|
來源：量子位 轉(zhuǎn)自：中國指揮與控制學(xué)會 2023年1月3日,，海內(nèi)外9位院士及12位專家在Science《科學(xué)》合作期刊Intelligent Computing發(fā)表長篇綜述論文《智能計(jì)算的最新進(jìn)展,、挑戰(zhàn)和未來》。文章全面闡述了智能計(jì)算的理論基礎(chǔ),、智能與計(jì)算的技術(shù)融合,、重要應(yīng)用、重大挑戰(zhàn)和未來前景,，將為 學(xué)術(shù)界和工業(yè)界的相關(guān)研究人員提供全方位的參考和對智能計(jì)算領(lǐng)域的指引性見解,。 論文地址： https://spj./doi/10.34133/icomputing.0006 人類社會正從信息社會進(jìn)入智能社會，計(jì)算已成為推動社會發(fā)展的關(guān)鍵要素,。在萬物互聯(lián)的數(shù)字文明新時代,，傳統(tǒng)的基于數(shù)據(jù)的計(jì)算已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足人類對更高智能水平的追求。近年來,，計(jì)算和信息技術(shù)飛速發(fā)展,，深度學(xué)習(xí)的空前普及和成功將人工智能（AI）確立為人類探索機(jī)器智能的前沿領(lǐng)域。自此產(chǎn)生了一系列突破性的研究成果,，包括Yann LeCun提出的卷積神經(jīng)網(wǎng)絡(luò)和Yoshua Bengio在深度學(xué)習(xí)因果推理領(lǐng)域的成果,。 2016年3月，DeepMind推出的AI圍棋程序AlphaGo與世界頂尖圍棋高手李世石對戰(zhàn),，在世界范圍內(nèi)引起了前所未有的關(guān)注,。這場劃時代的人機(jī)大戰(zhàn)以AI的壓倒性勝利而告終，成為將AI浪潮推向全新高度的催化劑,。 AI的另一個重要推動者是大型預(yù)訓(xùn)練模型的出現(xiàn),，這些模型已經(jīng)開始廣泛應(yīng)用于自然語言和圖像處理，以在遷移學(xué)習(xí)的幫助下處理各種各樣的應(yīng)用,。其中最具代表性的是自然語言處理模型GPT-3,，已經(jīng)證明具有高度結(jié)構(gòu)復(fù)雜性和大量參數(shù)的大模型可以提高深度學(xué)習(xí)的性能。 
計(jì)算能力是支撐智能計(jì)算的重要因素之一,。面對信息社會中龐大的數(shù)據(jù)源,、異構(gòu)的硬件配置和不斷變化的計(jì)算需求，智能計(jì)算主要通過垂直和水平架構(gòu)來滿足智能任務(wù)的計(jì)算能力要求,。 垂直架構(gòu)的特點(diǎn)是同質(zhì)化的計(jì)算基礎(chǔ)設(shè)施，主要通過應(yīng)用智能方法提高資源利用效率來提升計(jì)算能力,。 相比之下,，水平架構(gòu)對異構(gòu)和廣域計(jì)算資源進(jìn)行協(xié)調(diào)和調(diào)度,，使協(xié)作計(jì)算的效果最大化。例如,，2020年4月,，針對全球COVID-19研究的計(jì)算需求，F(xiàn)olding@home在三周內(nèi)聯(lián)合40萬名計(jì)算志愿者,，實(shí)現(xiàn)了2.5Exaflops的計(jì)算量,，超過了世界上任何一臺超級計(jì)算機(jī)。盡管在智能和計(jì)算方面取得了巨大成功,，但我們在這兩個領(lǐng)域仍然面臨著一些重大挑戰(zhàn)： 使用深度學(xué)習(xí)的AI目前在可解釋性、通用性,、可進(jìn)化性和自主性方面面臨著重大挑戰(zhàn),。與人類智能相比，當(dāng)前大多數(shù)AI技術(shù)的作用都很弱,，而且只能在特定領(lǐng)域或任務(wù)中發(fā)揮良好作用,。