本文由中國戰略新興產業（ID:cseinews）授權轉載，作者：陶利 梁智昊 安達 ，本文首發於2017年7月1日《中國戰略新興產業》
互聯網時代下的大數據高速累積，數據量將超過記憶體和處理器的承載上限。計算力無法匹配將極大限制人工智慧的發展和應用。新型計算方式有望提供更強的計算能力和全新的計算模式，進而推動人工智慧向強人工智能甚至超級人工智慧發展。
近年來，人工智慧進入新一輪的高速發展時期。人工智慧已被認為是繼互聯網之後新一代革命性技術及應用方向。量子計算、光子計算、DNA計算、納米計算、生物計算等新型計算方式有望加速人工智慧從單一設備到通用性設備、單一場景到複雜場景，逐步走向通用人工智慧或者超級人工智慧。
人工智慧將逐步走向通用人工智慧
從智能手錶、智能手環等可穿戴設備，到服務機器人、無人駕駛、虛擬現實等熱門產品或概念，人工智慧已成為新一代資訊技術革命的急先鋒。2016年以來，人工智慧又進入高速發展的階段，16年3月份，人工智慧程式AlphaGo以4:1的成績擊敗了代表人類的世界冠軍李世石九段，再一次掀起了人工智慧的熱潮；9個月後，AlphaGo的升級版——穀歌Master（大師）在30秒快棋測試中，以60勝0負1和的成績，橫掃數十位世界圍棋頂級高手；11月5日，穀歌DeepMind宣佈與暴雪合作在遊戲“星際爭霸2”中開發和人類玩傢俱有相同視角和許可權的AI機器人；11月15日，在第三次世界互聯網大會期間，18輛百度“雲驍”亮相烏鎮子夜路實現自主駕駛。可以說，人工智慧時代正在開啟。
人工智慧（Artificial Intelligence, AI），是一門綜合電腦科學、生理學、哲學的交叉學科，其本質是對人的意識、思維的資訊過程的模擬。人工智慧的研究領域包括機器人、圖像識別、自然語言處理和專家系統等。通常認為人工智慧包含以下幾種能力：一是感知能力，即對外界情況的感受與認知；二是記憶與思維能力，即對感知到的外界資訊進行存儲以及對資訊或知識認識的過程；三是學習與自適應能力，即通過學習和自適應進行智能思維能力進化；四是決策與行為能力，即通過對資訊或知識判別後，進行主觀決策與行動。
根據應用範圍的不同，人工智慧可以分為專用人工智慧、通用人工智慧、超級人工智慧三類。同時，這三個類別也對應於人工智慧的不同發展層次。
專用人工智慧，是通過感知以及記憶存儲來實現特定領域或者功能為主的人工智慧，如電腦視覺、語音識別、智能搜索、智能排序等以單方面或多個專門的領域和功能為主。通常專用人工智慧也稱作為弱人工智慧，目前正處於高速發展階段，並已經取得較為豐富的成果。
通用人工智慧，也稱為強人工智能，是基於認知學習與決策執行的能力，可實現多領域的綜合智能，在許多方面都能和人類比肩。有專家認為，這樣的人工智慧應具有知覺和一定的自我意識。此時，電腦能夠真正理解人類的語言，感知人類的情緒。目前已有或研究中的各項人工智慧，還遠遠未達到真正能推理和解決一般性問題的通用人工智慧的程度。
超人工智能具有完整的自我意識，包括獨立自主的價值觀、世界觀。有專家認為，超人工智能在包括創新、創造、創意等各個領域均有望超越人類。超人工智能的基礎是人類對資訊科學和生命科學全面深入的理解，目前僅存在於一些影視文學作品中。
技術突破正帶動人工智慧產業的快速發展。人工智慧產業是指以人工智慧關鍵技術為核心，由基礎技術層、技術應用層、方案集成層和運營服務層等四個層次組成，覆蓋領域非常廣闊的產業。據市場研究機構Tractica預測，2016年全球人工智慧產業收入達6.437億美元，到2025年將增長至368億美元。中國人工智能產業起步相對較晚，但隨著科技、製造等業界巨頭公司的佈局深入，人工智慧產業規模將持續擴大。據互聯網市場研究機構iiMedia Research數據顯示，中國人工智能產業規模預計2017年增長率將提高至51.2%。
專用人工智慧將逐步延伸到通用人工智慧。人工智慧的長期目標是實現達到或超越人類智力水準的人工智慧，單個技術或者能力的突破不能夠構成真正意義上的人工智慧，需要多個學科領域交叉融合才能支撐。當前專用人工智慧在一些特定領域已經具備超越人腦的能力，而未來隨著電腦運算能力的提高和人工智慧核心演算法的突破性發展，人工智慧將由單一設備到通用性設備、單一場景到複雜場景，逐步走向通用人工智慧。
先進計算將成為人工智慧的關鍵支撐
2005年以來，新演算法模型的提出、計算能力的增強以及數據量的上漲是人工智慧發展獲得突破的三大原因。其中以深度學習為代表的演算法模型方面的突破是關鍵因素，計算能力的提升、大數據的積累是基礎條件。
