智能计算：最新进展、挑战和未来

当前，智能计算还没有公认的定义。一些研究者认为智能计算是人工智能与计算技术的结合，但这种观点将智能计算的定义局限在人工智能领域，而忽视了人工智能固有的局限性以及人、机、物三元交互的重要作用。另一派观点认为智能计算就是计算智能，但没有考虑到计算架构和物联网（IoT）在智能计算中的重要作用。考虑到人类社会空间、物理空间和信息空间这三个基本空间日益紧密融合，本文从解决复杂的科学和社会问题的角度提出了智能计算的新定义。

智能计算是指在支持全球互联的数字文明时代，新的计算理论方法、架构系统和技术能力的总称。智能计算的目标是根据实际的具体需求，以最小的成本完成计算任务，匹配足够的计算能力，调用最精细的算法，获得最优的结果，其基本要素包括人类智能、机器能力和由万物组成的物理世界。智能计算在许多经典和前沿研究领域探索创新，以解决复杂的科学和社会问题。

（一）智能能力

在理论框架中，人是智能计算的核心和智慧的源泉，代表着被称为“元智能”的原始固有智能。元智能包括理解、表达、抽象、推理、创造和反思等人类高级能力。所有智能系统都是由人类设计和建造的。因此，在智能计算的理论体系中，人类的智慧是智能的源泉，而计算机则由人类智能赋能。我们把计算机的智能称为“通用智能”。通用智能代表了计算机解决复杂问题的能力，具有广泛的外延，包括自然语言处理、图像识别、语音识别、目标检测与跟踪等，以硅基设施为载体，由个体和群体计算设备产生。生物智能可以在以下四个层次上移植到计算机上，包括数据智能、感知智能、认知智能和自主智能。

（二）计算能力

随着算法模型变得越来越复杂，模型的训练也对计算能力提出更高的要求。目前，有限的计算资源已成为提高计算机智能研究水平的障碍。随着智能算法的发展，计算资源丰富的机构可能会形成系统性的技术垄断，经典的超级计算机不适合人工智能对计算能力的需求。虽然算法优化可以在一定程度上减少对计算能力的需求，但并不能从根本上解决这个问题，需要从体系结构、加速模块、集成模式、软件栈等多个维度进行全面优化。

（三）智能计算特点

智能计算具有以下特点：（1）理论技术上的自学习性和可演进性；（2）体系架构上的高计算能力和高能效；（3）系统方法上的安全性和可靠性；（4）运行机制上的自动化和精确性；（5）可维护性的协作性和泛在性。

智能计算包括智能和计算两个本质方面，两者相辅相成。智能促进了计算技术的发展，计算是智能的基础。提高计算系统性能和效率的高级智能技术范式是“智能驱动的计算”。支持计算机智能发展的高效、强大的计算技术范式是“面向智能的计算”。两种基本范式从五个方面进行创新：（1）提升计算能力、能源效率；（2）数据使用；（3）知识表达和算法能力；（4）实现泛在、透明、可靠、实时；（5）自动化的服务。

智能计算有两大关键，分别是提高计算的通用性以及提高计算的智能化水平。智能计算理论包括但不限于人工神经网络、模糊系统和进化计算等经典智能计算，帮助实现计算的高度泛在性和智能化。

智能系统在开始工作之前，首先要进行智能感知。感知智能在所有智能系统中都起着至关重要的作用。感知智能专注于多模态感知、数据融合、智能信号提取和处理，典型的例子包括智慧城市管理、自动潜水系统、智能防御系统、自主机器人等。感知智能研究中最热门的领域是模拟人类的五种感觉能力，视觉、听觉、嗅觉、味觉和触觉。此外，智能传感还包括温度、压力、湿度、高度、速度、重力等，需要大量的计算或数据训练来提高其性能。近年来，随着模式识别和深度学习技术的全面应用，机器的感知智能已接近甚至超过人类，在语音、视觉和触觉识别方面取得了重大进展。由于其日益增长的重要性和日益拓宽的应用领域，智能传感器受到了广泛关注。智能传感器具有各种形式以满足不同应用的需求，并且更新更好的型号正在被不断的开发出来。

认知智能是指机器具有像人一样的逻辑理解和认知能力，特别是思考、理解、总结和主动应用知识的能力。它描述了智能体在真实环境中处理复杂事实和情况的能力。数据识别是感知智能的核心功能，需要对图像、视频、声音等各类数据进行大规模的数据采集和特征提取，完成结构化处理。相比之下，认知智能需要理解数据元素之间的关系，分析结构化数据中的逻辑，并根据提炼出的知识做出响应。认知智能计算主要研究机器的自然语言处理、因果推理和知识推理等领域。通过对人脑的神经生物学过程和认知机制的启发式研究，可以提高机器的认知水平，以使其获得帮助、理解、决策、洞察和发现的能力。

