英特爾宋繼強：堅持科研的長(cháng)期主義 推動(dòng)AI向3.0時(shí)代躍遷

 最近幾天，新冠疫情在北京再次升級，使總體向好的國內抗疫形勢變得嚴峻。剛剛重啟的生產(chǎn)生活被再次打亂，我們或許在未來(lái)較長(cháng)一段時(shí)間內都不得不面對防疫常態(tài)化這一現實(shí)。本周，我又開(kāi)始切換到“云辦公、云生活”的狀態(tài)。遠程辦公、視頻會(huì )議已成習慣，孩子的課業(yè)交給了在線(xiàn)教育平臺，消費和娛樂(lè )的方式也變成了看網(wǎng)絡(luò )直播、聽(tīng)云演唱會(huì )。在疫情這一特殊的場(chǎng)景下，一系列新型AI應用需求被全面激活，AI真正滲透到了我們日常生活的方方面面。

                                                     英特爾中國研究院院長(cháng) 宋繼強博士

作為一個(gè)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(guò)程，是長(cháng)期的科研布局與數字化基礎設施建設的結果。瞄準長(cháng)遠的目標與價(jià)值，堅持長(cháng)期的科技研究，是我們面對“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(lèi)對于AI的探索已經(jīng)持續了70多年?；赝?/span>AI的發(fā)展歷程，我們可以清晰地捕捉到幾個(gè)關(guān)鍵的節點(diǎn)。AI第一波浪潮，是通過(guò)由人制定的各種規則去做理論性的推理。雖然在推理方面表現不俗，但僅限于幾個(gè)嚴格定義的問(wèn)題，且沒(méi)有學(xué)習能力，無(wú)法處理不確定性問(wèn)題。而真正令AI漸入佳境的，則源于由深度學(xué)習所觸發(fā)的AI第二波浪潮?；ヂ?lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)等所產(chǎn)生的海量數據，給機器提供了學(xué)習、挖掘和試錯的對象，讓系統得以自發(fā)地找到“規律”，作出預測、判斷和決策。數據的增長(cháng)，外加算力的提升以及基于深度學(xué)習構建的算法演進(jìn)，這三張“王牌”讓一些典型的深度學(xué)習應用達到甚至超越了人的能力。這使得越來(lái)越多的樂(lè )觀(guān)主義者深信，深度學(xué)習是極具價(jià)值且值得產(chǎn)業(yè)界大規模跟進(jìn)的方向。

然而，深度學(xué)習就是AI的終極答案嗎？隨著(zhù)對于深度學(xué)習的研究深入，我們發(fā)現還有一些問(wèn)題亟待解決。首先，“能耗”是最大的挑戰。有研究報告顯示，采用服務(wù)器級別的CPU加上GPU集群去訓練一個(gè)大型AI模型，其所消耗電力產(chǎn)生的碳排放量，相當于5輛美式轎車(chē)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計算模式，人類(lèi)的生態(tài)環(huán)境將會(huì )遭到何等的破壞。然后，“數據量”是又一大挑戰。目前的深度學(xué)習過(guò)于依賴(lài)大數據，在一些小數據量的場(chǎng)景下，深度學(xué)習使用會(huì )非常有限。AI應該像人類(lèi)大腦那樣，通過(guò)小數據進(jìn)行自我學(xué)習。在訓練過(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的時(shí)間和數據量？這是AI繼續向前發(fā)展的重要方向。但現在看來(lái)，基于大規模GPU并行計算去加速深度學(xué)習訓練的方式，并不能滿(mǎn)足這個(gè)條件。

一個(gè)真正的智能系統，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(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，它不完全依靠大數據驅動(dòng)，即便少量數據也可實(shí)現更高效能的持續學(xué)習。第四，它應具備高可靠性，或者說(shuō)符合人類(lèi)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(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，作為一種前沿的計算模式，神經(jīng)擬態(tài)計算最有可能開(kāi)辟出一條從AI 2.0到AI 3.0的嶄新賽道。神經(jīng)擬態(tài)計算，是在傳統半導體工藝和芯片架構上的一種嘗試和突破。它通過(guò)模擬人腦神經(jīng)元的構造和神經(jīng)元之間互聯(lián)的機制，能在低功耗以及少量訓練數據的條件下持續不斷自我學(xué)習，大幅提高了能效比。顯然，神經(jīng)擬態(tài)計算的特點(diǎn)非常符合AI3.0的發(fā)展需求。因此，神經(jīng)擬態(tài)計算也被寄予厚望，有可能在人類(lèi)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(cháng)遠、推動(dòng)底層技術(shù)創(chuàng )新的公司，以此來(lái)幫助客戶(hù)取得商業(yè)應用上的成功。為此，我們不斷對前沿技術(shù)領(lǐng)域加大研究，即便這些領(lǐng)域在短期內無(wú)法看到實(shí)際成效。圍繞神經(jīng)擬態(tài)計算，我們從很早就開(kāi)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(jué)的能力，神經(jīng)擬態(tài)系統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(gè)小型哺乳動(dòng)物的大腦。

當然，神經(jīng)擬態(tài)計算還處于非常早期的階段，要想將這項技術(shù)真正應用于AI，我們還有很長(cháng)的路要走。但我相信，底層技術(shù)的創(chuàng )新必須堅持長(cháng)期主義，長(cháng)時(shí)間地專(zhuān)注于一個(gè)方向與賽道，以這種確定性去對抗發(fā)展過(guò)程中的一切不確定性，才有可能最終取得成功。