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(shí)。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(fèi)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?/p>

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(jiān)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?；赝鸄I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(diǎn)。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。互聯(lián)網(wǎng)、移動互聯(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(jì)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(fèi)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(jì)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(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(diǎn)。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(jì)算模式，神經(jīng)擬態(tài)計(jì)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(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。

英特爾的神經(jīng)擬態(tài)計(jì)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(jì)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(jì)算還處于非常早期的階段，要想將這項(xiàng)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(jiān)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。