深度學習推動人工智慧邁上新臺階。深度學習源於人工神經網路的研究，由Hinton等人在2006年提出，其主要機理是通過深層神經網路演算法來模擬人的大腦學習過程，希望借鑒人腦的多層抽象機制來實現對現實對象或數據的機器化語言表達。深度學習需要大量的簡單神經元，每層的神經元接受更低層神經元的輸入，通過輸入與輸出的非線性關係將低層特徵組合成更高層的抽象表示，直至完成輸出。深度學習提出一種讓電腦自動學習出模式特徵的方法，並將特徵學習融入到建立模型的過程中，從而減小人為設計特徵造成的不完備性。深度學習的提出、應用與發展，將人工智慧帶上了一個新的臺階。
大數據積累助推人工智慧取得突破。當前人工智慧所採用的深度學習是利用機器演算法模擬人腦對歷史的知識學習、吸收與理解並掌握運用的訓練過程，因此數據量的豐富程度決定了是否有充足數據對神經網路進行訓練，進而使人工智慧系統經過深度學習等方式訓練後達到通用人工智慧的水準。近年來，隨著移動終端設備滲透率的提升，全球數據在數量和種類上都高速增長。據國際數據量資訊公司GlobalPulse預測，全球數據量2020年將達到44ZB（人均5200GB）。在大數據的支撐下，人工智慧應用將更加廣泛。
計算能力提高為智能發展奠定計算基礎。英特爾創始人之一摩爾於1975年提出摩爾定律：當價格不變時，積體電路上可容納的電晶體數目約每18個月增加一倍，性能也提升一倍。計算成本下降也為人工智能加速發展提供可能。世界上第一臺電腦ENIAC的運算速度只有5000次每秒。穀歌圍棋程式AlphaGo的運行速度可達到每秒3千萬億次。而目前最快的超級電腦、中國的天河二號，每秒能進行3.4億億次運算。根據穀歌工程師Kurzweil的觀點，當1000美元能買到人腦級別的1億億次運算能力的時候，強人工智能就有可能成為生活中的一部分。
在深度學習模型中，向量化編程是提高演算法運行速度的一種有效方法。深層模型的演算法，如BP，Auto-Encoder，CNN等，都可以寫成向量化的形式。然而，在單個CPU上執行時，向量運算會被展開成迴圈的形式，本質上還是串行執行，並不能很好地滿足科學家對於並行計算能力的需求，而GPU眾核體系結構包含幾千個流處理器，可將向量運算並行化執行，大幅縮短計算時間。程式在GPU上運行速度相較於單核CPU可獲得數量級上的明顯提升。GPU已經成為目前在深度學習模型訓練方面的首選解決方案。
新型計算將成為未來人工智慧進一步發展的關鍵支撐
計算技術自身原理、模式、架構的不斷演進是電腦科學持續發展的根本動力。近年來，量子計算、光子計算、分子生物計算、神經網路計算等新型計算技術層出不窮；石墨烯等新材料的出現，也對以矽基半導體技術為支撐的傳統電腦產業發起強有力的挑戰。
一是量子電腦。量子電腦是利用量子相干疊加原理的新型計算方式，以一對處於糾纏態的微觀粒子形成量子位物理系統作為資訊編碼和存儲的基本單元，一個量子位可同時代表0和1兩個狀態，N個量子位可存儲2^N個數據，量子電腦操作一次相當於電子電腦進行2^N次操作的效果，在計算架構上實現了高度的並行化。因此至少在求解某些特定問題方面，量子計算無論是在存儲能力還是計算能力上，均實現了對經典電子電腦的極大超越。
近年來，海內外科技巨頭紛紛加緊佈局量子計算，以期在未來佔領計算制高點。如Google從2009年就開始使用D-wave公司的超導量子電腦開展實驗，目前擁有9個量子位的計算能力；IBM使用超導金屬，目前擁有5個量子位能力，且於2016年開放該量子計算介面雲平臺，供用戶體驗。光量子電腦屬於量子電腦多種發展技術路線之一，2017年5月3日，中國科學院研究團隊宣佈成功構建世界上首臺光量子電腦，其採用光子糾纏作為量子位來實現量子計算，實驗測試表明其比世界上第一臺電子管電腦（ENIAC）和第一臺電晶體電腦（TRADIC）運行速度快10-100倍，是歷史上第一臺超越早期經典電腦的基於單光子的量子模擬機，這也標誌著我國進入量子電腦研究的前列。
二是光子電腦。光子計算不產生任何熱量，與光速一樣快，而且不限於解決二元問題，可以更多更快地處理數據，因此光子計算長期被寄予厚望。2016年11月份，美國普林斯頓大學的科研團隊研製出全球首枚光子神經網路片，並證明其能以超快速度計算。其製造出的光學設備採用波分複用的技術將各個節點的光送入雷射器並將光輸出回饋回節點，創造出一個擁有非線性特徵的回饋電路，而光學設備中的每個節點都擁有神經元一樣的回應特性。這些節點採用微型圓波導的形式，被蝕刻進一個光可在其中迴圈的矽基座內。以光子代替電子、光運算代替點運算的光子電腦，具有很強的並行處理能力、很高的與運算速度、很低的能量消耗和一定的容錯性，有望在技術進一步突破後得到廣泛應用。