從基于數(shù)據(jù)的智能升級到更多樣化的智能，包括感知智能,、認(rèn)知智能,、自主智能和人機(jī)融合智能等，也面臨著重大的理論和技術(shù)挑戰(zhàn),。 數(shù)字化浪潮帶來了應(yīng)用、連接,、終端,、用戶以及數(shù)據(jù)量前所未有的增長，所有這些都需要巨大的計(jì)算能力,。滿足如此快速增長的計(jì)算能力需求變得越來越具有挑戰(zhàn)性,。智能社會中的巨型任務(wù)依賴于各種特定計(jì)算資源的高效組合。此外,，傳統(tǒng)的硬件模式不能很好地適應(yīng)智能算法,，制約了軟件的發(fā)展。 迄今為止,，智能計(jì)算還沒有一個被普遍接受的定義,。考慮到世界的三個基本空間,，即人類社會空間,、物理空間和信息空間日益緊密融合，我們從解決復(fù)雜的科學(xué)和社會問題的角度提出了智能計(jì)算的新定義： 智能計(jì)算是支撐萬物互聯(lián)的數(shù)字文明時代新的計(jì)算理論方法,、架構(gòu)體系和技術(shù)能力的總稱,。智能計(jì)算根據(jù)具體的實(shí)際需求,，以最小的代價完成計(jì)算任務(wù)，匹配足夠的計(jì)算能力,，調(diào)用最好的算法,，獲得最優(yōu)的結(jié)果。 智能計(jì)算的新定義是為響應(yīng)人類社會,、物理世界和信息空間三元融合快速增長的計(jì)算需求而提出的,。智能計(jì)算以人為本，追求高計(jì)算能力,、高能效,、智能和安全。其目標(biāo)是提供通用,、高效,、安全、自主,、可靠,、透明的計(jì)算服務(wù)，以支持大規(guī)模,、復(fù)雜的計(jì)算任務(wù),。圖1為智能計(jì)算的整體理論框架，它體現(xiàn)了支持人類社會—物理世界—信息空間集成的多種計(jì)算范式,。  ▲圖1：基于人類社會空間,、物理空間和信息空間融合的智能計(jì)算總覽 智能計(jì)算是數(shù)字文明時代支撐萬物互聯(lián)的新型計(jì)算理論方法、架構(gòu)體系和技術(shù)能力的總稱,。利用智能計(jì)算可以實(shí)現(xiàn)許多經(jīng)典和前沿研究領(lǐng)域的創(chuàng)新,，以解決復(fù)雜的科學(xué)和社會問題。智能計(jì)算的基本要素包括人的智能,、機(jī)器的能力以及由萬物組成的物理世界,。 在理論框架中，人是智能計(jì)算的核心和智慧的源泉,，代表著原始的,、與生俱來的智能，稱為元智能,。 元智能包括理解,、表達(dá)、抽象,、推理,、創(chuàng)造和反思等人類高級能力，其中包含人類積累的知識。元智能以碳基生命為載體,，是由個體和生物群體經(jīng)過百萬年的進(jìn)化產(chǎn)生的,，它包括生物具身智能、腦智能（尤其是人腦）和群體智能,。所有的智能系統(tǒng)都是由人類設(shè)計(jì)和建造的。 
因此,，在智能計(jì)算的理論體系中,，人類的智慧是智能的源泉，計(jì)算機(jī)是人類智能的賦能,。我們稱計(jì)算機(jī)的智能為通用智能,。 通用智能代表計(jì)算機(jī)解決具有廣泛外延的復(fù)雜問題的能力，以硅基設(shè)施為載體,，由個體和群體計(jì)算設(shè)備產(chǎn)生,。生物智能可以在以下四個層次上移植到計(jì)算機(jī)上：數(shù)據(jù)智能、感知智能,、認(rèn)知智能和自主智能,。元智能和通用智能如圖2所示。 
