91久久久亚洲精品,亚洲无人区一区,免费视频一区二区

9位院士12位專家聯(lián)合撰文：智能計(jì)算的新進(jìn)展、挑戰(zhàn)與未來

111

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.science.org/doi/10.34133/icomputing.0006

簡介

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)：

智能方面的挑戰(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)。

計(jì)算方面的挑戰(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)算基礎(chǔ)

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。

△圖2：元智能和通用智能

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)。

△圖4：智能計(jì)算的特征

智能驅(qū)動的計(jì)算

提高計(jì)算的普適性對智能計(jì)算至關(guān)重要。現(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。

△圖5：圖計(jì)算的技術(shù)架構(gòu)

△圖6：典型神經(jīng)元的結(jié)構(gòu)和人工神經(jīng)元的結(jié)構(gòu)

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。

△圖8：知識推理概述

驅(qū)動機(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)。

面向智能的計(jì)算

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。

△圖10：云、霧和邊緣計(jì)算的表示

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

△圖12：計(jì)算的三種概念方法：（a）傳統(tǒng)數(shù)字計(jì)算，（b）近內(nèi)存陣列計(jì)算（NMAC）和（c）內(nèi)存陣列計(jì)算（IMAC）

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小；

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13：顯示復(fù)雜性等級之間關(guān)系的圖表（a）以及用于識別和評估可能的量子優(yōu)勢的流程圖（b）

△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

智能計(jì)算的應(yīng)用

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。現(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。

△圖17：材料/分子科學(xué)范式的比較

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。

△圖19：大數(shù)據(jù)與AI在植物育種中的結(jié)合

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。

△圖20：數(shù)字社會的組成部分

展望

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)。

結(jié)論

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。

來源：量子位

【免責(zé)聲明：本文版權(quán)歸原作者所有。為尊重版權(quán)，我們盡量標(biāo)注文章來源，若不愿被轉(zhuǎn)載或涉及侵權(quán)，請及時通過在線客服和郵箱聯(lián)系，郵箱地址：wutongtai@wttai.com，我們將第一時間予以刪除】