英特尔宋继强:坚持科研的历久主义 推动AI向3.0时代跃迁

宋继强.jpg

最近几天,新冠疫情在北京再次升级,使总体向好的海内抗疫形势变得严重。刚刚重启的生发生涯被再次打乱,我们或许在未来较长一段时间内都不得不面临防疫常态化这一现实。本周,我又最先切换到“云办公、云生涯”的状态。远程办公、视频会议已成习惯,孩子的课业交给了在线教育平台,消费和娱乐的方式也变成了看网络直播、听云演唱会。在疫情这一特殊的场景下,一系列新型AI应用需求被周全激活,AI真正渗透到了我们一样平常生涯的方方面面。

作为一个科技从业者,我深知这些AI新应用的发作绝非一日之功。从量变到质变的历程,是历久的科研结构与数字化基础设施建设的效果。瞄准久远的目的与价值,坚持历久的科技研究,是我们面临“疫情”这样不确定事宜时唯一确定的事情。这不仅需要前瞻性的视野与结构,还需要有不为眼前利益所摇动的刻意与意志。

AI的生长历程看,人类对于AI的探索已经连续了70多年。回望AI的生长历程,我们可以清晰地捕捉到几个要害的节点。AI第一波浪潮,是通过由人制订的种种规则去做理论性的推理。虽然在推理方面显示不俗,但仅限于几个严酷界说的问题,且没有学习能力,无法处置不确定性问题。而真正令AI渐入佳境的,则源于由深度学习所触发的AI第二波浪潮。互联网、移动互联网等所发生的海量数据,给机械提供了学习、挖掘和试错的工具,让系统得以自觉地找到“纪律”,作出展望、判断和决议。数据的增进,外加算力的提升以及基于深度学习构建的算法演进,这三张“王牌”让一些典型的深度学习应用到达甚至逾越了人的能力。这使得越来越多的乐观主义者笃信,深度学习是极具价值且值得产业界大规模跟进的偏向。

然而,深度学习就是AI的最终谜底吗?随着对于深度学习的研究深入,我们发现另有一些问题亟待解决。首先,能耗是最大的挑战。有研究报告显示,接纳服务器级别的CPU加上GPU集群去训练一个大型AI模子,其所消耗电力发生的碳排放量,相当于5辆美式轿车整个生命周期所消耗的碳排放量。试想,若是各行各业都沿用这样的AI盘算模式,人类的生态环境将会遭到何等的损坏。然后,数据量是又一大挑战。现在的深度学习过于依赖大数据,在一些小数据量的场景下,深度学习使用会异常有限。AI应该像人类大脑那样,通过小数据举行自我学习。在训练历程中,如何在保证AI模子能力的情况下,大幅降低能耗并削减所需破费的时间和数据量?这是AI继续向前生长的主要偏向。但现在看来,基于大规模GPU并行盘算去加速深度学习训练的方式,并不能知足这个条件。

一个真正的智能系统,应该是环境自适应性的自然智能。首先,它不仅能处置确定性的问题,还能处置不确定性问题。第二,它不仅能够做事,还必须是可解释的。第三,它不完全依赖大数据驱动,即便少量数据也可实现更高效能的连续学习。第四,它应具备高可靠性,或者说相符人类给它设定的伦理道德。这是我们对于AI手艺下一生长阶段——AI 3.0时代的展望。

现在,我们正处于从AI 2.0AI 3.0时代的转折点。那么,事实什么有望成为穿透AI未来的“利刃”呢?从现在看,作为一种前沿的盘算模式,神经拟态盘算最有可能开拓出一条从AI 2.0到AI 3.0的崭新赛道。神经拟态盘算,是在传统半导体工艺和芯片架构上的一种实验和突破。它通过模拟人脑神经元的组织和神经元之间互联的机制,能在低功耗以及少量训练数据的条件下连续不停自我学习,大幅提高了能效比。显然,神经拟态盘算的特点异常相符AI3.0的生长需求。因此,神经拟态盘算也被寄予厚望,有可能在人类迈入下一代AI的历程中施展主要作用。

英特尔是一家驻足久远、推动底层手艺创新的公司,以此来辅助客户取得商业应用上的乐成。为此,我们不停对前沿手艺领域加大研究,即便这些领域在短期内无法看到现实成效。围绕神经拟态盘算,我们从很早就最先积极探索这一崭新的盘算模式,并取得了令人瞩目的成就。英特尔的神经拟态盘算芯片Loihi已经具备了嗅觉的能力,神经拟态系统Pohoiki Springs已经拥有1亿神经元的盘算能力,这已经相当于一个小型哺乳动物的大脑。

英特尔宋继强:坚持科研的历久主义 推动AI向3.0时代跃迁

固然,神经拟态盘算还处于异常早期的阶段,要想将这项手艺真正应用于AI,我们另有很长的路要走。但我信赖,底层手艺的创新必须坚持历久主义,长时间地专注于一个偏向与赛道,以这种确定性去匹敌生长历程中的一切不确定性,才有可能最终取得乐成。

本文作者为英特尔中国研究院院长

声明: 本文由入驻基智地平台的作者撰写,观点仅代表作者本人,不代表基智地立场;基智地发布此信息的目的在于传播更多信息,与本站立场无关。