智能計(jì)算面臨大場景,、大數(shù)據(jù),、大問題、泛在需求的挑戰(zhàn),。算法模型變得越來越復(fù)雜,，需要超級計(jì)算能力來支持越來越大的模型訓(xùn)練。目前,，計(jì)算資源已經(jīng)成為提高計(jì)算機(jī)智能研究水平的障礙,。隨著智能算法的發(fā)展，擁有豐富計(jì)算資源的機(jī)構(gòu)可能形成系統(tǒng)的技術(shù)壟斷,。經(jīng)典的超級計(jì)算機(jī)已經(jīng)難以滿足AI對計(jì)算能力的需求,。 雖然通過算法優(yōu)化可以在一定程度上降低算力需求，但并不能從根本上解決這個問題,。需要從架構(gòu),、加速模塊、集成模式,、軟件棧等多個維度進(jìn)行全面優(yōu)化,，如圖3所示。 
▲圖3：智能計(jì)算的計(jì)算能力智能計(jì)算 在理論技術(shù)上具有以下特點(diǎn)（圖4）：理論技術(shù)上的自學(xué)習(xí)和可進(jìn)化性,，架構(gòu)上的高計(jì)算能力和高能效,，系統(tǒng)方法上的安全性和可靠性，運(yùn)行機(jī)制上的自動化和精確性,，以及服務(wù)性上的協(xié)作和泛在性,。智能計(jì)算包括兩個本質(zhì)方面：智能和計(jì)算,，兩者相輔相成。 智能促進(jìn)了計(jì)算技術(shù)的發(fā)展,，計(jì)算是智能的基礎(chǔ),。提高計(jì)算系統(tǒng)性能和效率的高級智能技術(shù)范式是“智能驅(qū)動的計(jì)算”。支持計(jì)算機(jī)智能發(fā)展的高效,、強(qiáng)大的計(jì)算技術(shù)范式是“面向智能的計(jì)算”,。 兩種基本范式從五個方面進(jìn)行創(chuàng)新，提升計(jì)算能力,、能源效率,、數(shù)據(jù)使用、知識表達(dá)和算法能力,，實(shí)現(xiàn)泛在,、透明、可靠,、實(shí)時,、自動化的服務(wù)。  提高計(jì)算的普適性對智能計(jì)算至關(guān)重要?，F(xiàn)實(shí)場景中的問題,，例如模擬、圖（gragh）（圖5）等,，需要進(jìn)行各種計(jì)算,。智能計(jì)算的另一個關(guān)鍵點(diǎn)是如何提高計(jì)算的智能化水平。從經(jīng)驗(yàn)上來說,，我們常常需要向自然界的智能生物學(xué)習(xí),，計(jì)算也不例外，例如三大經(jīng)典智能方法：人工神經(jīng)網(wǎng)絡(luò)（圖6）,、模糊系統(tǒng)和進(jìn)化計(jì)算,，都是受生物智能啟發(fā)提出的算法。智能計(jì)算理論包括但不限于以上幾種計(jì)算,，以實(shí)現(xiàn)高度的泛在化和智能化,。
智能系統(tǒng)在開始工作之前，首先要進(jìn)行智能感知,。因此,，感知智能在所有智能系統(tǒng)中都起著至關(guān)重要的作用。感知智能的重點(diǎn)是多模態(tài)感知,、數(shù)據(jù)融合,、智能信號提取和處理。 典型的例子包括智慧城市管理、自動潛水系統(tǒng),、智能防御系統(tǒng)和自主機(jī)器人,。感知智能研究中最熱門的領(lǐng)域是模擬人類的五種感覺能力，視覺,、聽覺,、嗅覺、味覺和觸覺,。 此外,，智能傳感還包括溫度、壓力,、濕度、高度,、速度,、重力等，需要大量的計(jì)算或數(shù)據(jù)訓(xùn)練來提高其性能,。近年來,，隨著模式識別和深度學(xué)習(xí)技術(shù)的全面應(yīng)用，機(jī)器的感知智能已經(jīng)超過人類,，在語音,、視覺和觸覺識別方面取得了重大進(jìn)展。由于其日益增長的重要性和日益拓寬的應(yīng)用領(lǐng)域,，智能傳感器受到了廣泛關(guān)注,。如圖7所示，智能傳感器具有各種形式以滿足不同應(yīng)用的需求,，并且更新更好的型號正在被不斷的開發(fā)出來,。
