第2期 李修全：当前人工智能技术创新特征和演进趋势 ·411· 次突破，将为人工智能未来发展不断注人新的 技术的能力瓶颈，助力人工智能产业化落地向工 活力。 业制造、L4级以上的自动驾驶等要求更高的领域 1)智能计算前移与云边端混合架构。现在各 推进。多技术综合应用、结合场景的产品技术创 类深度学习计算主要依赖后端算力，也就不可避 新，将为经济社会智能化变革持续赋能。 免地需要承担通信时延导致的系统整体性能损 4)多学科交叉驱动理论突破。人工智能具有 失。在人工智能平台化发展的基础上，智能计算 多学科综合的天然属性，学科交叉将是下一步理 前移也正在成为当前人工智能发展的新趋势。在 论创新的重要驱动力。数学、物理学、逻辑学、神 智能手机、安防监控、可穿戴设备以及智能驾驶 经科学、社会科学等都是人工智能学术研究的紧 等各领域，定制化、低功耗、低成本的嵌入式产 密联动学科，将为人工智能未来发展提供不可缺 品，正在将很多智能处理迁移到前端。业界已经 少的理论来源。尤其是当前支撑深度学习模型发 研发了多种类型的前端AI处理器，不仅可以直接 展的数学基础还比较薄弱，网络规模和结构设 运行像贝叶斯、决策树等一些轻量级机器学习算 计、训练优化等方面还需要形成有理论支撑的普 法，而且辅以轻量级推理引擎，能够使训练好的 适性方法，新的数学理论和方法将进一步加速深 深度学习模型很方便地在前端进行推理运算。将 度学习能力突破。 视觉智能芯片嵌入摄像头，可把很多针对图像的 神经科学领域也是未来人工智能学科交叉的 智能处理迁移到前端，直接在前端进行过滤降 另一高地。人工智能发展历程中大量里程碑式成 噪，或是对视频、图像进行针对特定任务的信息 就都得益于神经科学、认知科学的理论支撑和原 处理，只需将结果信息上传云端。同时，在前端 理启发。在下一步突破认知智能过程中，更加需 还可以通过智能算法进行注意力选择操作，把摄 要借助神经科学和认知科学的启发，创造一大批 像头资源更多聚集到视觉目标上，并能把一些涉 新的方法，建立认知智能的方法体系。 及隐私的细节信息屏蔽掉，适度采集适度上传， 5)底层计算模式创新孕育体系性换代机遇。 更好地保护公众隐私。针对不同应用场景，未来 硬件层面类脑计算的基本理念是通过模拟人脑神 智能计算任务将在设备端、边缘端、云端进行更 经元行为方式，设计类似人脑神经处理机理的存 加优化和协同配置。 算一体新型计算模式，构造更接近人脑物理结构 2)技术融合驱动智能算法创新。人工智能经 和工作模式的高效能智能计算系统。BM、英特 历数十年发展在不同技术路线下已经形成很多优 尔等公司在这方面都在快速探索，已经形成 秀方法。AlphaGo创新性地融合了深度学习、增 TrueNorth和Pohoiki Beach等初期产品，在稀疏编 强学习和启发式搜索等不同技术的优势，解决了 码、图搜索等方面表现出一定潜力41。清华大 围棋这一难点问题1。不同方法各有所长，对于 学近期研发出一款基于忆阻器阵列的“天机”芯 解决认知和推理类任务，符号主义学派的很多方 片，不仅能够支持传统架构机器学习算法和神经 法可能更为有成效，旧的算法也可能在新的信息 形态计算模型的独立部署，还能够支持两者的异 技术环境下重焕光辉。未来加强数据驱动和知识 构建模6 驱动融合，将为智能算法创新开辟广阔空间。比 近期全球量子计算领域发展也非常快，未来 如目前深度学习存在缺乏知识和理解的局限，融 量子计算机有可能对智能计算的能力和速度带来 入经验表示、知识处理方法，不仅能够简化模型， 指数级提升，特定功能的量子芯片和量子人工智 降低计算量，也能形成知识建模推理能力，拓展 能处理器也有望融合传统架构，推动混合计算架 深度学习的适用范围。在自然语言理解领域也是 构的演进发展。这些方向上的底层创新难度都很 如此，也需要将基于语料的知识抽取、谓词逻辑 大，需要更长的时间，但都在人工智能底层计算 表达和推理等知识库方法与深度学习方法相 架构甚至整体计算范式方面孕育着新的机遇。 融合。 3思考与启示 3)新兴信息技术群持续赋能产品创新。智能 化不只是人工智能，在大数据、互联网、云计算等 近年来，全球人工智能技术创新发展迅猛，未 技术群的共同支撑下，人工智能技术才开始走向 来将深刻影响经济形态，造福人们生活。总体上 产业化落地。未来，工业物联网、5G高速移动通 看，人工智能的发展还处于早期阶段，面临大量 信、VR、区块链等新兴信息技术与人工智能将相 理论和技术难题需要攻克。人工智能未来的持续 互促进、相互成就，通过技术融合突破现有智能 发展还需要各国的通力合作，协同攻克智能科学次突破，将为人工智能未来发展不断注入新的 活力。 