作為一個(gè)科技從業(yè)者，我深知這些AI新應(yīng)用的爆發(fā)絕非一日之功。從量變到質(zhì)變的過(guò)程，是長(zhǎng)期的科研布局與數(shù)字化基礎(chǔ)設(shè)施建設(shè)的結(jié)果。瞄準(zhǔn)長(zhǎng)遠(yuǎn)的目標(biāo)與價(jià)值，堅(jiān)持長(zhǎng)期的科技研究，是我們面對(duì)“疫情”這樣不確定事件時(shí)唯一確定的事情。這不僅需要前瞻性的視野與布局，還需要有不為眼前利益所動(dòng)搖的決心與意志。

 

從AI的發(fā)展進(jìn)程看，人類對(duì)于AI的探索已經(jīng)持續(xù)了70多年?；赝鸄I的發(fā)展歷程，我們可以清晰地捕捉到幾個(gè)關(guān)鍵的節(jié)點(diǎn)。AI第一波浪潮，是通過(guò)由人制定的各種規(guī)則去做理論性的推理。雖然在推理方面表現(xiàn)不俗，但僅限于幾個(gè)嚴(yán)格定義的問(wèn)題，且沒(méi)有學(xué)習(xí)能力，無(wú)法處理不確定性問(wèn)題。而真正令A(yù)I漸入佳境的，則源于由深度學(xué)習(xí)所觸發(fā)的AI第二波浪潮?；ヂ?lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)等所產(chǎn)生的海量數(shù)據(jù)，給機(jī)器提供了學(xué)習(xí)、挖掘和試錯(cuò)的對(duì)象，讓系統(tǒng)得以自發(fā)地找到“規(guī)律”，作出預(yù)測(cè)、判斷和決策。數(shù)據(jù)的增長(zhǎng)，外加算力的提升以及基于深度學(xué)習(xí)構(gòu)建的算法演進(jìn)，這三張“王牌”讓一些典型的深度學(xué)習(xí)應(yīng)用達(dá)到甚至超越了人的能力。這使得越來(lái)越多的樂(lè)觀主義者深信，深度學(xué)習(xí)是極具價(jià)值且值得產(chǎn)業(yè)界大規(guī)模跟進(jìn)的方向。

 

然而，深度學(xué)習(xí)就是AI的終極答案嗎？隨著對(duì)于深度學(xué)習(xí)的研究深入，我們發(fā)現(xiàn)還有一些問(wèn)題亟待解決。首先，“能耗”是最大的挑戰(zhàn)。有研究報(bào)告顯示，采用服務(wù)器級(jí)別的CPU加上GPU集群去訓(xùn)練一個(gè)大型AI模型，其所消耗電力產(chǎn)生的碳排放量，相當(dāng)于5輛美式轎車整個(gè)生命周期所消耗的碳排放量。試想，如果各行各業(yè)都沿用這樣的AI計(jì)算模式，人類的生態(tài)環(huán)境將會(huì)遭到何等的破壞。然后，“數(shù)據(jù)量”是又一大挑戰(zhàn)。目前的深度學(xué)習(xí)過(guò)于依賴大數(shù)據(jù)，在一些小數(shù)據(jù)量的場(chǎng)景下，深度學(xué)習(xí)使用會(huì)非常有限。AI應(yīng)該像人類大腦那樣，通過(guò)小數(shù)據(jù)進(jìn)行自我學(xué)習(xí)。在訓(xùn)練過(guò)程中，如何在保證AI模型能力的情況下，大幅降低能耗并減少所需花費(fèi)的時(shí)間和數(shù)據(jù)量？這是AI繼續(xù)向前發(fā)展的重要方向。但現(xiàn)在看來(lái)，基于大規(guī)模GPU并行計(jì)算去加速深度學(xué)習(xí)訓(xùn)練的方式，并不能滿足這個(gè)條件。

 

一個(gè)真正的智能系統(tǒng)，應(yīng)該是環(huán)境自適應(yīng)性的“自然智能”。首先，它不僅能處理確定性的問(wèn)題，還能處理不確定性問(wèn)題。第二，它不僅能夠做事，還必須是可解釋的。第三，它不完全依靠大數(shù)據(jù)驅(qū)動(dòng)，即便少量數(shù)據(jù)也可實(shí)現(xiàn)更高效能的持續(xù)學(xué)習(xí)。第四，它應(yīng)具備高可靠性，或者說(shuō)符合人類給它設(shè)定的倫理道德。這是我們對(duì)于AI技術(shù)下一發(fā)展階段——AI 3.0時(shí)代的展望。

 

目前，我們正處于從AI 2.0到AI 3.0時(shí)代的轉(zhuǎn)折點(diǎn)。那么，究竟什么有望成為穿透AI未來(lái)的“利刃”呢？從目前看，作為一種前沿的計(jì)算模式，神經(jīng)擬態(tài)計(jì)算最有可能開(kāi)辟出一條從AI 2.0到AI 3.0的嶄新賽道。神經(jīng)擬態(tài)計(jì)算，是在傳統(tǒng)半導(dǎo)體工藝和芯片架構(gòu)上的一種嘗試和突破。它通過(guò)模擬人腦神經(jīng)元的構(gòu)造和神經(jīng)元之間互聯(lián)的機(jī)制，能在低功耗以及少量訓(xùn)練數(shù)據(jù)的條件下持續(xù)不斷自我學(xué)習(xí)，大幅提高了能效比。顯然，神經(jīng)擬態(tài)計(jì)算的特點(diǎn)非常符合AI3.0的發(fā)展需求。因此，神經(jīng)擬態(tài)計(jì)算也被寄予厚望，有可能在人類邁入下一代AI的進(jìn)程中發(fā)揮重要作用。

 

英特爾是一家立足長(zhǎng)遠(yuǎn)、推動(dòng)底層技術(shù)創(chuàng)新的公司，以此來(lái)幫助客戶取得商業(yè)應(yīng)用上的成功。為此，我們不斷對(duì)前沿技術(shù)領(lǐng)域加大研究，即便這些領(lǐng)域在短期內(nèi)無(wú)法看到實(shí)際成效。圍繞神經(jīng)擬態(tài)計(jì)算，我們從很早就開(kāi)始積極探索這一嶄新的計(jì)算模式，并取得了令人矚目的成就。英特爾的神經(jīng)擬態(tài)計(jì)算芯片Loihi已經(jīng)具備了嗅覺(jué)的能力，神經(jīng)擬態(tài)系統(tǒng)Pohoiki Springs已經(jīng)擁有1億神經(jīng)元的計(jì)算能力，這已經(jīng)相當(dāng)于一個(gè)小型哺乳動(dòng)物的大腦。