▲圖7：工業(yè)中需要連接到物聯(lián)網(wǎng)的的各種傳感器類型 認(rèn)知智能是指機(jī)器具有像人一樣的邏輯理解和認(rèn)知能力，特別是思考,、理解,、總結(jié)和主動應(yīng)用知識的能力。它描述了智能體在真實(shí)環(huán)境中處理復(fù)雜事實(shí)和情況的能力,。數(shù)據(jù)識別是感知智能的核心功能,，需要對圖像、視頻,、聲音等各類數(shù)據(jù)進(jìn)行大規(guī)模的數(shù)據(jù)采集和特征提取,，完成結(jié)構(gòu)化處理。相比之下,，認(rèn)知智能需要理解數(shù)據(jù)元素之間的關(guān)系,，分析結(jié)構(gòu)化數(shù)據(jù)中的邏輯，并根據(jù)提煉出的知識做出響應(yīng)。認(rèn)知智能計(jì)算主要研究機(jī)器的自然語言處理,、因果推理和知識推理（圖8）等領(lǐng)域,。通過對人腦的神經(jīng)生物學(xué)過程和認(rèn)知機(jī)制的啟發(fā)式研究，可以提高機(jī)器的認(rèn)知水平,，以使其獲得幫助,、理解、決策,、洞察和發(fā)現(xiàn)的能力,。
機(jī)器從被動輸出到主動創(chuàng)造有兩個關(guān)鍵要素：強(qiáng)泛化模型和與外部環(huán)境的持續(xù)交互。自主智能的發(fā)展路徑從學(xué)習(xí)單一任務(wù)開始,，舉一反三,，逐步達(dá)到與環(huán)境動態(tài)交互的主動學(xué)習(xí)，最終實(shí)現(xiàn)自我進(jìn)化的高級智能,。當(dāng)前可以通過遷移學(xué)習(xí),、元學(xué)習(xí)和自主學(xué)習(xí)等技術(shù)尋找生成自主智能的可行路徑。盡管在智能的四個層面上（數(shù)據(jù)智能,，感知智能,，認(rèn)知智能，自主智能）取得了重大進(jìn)展,，但目前僅通過計(jì)算/統(tǒng)計(jì)模型還難以從極其復(fù)雜的場景中實(shí)現(xiàn)完全的智能,。在這些場景中，人類應(yīng)該繼續(xù)在解決問題和決策中發(fā)揮不可或缺的作用,，來探索人類認(rèn)知過程中涉及的要素,，并將其與機(jī)器智能相結(jié)合。下一步,，將聚焦于人機(jī)交互,、人機(jī)融合和腦機(jī)接口等技術(shù)。AI的發(fā)現(xiàn)不斷涌現(xiàn),，這在很大程度上歸功于不斷增長的計(jì)算能力,。AI的快速變化是由新思想或革命性理論推動的。通常,，最新的先進(jìn)模型僅依賴于更大的神經(jīng)網(wǎng)絡(luò)和更強(qiáng)大的處理系統(tǒng),。Open AI研究人員在2018年進(jìn)行了一項(xiàng)研究，追蹤基于計(jì)算能力的最大模型的增長情況,。利用AI研究史上訓(xùn)練的一些最著名的AI模型所需的計(jì)算量,，他們發(fā)現(xiàn)了計(jì)算資源快速增長的兩個趨勢。開發(fā)突破性模型所需的計(jì)算能力的增長速度與摩爾定律大致相同,，即在2012年之前,，單個微芯片的計(jì)算能力往往每兩年翻一番,。但圖像識別系統(tǒng)AlexNet在2012年發(fā)布時引起了人們的新興趣。AlexNet的引入刺激了頂級模型的計(jì)算需求急劇增加,，從2012年到2018年,，這種需求每3到4個月翻一番，如圖9所示,。
▲圖9：過去十年計(jì)算能力需求的增長大大超過宏觀趨勢 當(dāng)摩爾定律失效時,，超大算力主要依賴于海量計(jì)算、內(nèi)存和存儲資源的并行疊加,。例如,，“高性能計(jì)算”是指將大量計(jì)算機(jī)快速聯(lián)網(wǎng)成一個“集群”以進(jìn)行密集計(jì)算的做法，使用戶能夠比傳統(tǒng)計(jì)算機(jī)更快地處理大量數(shù)據(jù),，從而獲得更深入的洞察力和競爭優(yōu)勢,。此外，得益于云計(jì)算（圖10）,，用戶現(xiàn)在可以選擇增加其高性能計(jì)算程序的容量,，從而繼續(xù)提高算力。