1) 智能计算前移与云边端混合架构。现在各 类深度学习计算主要依赖后端算力，也就不可避 免地需要承担通信时延导致的系统整体性能损 失。在人工智能平台化发展的基础上，智能计算 前移也正在成为当前人工智能发展的新趋势。在 智能手机、安防监控、可穿戴设备以及智能驾驶 等各领域，定制化、低功耗、低成本的嵌入式产 品，正在将很多智能处理迁移到前端。业界已经 研发了多种类型的前端 AI 处理器，不仅可以直接 运行像贝叶斯、决策树等一些轻量级机器学习算 法，而且辅以轻量级推理引擎，能够使训练好的 深度学习模型很方便地在前端进行推理运算。将 视觉智能芯片嵌入摄像头，可把很多针对图像的 智能处理迁移到前端，直接在前端进行过滤降 噪，或是对视频、图像进行针对特定任务的信息 处理，只需将结果信息上传云端。同时，在前端 还可以通过智能算法进行注意力选择操作，把摄 像头资源更多聚集到视觉目标上，并能把一些涉 及隐私的细节信息屏蔽掉，适度采集适度上传， 更好地保护公众隐私。针对不同应用场景，未来 智能计算任务将在设备端、边缘端、云端进行更 加优化和协同配置。 2) 技术融合驱动智能算法创新。人工智能经 历数十年发展在不同技术路线下已经形成很多优 秀方法。AlphaGo 创新性地融合了深度学习、增 强学习和启发式搜索等不同技术的优势，解决了 围棋这一难点问题[13]。不同方法各有所长，对于 解决认知和推理类任务，符号主义学派的很多方 法可能更为有成效，旧的算法也可能在新的信息 技术环境下重焕光辉。未来加强数据驱动和知识 驱动融合，将为智能算法创新开辟广阔空间。比 如目前深度学习存在缺乏知识和理解的局限，融 入经验表示、知识处理方法，不仅能够简化模型， 降低计算量，也能形成知识建模推理能力，拓展 深度学习的适用范围。在自然语言理解领域也是 如此，也需要将基于语料的知识抽取、谓词逻辑 表达和推理等知识库方法与深度学习方法相 融合。 3) 新兴信息技术群持续赋能产品创新。智能 化不只是人工智能，在大数据、互联网、云计算等 技术群的共同支撑下，人工智能技术才开始走向 产业化落地。未来，工业物联网、5G 高速移动通 信、VR、区块链等新兴信息技术与人工智能将相 互促进、相互成就，通过技术融合突破现有智能 技术的能力瓶颈，助力人工智能产业化落地向工 业制造、L4 级以上的自动驾驶等要求更高的领域 推进。多技术综合应用、结合场景的产品技术创 新，将为经济社会智能化变革持续赋能。 4) 多学科交叉驱动理论突破。人工智能具有 多学科综合的天然属性，学科交叉将是下一步理 论创新的重要驱动力。数学、物理学、逻辑学、神 经科学、社会科学等都是人工智能学术研究的紧 密联动学科，将为人工智能未来发展提供不可缺 少的理论来源。尤其是当前支撑深度学习模型发 展的数学基础还比较薄弱，网络规模和结构设 计、训练优化等方面还需要形成有理论支撑的普 适性方法，新的数学理论和方法将进一步加速深 度学习能力突破。 神经科学领域也是未来人工智能学科交叉的 另一高地。人工智能发展历程中大量里程碑式成 就都得益于神经科学、认知科学的理论支撑和原 理启发。在下一步突破认知智能过程中，更加需 要借助神经科学和认知科学的启发，创造一大批 新的方法，建立认知智能的方法体系。 5) 底层计算模式创新孕育体系性换代机遇。 硬件层面类脑计算的基本理念是通过模拟人脑神 经元行为方式，设计类似人脑神经处理机理的存 算一体新型计算模式，构造更接近人脑物理结构 和工作模式的高效能智能计算系统。IBM、英特 尔等公司在这方面都在快速探索，已经形 成 TrueNorth 和 Pohoiki Beach 等初期产品，在稀疏编 码、图搜索等方面表现出一定潜力[14-15]。清华大 学近期研发出一款基于忆阻器阵列的“天机”芯 片，不仅能够支持传统架构机器学习算法和神经 形态计算模型的独立部署，还能够支持两者的异 构建模[16]。 近期全球量子计算领域发展也非常快，未来 量子计算机有可能对智能计算的能力和速度带来 指数级提升，特定功能的量子芯片和量子人工智 能处理器也有望融合传统架构，推动混合计算架 构的演进发展。这些方向上的底层创新难度都很 大，需要更长的时间，但都在人工智能底层计算 架构甚至整体计算范式方面孕育着新的机遇[17]。 3 思考与启示 近年来，全球人工智能技术创新发展迅猛，未 来将深刻影响经济形态，造福人们生活。总体上 看，人工智能的发展还处于早期阶段，面临大量 理论和技术难题需要攻克。人工智能未来的持续 发展还需要各国的通力合作，协同攻克智能科学 第 2 期 李修全：当前人工智能技术创新特征和演进趋势 ·411·