驱动机器从被动输出到主动创造有两个关键要素：强泛化模型和与外部环境的持续交互。自主智能的发展路径从学习单一任务开始，举一反三，逐步达到与环境动态交互的主动学习，最终实现自我进化的高级智能。当前可以通过迁移学习、元学习和自主学习等技术寻找生成自主智能的可行路径。尽管在智能的四个层面上（数据智能、感知智能、认知智能、自主智能）取得了重大进展，但目前仅通过计算/统计模型还难以从极其复杂的场景中实现完全的智能。在这些场景中，人类应该继续在解决问题和决策中发挥不可或缺的作用，来探索人类认知过程中涉及的要素，并将其与机器智能相结合。下一步，将聚焦于人机交互、人机融合和脑机接口等技术。

人工智能的发现不断涌现，这在很大程度上归功于不断增长的计算能力。人工智能的快速变化是由新思想或革命性理论推动的。通常，最新的先进模型仅依赖于更大的神经网络和更强大的处理系统。OpenAI研究人员在2018年进行了一项研究，追踪人工智能研究史上训练的一些最著名的人工智能模型所需的计算量，他们发现了计算资源快速增长的两个趋势。

开发突破性模型所需的计算能力的增长速度与摩尔定律大致相同，即在2012年之前，单个微芯片的计算能力往往每两年翻一番。但图像识别系统AlexNet在2012年发布时引起了人们的新兴趣。AlexNet的引入刺激了顶级模型的计算需求急剧增加，从2012年到2018年，这种需求每3到4个月翻一番。

当摩尔定律失去效力时，超大算力主要依赖于并行堆叠海量计算、内存和存储资源。例如，术语“高性能计算”用于描述将大量计算机快速联网到单个“集群”中以执行密集计算的做法，使用户能够比传统计算机更快地处理大量数据，从而获得更深入的洞察力和竞争优势。使用分层和协作的“边缘—雾—云”架构有几个优点，例如能够传播智能和计算，以在给定限制的范围内找到最佳解决方案（例如延迟和能量之间的权衡）。

推进智能计算架构创新的目标包括更高效的能源管理、更低的功耗、更便宜的总芯片成本以及更快速的错误检测和纠正。当涉及某些无法在CPU上执行的人工智能操作时，人工智能加速器可能会大大减少训练和执行时间。在短期内，所使用加速器的架构专业化将是保持计算能力增长的最佳方式。另外，内存计算是一个非常有效的方案，它能够使内存单元执行原始逻辑操作，因此它们可以在不需要与处理器交互的情况下进行计算，这是内存和处理器之间不断扩大速度差距的主要原因。

当今高度复杂的人工智能模型（例如深度神经网络）在边缘设备中仍然难以实现普遍使用。这是由于运行这些模型的高级GPU和加速器存在功率和带宽紧缩的缺陷，导致处理时间长并且架构设计繁琐。由于这些问题，研究人员开始创造了新的计算模式。

1. 量子计算，克服了经典计算机计算能力的限制，因为其具有纠缠或其他非经典相关性带来的量子优势，在许多复杂的计算问题中实现指数级的速度。量子计算这一优势拥有在短时间内处理大量信息的巨大潜力，可能成为下一代计算技术最有前途的候选者。

2. 神经形态计算的构造和操作受到大脑中神经元和突触的启发，因其能源效率高而非常适合计算，神经形态计算是事件驱动和高度并行化的，这意味着只有小部分系统同时工作，所以消耗的功率非常小。

3. 光子神经网络（ONN）与电神经网络相比具有许多优势，包括超高带宽、快速计算能力和高并行性，所有这些都是通过使用光子硬件加速来计算复杂的矩阵向量乘法实现的。凭借当今最先进的光学技术，ONN每秒可以执行10万亿次操作，每次操作的能量消耗可能等于甚至小于一个光子，硅光子集成电路（PIC）因其体积小、集成密度高、功耗低等优点，正成为构建光学人工智能计算机所需的大型紧凑处理单元的有吸引力的选择。

4. 生物计算是利用生物系统固有的信息处理机制发展起来的一种新的计算模型，主要包括蛋白质计算机、RNA计算机和DNA计算机，具有并行和分布式计算能力强、功耗低的优势。但目前，受限于现有生物技术，大多数生物计算机依然处于理论设计阶段，没有合适的条件进行相关的实验验证。

（一）面向科学的智能计算

如果要跟上当前科学的快速发展，就必须不断地进行革新。现在正在进行的计算机革命与其他科学方向的融合将以前所未有的方式极大地推动科学发现的进步。

1. 计算材料科学

近几十年，计算材料已成为研究材料特性和设计新材料的有力手段。然而，由于材料和材料行为的复杂性，它们的应用面临许多挑战，包括缺乏许多原子、离子以及原子和离子相互作用的力场和电位，分子动力学模拟中的不同热力学相，以及优化材料成分和工艺参数的巨大搜索空间。作为一种新的研究范式，人工智能集成到计算材料中是对传统计算材料的革命，并且已经在多长度、多时间尺度、多物理场耦合计算方面取得了巨大成功。

