作為一個科技從業(yè)者，我深知這些AI新應用的爆發(fā)絕非一日之功。從量變到質(zhì)變的過程，是長期的科研布局與數(shù)字化基礎設施建設的結(jié)果。瞄準長遠的目標與價值，堅持長期的科技研究，是我們面對“疫情”這樣不確定事件時唯一確定的事情。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搖的決心與意志。

 

從AI的發(fā)展進程看，人類對于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關鍵的節(jié)點。AI第一波浪潮，是通過由人制定的各種規(guī)則去做理論性的推理。雖然在推理方面表現(xiàn)不俗，但僅限于幾個嚴格定義的問題，且沒有學習能力，無法處理不確定性問題。而真正令AI漸入佳境的，則源于由深度學習所觸發(fā)的AI第二波浪潮?；ヂ?lián)網(wǎng)、移動互聯(lián)網(wǎng)等所產(chǎn)生的海量數(shù)據(jù)，給機器提供了學習、挖掘和試錯的對象，讓系統(tǒng)得以自發(fā)地找到“規(guī)律”，作出預測、判斷和決策。數(shù)據(jù)的增長，外加算力的提升以及基于深度學習構(gòu)建的算法演進，這三張“王牌”讓一些典型的深度學習應用達到甚至超越了人的能力。這使得越來越多的樂觀主義者深信，深度學習是極具價值且值得產(chǎn)業(yè)界大規(guī)模跟進的方向。

 

然而，深度學習就是AI的終極答案嗎？隨著對于深度學習的研究深入，我們發(fā)現(xiàn)還有一些問題亟待解決。首先，“能耗”是最大的挑戰(zhàn)。有研究報告顯示，采用服務器級別的CPU加上GPU集群去訓練一個大型AI模型，其所消耗電力產(chǎn)生的碳排放量，相當于5輛美式轎車整個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計算模式，人類的生態(tài)環(huán)境將會遭到何等的破壞。然后，“數(shù)據(jù)量”是又一大挑戰(zhàn)。目前的深度學習過于依賴大數(shù)據(jù)，在一些小數(shù)據(jù)量的場景下，深度學習使用會非常有限。AI應該像人類大腦那樣，通過小數(shù)據(jù)進行自我學習。在訓練過程中，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的時間和數(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，基于大規(guī)模GPU并行計算去加速深度學習訓練的方式，并不能滿足這個條件。

 

一個真正的智能系統(tǒng)，應該是環(huán)境自適應性的“自然智能”。首先，它不僅能處理確定性的問題，還能處理不確定性問題。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，即便少量數(shù)據(jù)也可實現(xiàn)更高效能的持續(xù)學習。第四，它應具備高可靠性，或者說符合人類給它設定的倫理道德。這是我們對于AI技術(shù)下一發(fā)展階段——AI 3.0時代的展望。

 

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

 

英特爾是一家立足長遠、推動底層技術(shù)創(chuàng)新的公司，以此來幫助客戶取得商業(yè)應用上的成功。為此，我們不斷對前沿技術(shù)領域加大研究，即便這些領域在短期內(nèi)無法看到實際成效。圍繞神經(jīng)擬態(tài)計算，我們從很早就開始積極探索這一嶄新的計算模式，并取得了令人矚目的成就。英特爾的神經(jīng)擬態(tài)計算芯片Loihi已經(jīng)具備了嗅覺的能力，神經(jīng)擬態(tài)系統(tǒng)Pohoiki Springs已經(jīng)擁有1億神經(jīng)元的計算能力，這已經(jīng)相當于一個小型哺乳動物的大腦。