第三是DNA電腦。去氧核糖核酸（DNA）能夠攜帶和編碼生物體的大量基因資訊，可能成為完成計算的一種理想材料。DNA電腦尚處於早期研究階段，其工作原理是以瞬間發生的化學反應為基礎，先合成代表要求解問題、具有特定序列的DNA分子，再通過和酶的相互作用，將發生過程進行編碼，把二進位翻譯成遺傳密碼的片段，每一個片段構成雙螺旋的一個鏈，然後對問題以新的編碼形式加以解答。和普通的電腦相比，DNA電腦的優點是體積小，可同時容納1萬億個此類電腦於一支試管中；運算快，每秒可以達到10億次；並且耗能僅相當於普通電腦的10億分之一。2004年，中國在以色列威茲曼研究所DNA電腦的基礎上改進完成我國第一臺DNA電腦，可一定程度上完成模擬電子電腦處理0、1信號的功能。2011年10月，英國研製出模組化的生物邏輯門，朝著建立更複雜生物處理器的方向又前進了一步。
四是納米電腦。納米電腦是將納米技術用於電腦領域研製出的一種新型電腦。採用納米技術生產晶片，不需要建設超潔淨生產線，也不需要昂貴的實驗設備和龐大的生產隊伍，只需將實驗室裏設計好的分子器件組合在一起，就可以造出晶片，大大降低成本。2013年9月，斯坦福大學宣佈，人類首台基於碳納米管技術的電腦已成功測試運行。這是有史以來人類利用碳納米管生產出的最複雜的電子設備，雖然它實際只包括了178個碳納米管，並運行只支持計數和排列等簡單功能的操作系統，但證明了人類有望在將來使用納米技術代替矽晶體技術來生產新型電腦設備。
五是生物計算。生物計算也稱仿生計算，主要是以生物電子元件取代半導體矽片上的積體電路構建的電腦。它利用蛋白質有開關特性，用蛋白質做元件從而製成的生物晶片。其性能是由元件與元件之間電流啟閉的開關速度來決定的。用蛋白質製成的電腦晶片，它的一個存儲點只有一個分子大小，在運算速度、能量消耗、並行處理能力和存儲資訊所占空間方面，都展現出誘人的前景。
新型計算支撐人工智慧發展的未來展望
互聯網時代下的大數據高速累積，數據量將超過記憶體和處理器的承載上限。計算力無法匹配將極大限制人工智慧的發展和應用。新型計算方式有望提供更強的計算能力和全新的計算模式，進而推動人工智慧向強人工智能甚至是超級人工智慧發展。
解決經典計算的單一維度問題，突破計算力瓶頸。人工智慧的三大基礎：演算法、數據和硬體算力，其中“算力”一直以來都是重要的制約因素。人工智慧要運用到大量的數據接收和處理，但0和1的經典計算卻始終只能實現單一向計算，對於其他結構或非結構化數據的處理方面，無論CPU還是GPU可能都無法滿足人工智慧的進一步發展和應用，這給人工智慧的深度變革帶來巨大不便。而新型計算的方式下，系統能夠通過並行計算來不斷學習，從而更好地處理之前從未遇到的新數據，相較於傳統計算力有數億倍的提升，有望為人工智能帶來革命性的算力提升。
實現人工智慧系統的小型化。現在的人工智慧系統使用的是成百上千個GPU來提升計算能力，使得處理學習的能力得到較大增強，然而這套系統一般需要配套龐大的硬體機櫃和機房，這對人工智慧的發展是一個重要限制。而隨著數據的指數級增長，基於CPU或者GPU雲計算的數據中心或許將無法迎接數據爆發的挑戰。各類新型計算在運算能力上的提升和設備尺寸上的縮減，將使人工智慧不再依賴於大型伺服器機群或龐大的雲計算中心。
實現人工智慧系統的移動化。現階段人工智慧基本只能依靠集中處理的方式實現相關功能和應用，也即通過雲計算的方式，手機、汽車、穿戴設備等終端很難加載人工智能需要的運算處理器，而是始終需要聯網。新型計算晶片的大數據處理能力將實現人工智慧的移動化。移動設備可以通過自身攜帶的計算系統，在本地處理大量的數據，這樣可以節省上傳和下載數據的大量時間，得到及時回應。當晶片計算能力滿足人工智慧對運算能力的需求，人工智慧將不再依賴於大型伺服器集群。通過新型計算，來實現AI設備的集成化和迷你化，可能是人工智慧走進普通生活的最佳選擇。
當然我們也要清醒地認識到，通用意義上的人工智慧的實現依然是一個漫長而複雜的過程。因此，應加大在新型計算方面的研發與投入，以期能夠早日突破通用人工智慧的發展瓶頸，為人工智能發展提供強有力的支撐。
限會員,要發表迴響,請先登入
