【導(dǎo)讀】最近幾天,新冠疫情在北京再次升級,使總體向好的國內(nèi)抗疫形勢變得嚴(yán)峻。剛剛重啟的生產(chǎn)生活被再次打亂,我們或許在未來較長一段時間內(nèi)都不得不面對防疫常態(tài)化這一現(xiàn)實。本周,我又開始切換到“云辦公、云生活”的狀態(tài)。
最近幾天,新冠疫情在北京再次升級,使總體向好的國內(nèi)抗疫形勢變得嚴(yán)峻。剛剛重啟的生產(chǎn)生活被再次打亂,我們或許在未來較長一段時間內(nèi)都不得不面對防疫常態(tài)化這一現(xiàn)實。本周,我又開始切換到“云辦公、云生活”的狀態(tài)。遠(yuǎn)程辦公、視頻會議已成習(xí)慣,孩子的課業(yè)交給了在線教育平臺,消費和娛樂的方式也變成了看網(wǎng)絡(luò)直播、聽云演唱會。在疫情這一特殊的場景下,一系列新型AI應(yīng)用需求被全面激活,AI真正滲透到了我們?nèi)粘I畹姆椒矫婷妗?/div>
作為一個科技從業(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)變的過程,是長期的科研布局與數(shù)字化基礎(chǔ)設(shè)施建設(shè)的結(jié)果。瞄準(zhǔn)長遠(yuǎn)的目標(biāo)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(jìn)程看,人類對于AI的探索已經(jīng)持續(xù)了70多年。回望AI的發(fā)展歷程,我們可以清晰地捕捉到幾個關(guān)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(yán)格定義的問題,且沒有學(xué)習(xí)能力,無法處理不確定性問題。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)、移動互聯(lián)網(wǎng)等所產(chǎn)生的海量數(shù)據(jù),給機器提供了學(xué)習(xí)、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(yù)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(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。這使得越來越多的樂觀主義者深信,深度學(xué)習(xí)是極具價值且值得產(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?隨著對于深度學(xué)習(xí)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(wù)器級別的CPU加上GPU集群去訓(xùn)練一個大型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(xué)習(xí)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(xué)習(xí)使用會非常有限。AI應(yīng)該像人類大腦那樣,通過小數(shù)據(jù)進(jìn)行自我學(xué)習(xí)。在訓(xùn)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(xué)習(xí)訓(xùn)練的方式,并不能滿足這個條件。
一個真正的智能系統(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(xué)習(xí)。第四,它應(yīng)具備高可靠性,或者說符合人類給它設(shè)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(dǎo)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(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(jìn)程中發(fā)揮重要作用。
英特爾是一家立足長遠(yuǎn)、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(yīng)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(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(dāng)于一個小型哺乳動物的大腦。
當(dāng)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(yīng)用于AI,我們還有很長的路要走。但我相信,底層技術(shù)的創(chuàng)新必須堅持長期主義,長時間地專注于一個方向與賽道,以這種確定性去對抗發(fā)展過程中的一切不確定性,才有可能最終取得成功。
免責(zé)聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進(jìn)行處理。