推進(jìn)智能計(jì)算架構(gòu)創(chuàng)新的目標(biāo)包括更高效的能源管理、更低的功耗,、更便宜的總芯片成本以及更快速的錯誤檢測和糾正,。當(dāng)涉及某些無法在CPU上執(zhí)行的AI操作時，AI加速器可能會大大減少訓(xùn)練和執(zhí)行時間,。在短期內(nèi),，所使用加速器的架構(gòu)專業(yè)化將是保持計(jì)算能力增長的最佳方式，如圖11所示為已公開發(fā)布的AI加速器和處理器的峰值性能與功耗,。另外,，內(nèi)存計(jì)算（圖12）是一個非常有效的方案，它能夠使內(nèi)存單元執(zhí)行原始邏輯操作,，因此它們可以在不需要與處理器交互的情況下進(jìn)行計(jì)算,，這是內(nèi)存和處理器之間不斷擴(kuò)大速度差距的主要原因。▲圖11：公開發(fā)布的 AI 加速器和處理器的峰值性能與功耗散點(diǎn)圖
復(fù)雜性是傳統(tǒng)計(jì)算機(jī)進(jìn)一步突破的瓶頸,。當(dāng)今高度復(fù)雜的AI模型（例如深度神經(jīng)網(wǎng)絡(luò)）在邊緣設(shè)備中仍然難以實(shí)現(xiàn)普遍使用,。這是由于運(yùn)行這些模型的高級GPU和加速器存在功率和帶寬緊縮的缺陷，導(dǎo)致處理時間長并且架構(gòu)設(shè)計(jì)繁瑣,。由于這些問題,，研究人員開始創(chuàng)造新的計(jì)算模式，主要包括：量子計(jì)算（圖13）,，因?yàn)槠渚哂屑m纏或其他非經(jīng)典相關(guān)性帶來的量子優(yōu)勢,，可以在許多復(fù)雜的計(jì)算問題中實(shí)現(xiàn)指數(shù)速度,；神經(jīng)形態(tài)計(jì)算（圖14）的構(gòu)造和操作受到大腦中神經(jīng)元和突觸的啟發(fā)，因其能源效率高而非常適合計(jì)算,，神經(jīng)形態(tài)計(jì)算是事件驅(qū)動和高度并行化的,，這意味著只有小部分系統(tǒng)同時工作，所以消耗的功率非常??；光子計(jì)算（圖15）與電神經(jīng)網(wǎng)絡(luò)相比具有許多優(yōu)勢，包括超高帶寬,、快速計(jì)算速度和高并行性,，所有這些都是通過使用光子硬件加速來計(jì)算復(fù)雜的矩陣向量乘法來實(shí)現(xiàn)的；生物計(jì)算（圖16）是利用生物系統(tǒng)固有的信息處理機(jī)制發(fā)展起來的一種新的計(jì)算模型,，主要包括蛋白質(zhì)計(jì)算機(jī),、RNA計(jì)算機(jī)和DNA計(jì)算機(jī)，具有并行和分布式計(jì)算能力強(qiáng),、功耗低的優(yōu)勢,。
▲圖14：傳統(tǒng)計(jì)算系統(tǒng)和類腦計(jì)算系統(tǒng)的結(jié)構(gòu) ▲圖15：深度神經(jīng)網(wǎng)絡(luò)，包括傳統(tǒng)網(wǎng)絡(luò)和電子光子網(wǎng)絡(luò) ▲圖16：生物計(jì)算可能提供優(yōu)于傳統(tǒng)計(jì)算機(jī)的性能 如果要跟上當(dāng)前科學(xué)的快速發(fā)展,，就必須不斷的進(jìn)行革新?，F(xiàn)在正在進(jìn)行的計(jì)算機(jī)革命的融合將以前所未有的方式極大地推動科學(xué)發(fā)現(xiàn)的進(jìn)步。幾十年來,，計(jì)算材料（圖17）已成為研究材料特性和設(shè)計(jì)新材料的有力手段,。然而，由于材料和材料行為的復(fù)雜性,，它們的應(yīng)用面臨許多挑戰(zhàn),，包括缺乏許多原子、離子以及原子和離子相互作用的力場和電位,，分子動力學(xué)模擬中的不同熱力學(xué)相,，以及優(yōu)化材料成分和工藝參數(shù)的巨大搜索空間。作為一種新的研究范式,，AI集成到計(jì)算材料中是對傳統(tǒng)計(jì)算材料的革命,，并且已經(jīng)在多長度、多時間尺度,、多物理場耦合計(jì)算方面取得了巨大成功,。
