及科研单位,携手共同发起成立了“中国算力百人会”。
2024年12月17日上午,在中国电子信息行业联合会数字经济专委会的指导下,由CIO时代主办、智算研究院作为智库支持的“中国算力百人会成立大会”将于北京重磅举办!大会将汇聚政府、学界和产业上下游伙伴力量,构建多领域创新融合与协同合作平台,共同助力算力产业高质量发展。大会现场将设置“中国算力百人会”成立仪式,精彩敬请期待!
中国算力百人会(以下简称算力百人会)是由中国电子信息行业联合会数字经济专委会领导下,由CIO时代与业界算力企业共同发起成立的一个虚拟组织,算力百人会是适应人工智能算力大发展的需求,由算力设备供应商、算力运营商、人工智能服务商及算力需求企业等共同发起,旨在促进算力中心的合理布局、建设、运营及应用,从而促进中国通算、超算及智算的良性发展与务实应用。算力百人会将打造成中国算力领域顶尖的资讯交流平台、供需合作平台及人才发展平台。算力百人会秘书处设在CIO时代。
算力百人会组织结构:
理事长:王同良(中海油科技信息部原总经理、国务院政府特殊津贴专家、教授级高工)
专家委主任:郑纬民(中国工程院院士、清华大学高性能计算所所长)
专家委常务副主任:刘九如(中国电子信息行业联合会数字经济专委会理事长)
专家委副主任:倪光南(中国工程院院士)
专家委副主任:何进(北京大学系统芯片设计实验室主任)
常务副理事长:姚乐(CIO时代创始人兼研究院院长)
秘书长:刘晶(CIO时代联合创始人兼COO)
副秘书长:王崇鲁(CIO时代智算研究院负责人)
副秘书长:刘胜文(深圳点用工业互联网研究院院长助理)

CIO时代:
CIO时代成立于2003年,由北大CIO论坛创始人姚乐博士带领论坛骨干创建。成立20年来,CIO时代以传播“新技术、新商业、新管理”知识为使命,专注CIO人群的培养和技术专题培训,为CIO提供数字化相关的资讯和专业研究内容,打造CIO领域专业、精准、多维度的垂直媒体平台,致力于成为“个人和组织数字化业务、管理和技术知识的赋能者”。
智算研究院:
智算研究院是CIO时代旗下的智库研究机构,汇聚院士、政府领导、央国企、医疗、教育、能源、制造等十多个行业专家组建智库,拥有千余位智库专家阵容。研究院主要目标是建立政府、科研机构、高校和行业数字化转型从业者之间的合作,发挥政、产、学、研、用的桥梁、纽带作用,促进算力领域的生态建设及良性发展。研究院聚焦芯片、算力、算力基础设施技术体系建设及数字化等相关领域内容,旨在推动智算产业融合发展,促进数字产业落地,促进数字中国建设。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。