“为什么天空是蓝色的？萤火虫为什么会发光？为什么你的眼睛总是一起转？”面对孩子的十万个理由，家长和老师总会用预留的知识或者查阅书籍来回答问题。

但随着内容的爆炸式增长，一个问题越来越难得到准确的答案。

早些年，使用网购平台的用户需要根据商品的分类逐步搜索，才能在海量的商品中找到自己的商品。

2022年双十一当天，普通消费者不仅可以轻松筛选出自己想要的商品，还能收到符合自己喜好的商品推荐和直播。

这就隐藏了推荐系统的变化。在孩子向家长提问的场景中，家长其实充当了孩子的推荐系统，但普通人的知识储备毕竟有限。互联网时代，有搜索引擎，但还不够。

后来AI技术的兴起，帮助推荐系统大踏步前进。无论是购物平台的商品推荐，直播平台的主播推荐，还是视频平台的视频内容推荐，越来越多的人开始感叹AI更懂自己。

双十一的背后，是价值千亿的AI推荐系统。

AI推荐系统已经悄然成为互联网公司业务的重要组成部分。数据显示，在一些大型的全球在线网站上，即使推荐内容的相关性只增加1%，其销售额也会增加数十亿。AI推荐系统无疑是隐藏在众多互联网应用背后的高价值系统。

然而，高价值的AI推荐系统仍然是少数公司负担得起的。如何才能实现AI推荐系统的普及？怎样才能有一个完善的AI推荐系统？

推荐系统背后计算能力的演变

推荐系统并不新鲜。为了提高性能和客户满意度，互联网公司在十几年前就开始了推荐系统的研究和应用。早年他们采用的是传统的方法，比如协同过滤，CPU足以满足当时推荐系统的需求。

然而，随着推荐系统应用需求和算法的演进，系统变得越来越复杂，需要更强大的底层计算能力作为支撑。推荐系统的开发者发现了一个问题，通信节点之间的性能遇到了瓶颈。

也就是说，服务器达到一定规模后，很难通过不断增加服务器数量来提高推荐系统的效果。

这促使推荐系统的推广者寻找更强、更合适的计算能力支持。当然，这个过程中还有一个重要的驱动力——AI。将AI引入推荐系统可以增加推荐系统的效果，但同时也使得推荐系统越来越复杂。

典型的推荐系统包括召回、过滤等过程。随着AI的引入，越来越多的数据需要用于训练，以达到预期的效果。

双十一的背后，是价值千亿的AI推荐系统。

“在推荐系统中引入深度学习后，大家还是会习惯性地先用CPU，但后来发现在深度学习的算法中加入几层神经网络可能就不行了。”

英伟达亚太发展和技术部总经理李喜朋在2022年云起大会期间告诉Leifeng.com，“GPU在这个时候有明显的优势。GPU的计算能力远高于CPU，GPU的带宽也远高于CPU。我们Hopper架构GPU的带宽已经达到了3TB/s。”

但是要加速推荐系统，不仅仅是从CPU迁移到GPU。