2. 天文学计算

作为最古老的观测科学之一，天文学在历史上收集了大量数据。由于望远镜技术的突破，收集到的数据爆炸性增长。天文学和天体物理学领域的特点是拥有丰富的数据和各种大口径的地面望远镜，例如即将推出的大型巡天望远镜和天基望远镜。使用高分辨率相机和相关工具，数据收集现在更加高效，并且在很大程度上实现了自动化，必须进行更高效的数据分析。机器学习模型在近期迅速发展成为宇宙学和天体物理学中非常有效的工具。

3. 药物研究的计算

药物设计同样受益于人工智能，人工智能可以帮助科学家建立蛋白质的3D结构、模拟药物和蛋白质之间的化学反应以及预测药物的功效。在药理学中，人工智能可以用于创建靶向化合物和多靶点药物。利用人工智能还可以设计合成路线、预测反应产率并了解化学合成背后的机制。人工智能让重新利用现有药物来治疗新的治疗目标变得更加容易。此外，人工智能对于识别不良反应、测定生物活性和获得药物筛选结果至关重要。

4. 计算机辅助育种

随着大数据和人工智能技术使用的增长，作物育种开始进行融合与突破。人工智能技术可以支持服务的创建、模型的识别以及农业食品应用和供应链阶段的决策过程。人工智能在农业中的主要目标是准确预测结果并提高产量，同时最大限度地减少资源使用。因此，人工智能工具提供的算法可以评估产量，预测难以预见的问题或事件以及发生趋势。从种植到收获再到销售，人工智能促进了整个农业价值链。

（二）面向经济和治理的智能计算

智能计算加速转型变革，导致经济和社会秩序的转变。由于技术进步，商品和劳动力市场正在发生巨大变化，数字社会正在逐渐形成。人工智能应该成为数字经济中每一个数据驱动战略的核心，包括工业4.0。例如，人工智能可以应用于预测性维护。预测性维护包括涉及通用设备或生产机械的维护，并使用来自生产线或运营线的传感器数据帮助降低运营费用或停机时间。另外，人工智能可以应用于城市治理，通过开发新的策略和方法，使城市更智能，例如利用最先进的信息技术同步数据、程序、权限等，造福城市居民。

从新兴产业生态的角度来看，智能计算产业仍面临着一系列挑战，决定着其未来发展。

（一）机器智能的理论革命

与传统计算理论相比，智能计算是语言和生物学驱动的计算范式的应用和发展。这意味着机器可以根据不同的场景模仿人脑解决问题和决策的能力。然而，硅基和碳基运算的底层逻辑存在根本差异，大脑智能的机制仍有待进一步探索。智能计算的下一步是通过宏观层面深入探索类人智能的基本要素及其相互作用机制以及在微观层面上深入探索支持不确定性生成的计算理论，进行彻底的改革。

（二）知识驱动的计算

探索人类如何学习并将其应用到人工智能的研究中具有重要意义。知识驱动的机器智能可以从人类活动中学习，模仿人脑的决策能力，使机器能够像人一样感知、识别、思考、学习和协作。需要探索多知识驱动的知识推理和持续学习的理论和关键技术，使智能系统具有类人的学习、感知、表征和决策能力，促进智能计算从数据驱动向知识驱动演进。

（三）软件和硬件的架构创新

软硬件适配面临着巨大的挑战，如精度损失、调用困难、协作效率低下等。未来，计算机必须突破冯·诺依曼体系结构下固定的输入和处理范式，大力发展交叉学科的智能计算和仿生学。在算法层面进行设计，突破现有架构的局限，以更低的计算和硬件设计成本尝试更灵活、更人性化的数据处理方式。此外，开发高性能、低能耗的新型组件设计方案，提高软件和硬件的计算能力和效率，以满足快速增长的需求和智能计算应用也很重要。

（四）大型计算系统解决方案

智能计算的理论技术架构是一个复杂的系统，具有多个与其他学科相互作用的子系统。系统中的各种硬件需要更复杂的系统设计，更好的优化技术，以及系统调优的诸多成本。高维计算理论复杂性的缺乏是大规模计算系统面临的主要挑战。

当前，我们正迎来人类发展的第四次浪潮，正处于从信息社会向人类社会—物理世界—信息空间融合的智能社会的关键转型期。在这种转变中，计算技术正在经历变革，甚至是颠覆性的变化。智能计算被认为是未来计算的发展方向，不仅是面向智能的计算，而且是智能赋能的计算。它将提供通用、高效、安全、自主、可靠和透明的计算服务，以支持当今智能社会中大规模和复杂的计算任务。