作為最古老的觀測科學(xué)之一，天文學(xué)在歷史上收集了大量數(shù)據(jù),。由于望遠(yuǎn)鏡技術(shù)的突破,，收集到的數(shù)據(jù)爆炸性增長。天文學(xué)和天體物理學(xué)領(lǐng)域的特點(diǎn)是擁有豐富的數(shù)據(jù)和各種大口徑的地面望遠(yuǎn)鏡,，例如即將推出的大型巡天望遠(yuǎn)鏡和天基望遠(yuǎn)鏡,。使用高分辨率相機(jī)和相關(guān)工具,，數(shù)據(jù)收集現(xiàn)在更加高效，并且在很大程度上實(shí)現(xiàn)了自動化,，必須進(jìn)行更高效的數(shù)據(jù)分析,。因此，需要智能計(jì)算技術(shù)來解釋和評估數(shù)據(jù)集,。藥物設(shè)計(jì)同樣受益于AI（圖18）,，AI可以幫助科學(xué)家建立蛋白質(zhì)的3D結(jié)構(gòu)、模擬藥物和蛋白質(zhì)之間的化學(xué)反應(yīng)以及預(yù)測藥物的功效,。在藥理學(xué)中,，AI可以用于創(chuàng)建靶向化合物和多靶點(diǎn)藥物。利用AI還可以設(shè)計(jì)合成路線,、預(yù)測反應(yīng)產(chǎn)率并了解化學(xué)合成背后的機(jī)制,。AI讓重新利用現(xiàn)有藥物來治療新的治療目標(biāo)變得更加容易。此外,，AI對于識別不良反應(yīng),、測定生物活性和獲得藥物篩選結(jié)果至關(guān)重要。
▲圖18：不同的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用預(yù)測算法對應(yīng)不同的輸入特征,。（a）基于配體的方法,，（b）基于結(jié)構(gòu)的方法，和（c）基于關(guān)系的方法 隨著大數(shù)據(jù)和AI技術(shù)使用的增長,，作物育種開始進(jìn)行融合與突破（圖19）,。AI技術(shù)可以支持服務(wù)的創(chuàng)建、模型的識別以及農(nóng)業(yè)食品應(yīng)用和供應(yīng)鏈階段的決策過程,。AI在農(nóng)業(yè)中的主要目標(biāo)是準(zhǔn)確預(yù)測結(jié)果并提高產(chǎn)量，同時最大限度地減少資源使用,。因此,，AI工具提供的算法可以評估產(chǎn)量，預(yù)測難以預(yù)見的問題或事件以及發(fā)生趨勢,。從種植到收獲再到銷售,，AI促進(jìn)了整個農(nóng)業(yè)價值鏈。
智能計(jì)算加速轉(zhuǎn)型變革,，導(dǎo)致經(jīng)濟(jì)和社會秩序的轉(zhuǎn)變,。由于技術(shù)進(jìn)步，商品和勞動力市場正在發(fā)生巨大變化,，數(shù)字社會正在逐漸形成（圖20）,。AI應(yīng)該成為數(shù)字經(jīng)濟(jì)中每一個數(shù)據(jù)驅(qū)動戰(zhàn)略的核心，包括工業(yè)4.0,。例如,，人工智能可以應(yīng)用于預(yù)測性維護(hù),。預(yù)測性維護(hù)包括涉及通用設(shè)備或生產(chǎn)機(jī)械的維護(hù)，并使用來自生產(chǎn)線或運(yùn)營線的傳感器數(shù)據(jù)幫助降低運(yùn)營費(fèi)用或停機(jī)時間,。另外,。AI可以應(yīng)用于城市治理，通過開發(fā)新的策略和方法,，使城市更智能,。智慧城市治理旨在利用最先進(jìn)的信息技術(shù)同步數(shù)據(jù)、程序,、權(quán)限等,，造福城市居民，主要包含四個方面：智慧決策,、智慧城市治理,、智慧行政和智慧城市合作。 從新興產(chǎn)業(yè)生態(tài)的角度來看,，智能計(jì)算產(chǎn)業(yè)仍面臨著一系列挑戰(zhàn),，決定著其未來發(fā)展。第一,，與傳統(tǒng)計(jì)算理論相比,，智能計(jì)算是語言和生物學(xué)驅(qū)動的計(jì)算范式的應(yīng)用和發(fā)展。 這意味著機(jī)器可以根據(jù)不同的場景模仿人腦解決問題和決策的能力,。然而,，硅基和碳基運(yùn)算的底層邏輯存在根本差異，大腦智能的機(jī)制仍有待進(jìn)一步探索,。智能計(jì)算的下一步是通過深入探索類人智能的基本要素,，其在宏觀層面的相互作用機(jī)制以及在微觀層面上支持不確定性生成的計(jì)算理論，進(jìn)行徹底的改革,。第二,，探索人類如何學(xué)習(xí)并將其應(yīng)用到AI的研究中具有重要意義。 知識驅(qū)動的機(jī)器智能可以從人類活動中學(xué)習(xí),，模仿人腦的決策能力,，使機(jī)器能夠像人一樣感知、識別,、思考,、學(xué)習(xí)和協(xié)作。需要探索多知識驅(qū)動的知識推理和持續(xù)學(xué)習(xí)的理論和關(guān)鍵技術(shù),，使智能系統(tǒng)具有類人的學(xué)習(xí),、感知、表示和決策能力,，促進(jìn)智能計(jì)算從數(shù)據(jù)驅(qū)動向知識驅(qū)動演進(jìn),。第三,，軟硬件適配面臨著巨大的挑戰(zhàn)，如精度損失,、調(diào)用困難,、協(xié)作效率低下等。 未來,，計(jì)算機(jī)必須突破馮·諾依曼體系結(jié)構(gòu)下固定的輸入和處理范式,，大力發(fā)展交叉學(xué)科的智能計(jì)算和仿生學(xué)。在算法層面進(jìn)行設(shè)計(jì),，突破現(xiàn)有架構(gòu)的局限,，以更低的計(jì)算和硬件設(shè)計(jì)成本嘗試更靈活、更人性化的數(shù)據(jù)處理方式,。此外,，開發(fā)高性能、低能耗的新型組件設(shè)計(jì)方案,，提高軟件和硬件的計(jì)算能力和效率,，以滿足快速增長的需求和智能計(jì)算應(yīng)用也很重要。第四,，智能計(jì)算的理論技術(shù)架構(gòu)是一個復(fù)雜的系統(tǒng),，具有多個與其他學(xué)科相互作用的子系統(tǒng)。 系統(tǒng)中的各種硬件需要更復(fù)雜的系統(tǒng)設(shè)計(jì),，更好的優(yōu)化技術(shù),，以及系統(tǒng)調(diào)優(yōu)的更大成本。高維計(jì)算理論復(fù)雜性的缺乏是大規(guī)模計(jì)算系統(tǒng)面臨的主要挑戰(zhàn),。當(dāng)前,，我們正迎來人類發(fā)展的第四次浪潮，正處于從信息社會向人類社會-物理世界-信息空間融合的智能社會的關(guān)鍵轉(zhuǎn)型期,。在這種轉(zhuǎn)變中,，計(jì)算技術(shù)正在經(jīng)歷變革，甚至是顛覆性的變化,。智能計(jì)算被認(rèn)為是未來計(jì)算的發(fā)展方向，不僅是面向智能的計(jì)算,，而且是智能賦能的計(jì)算,。它將提供通用、高效,、安全,、自主、可靠和透明的計(jì)算服務(wù),，以支持當(dāng)今智能社會中大規(guī)模和復(fù)雜的計(jì)算任務(wù),。本文全面回顧了智能計(jì)算的理論基礎(chǔ),、智能與計(jì)算的技術(shù)融合、重要應(yīng)用,、挑戰(zhàn)和未來方向,。我們希望這篇綜述能為研究人員和從業(yè)者提供一個很好的參考，并促進(jìn)未來智能計(jì)算領(lǐng)域的理論和技術(shù)創(chuàng)新,。
|
