最(zui)近(jin)幾(ji)天(tian)，新(xin)冠(guan)疫(yi)情(qing)在(zai)北(bei)京(jing)再(zai)次(ci)升(sheng)級(ji)，使(shi)總(zong)體(ti)向(xiang)好(hao)的(de)國(guo)內(nei)抗(kang)疫(yi)形(xing)勢(shi)變(bian)得(de)嚴(yan)峻(jun)。剛(gang)剛(gang)重(zhong)啟(qi)的(de)生(sheng)產(chan)生(sheng)活(huo)被(bei)再(zai)次(ci)打(da)亂(luan)，我(wo)們(men)或(huo)許(xu)在(zai)未(wei)來(lai)較(jiao)長(chang)一(yi)段(duan)時(shi)間(jian)內(nei)都(dou)不(bu)得(de)不(bu)麵(mian)對(dui)防(fang)疫(yi)常(chang)態(tai)化(hua)這(zhe)一(yi)現(xian)實(shi)。本(ben)周(zhou)
，我(wo)又(you)開(kai)始(shi)切(qie)換(huan)到(dao)“雲辦公、雲生活”的狀態。遠程辦公、視頻會議已成習慣

，孩子的課業交給了在線教育平台

，消費和娛樂的方式也變成了看網絡直播
、聽雲演唱會。在疫情這一特殊的場景下，一係列新型AI應用需求被全麵激活，AI真正滲透到了我們日常生活的方方麵麵。

 

作為一個科技從業者，我深知這些AI新(xin)應(ying)用(yong)的(de)爆(bao)發(fa)絕(jue)非(fei)一(yi)日(ri)之(zhi)功(gong)。從(cong)量(liang)變(bian)到(dao)質(zhi)變(bian)的(de)過(guo)程(cheng)
，是(shi)長(chang)期(qi)的(de)科(ke)研(yan)布(bu)局(ju)與(yu)數(shu)字(zi)化(hua)基(ji)礎(chu)設(she)施(shi)建(jian)設(she)的(de)結(jie)果(guo)。瞄(miao)準(zhun)長(chang)遠(yuan)的(de)目(mu)標(biao)與(yu)價(jia)值(zhi)
，堅(jian)持(chi)長(chang)期(qi)的(de)科(ke)技(ji)研(yan)究(jiu)
，是(shi)我(wo)們(men)麵(mian)對(dui)“疫情”這樣不確定事件時唯一確定的事情。這不僅需要前瞻性的視野與布局，還需要有不為眼前利益所動搖的決心與意誌。

 

從AI的發展進程看，人類對於AI的探索已經持續了70多年。回望AI的發展曆程，我們可以清晰地捕捉到幾個關鍵的節點。AIdiyibolangchao
，shitongguoyourenzhidingdegezhongguizequzuolilunxingdetuili。suiranzaituilifangmianbiaoxianbusu，danjinxianyujigeyangedingyidewenti
，qiemeiyouxuexinengli
，wufachulibuquedingxingwenti。erzhenzhenglingAI漸入佳境的，則源於由深度學習所觸發的AI第二波浪潮。互聯網、移動互聯網等所產生的海量數據
，給機器提供了學習、挖掘和試錯的對象，讓係統得以自發地找到“規律”

，作出預測
、判斷和決策。數據的增長，外加算力的提升以及基於深度學習構建的算法演進，這三張“王牌”讓(rang)一(yi)些(xie)典(dian)型(xing)的(de)深(shen)度(du)學(xue)習(xi)應(ying)用(yong)達(da)到(dao)甚(shen)至(zhi)超(chao)越(yue)了(le)人(ren)的(de)能(neng)力(li)。這(zhe)使(shi)得(de)越(yue)來(lai)越(yue)多(duo)的(de)樂(le)觀(guan)主(zhu)義(yi)者(zhe)深(shen)信(xin)，深(shen)度(du)學(xue)習(xi)是(shi)極(ji)具(ju)價(jia)值(zhi)且(qie)值(zhi)得(de)產(chan)業(ye)界(jie)大(da)規(gui)模(mo)跟(gen)進(jin)的(de)方(fang)向(xiang)。

 

然而，深度學習就是AI的終極答案嗎
？隨著對於深度學習的研究深入

，我們發現還有一些問題亟待解決。首先，“能耗”是最大的挑戰。有研究報告顯示，采用服務器級別的CPU加上GPU集群去訓練一個大型AI模型
，其所消耗電力產生的碳排放量
，相當於5輛美式轎車整個生命周期所消耗的碳排放量。試想，如果各行各業都沿用這樣的AI計算模式，人類的生態環境將會遭到何等的破壞。然後，“數據量”是又一大挑戰。目前的深度學習過於依賴大數據，在一些小數據量的場景下，深度學習使用會非常有限。AI應該像人類大腦那樣，通過小數據進行自我學習。在訓練過程中，如何在保證AI模型能力的情況下，大幅降低能耗並減少所需花費的時間和數據量？這是AI繼續向前發展的重要方向。但現在看來，基於大規模GPU並行計算去加速深度學習訓練的方式，並不能滿足這個條件。

 

一個真正的智能係統，應該是環境自適應性的“自然智能”。首shou先xian
，它ta不bu僅jin能neng處chu理li確que定ding性xing的de問wen題ti，還hai能neng處chu理li不bu確que定ding性xing問wen題ti。第di二er，它ta不bu僅jin能neng夠gou做zuo事shi
，還hai必bi須xu是shi可ke解jie釋shi的de。第di三san，它ta不bu完wan全quan依yi靠kao大da數shu據ju驅qu動dong
，即ji便bian少shao量liang數shu據ju也ye可ke實shi現xian更geng高gao效xiao能neng的de持chi續xu學xue習xi。第di四si，它ta應ying具ju備bei高gao可ke靠kao性xing
，或huo者zhe說shuo符fu合he人ren類lei給gei它ta設she定ding的de倫lun理li道dao德de。這zhe是shi我wo們men對dui於yuAI技術下一發展階段——AI 3.0時代的展望。

 

目前，我們正處於從AI 2.0到AI 3.0時代的轉折點。那麼
，究竟什麼有望成為穿透AI未來的“利刃”呢？從目前看，作為一種前沿的計算模式
，神經擬態計算最有可能開辟出一條從AI 2.0到AI 3.0的(de)嶄(zhan)新(xin)賽(sai)道(dao)。神(shen)經(jing)擬(ni)態(tai)計(ji)算(suan)，是(shi)在(zai)傳(chuan)統(tong)半(ban)導(dao)體(ti)工(gong)藝(yi)和(he)芯(xin)片(pian)架(jia)構(gou)上(shang)的(de)一(yi)種(zhong)嚐(chang)試(shi)和(he)突(tu)破(po)。它(ta)通(tong)過(guo)模(mo)擬(ni)人(ren)腦(nao)神(shen)經(jing)元(yuan)的(de)構(gou)造(zao)和(he)神(shen)經(jing)元(yuan)之(zhi)間(jian)互(hu)聯(lian)的(de)機(ji)製(zhi)
，能(neng)在(zai)低(di)功(gong)耗(hao)以(yi)及(ji)少(shao)量(liang)訓(xun)練(lian)數(shu)據(ju)的(de)條(tiao)件(jian)下(xia)持(chi)續(xu)不(bu)斷(duan)自(zi)我(wo)學(xue)習(xi)，大(da)幅(fu)提(ti)高(gao)了(le)能(neng)效(xiao)比(bi)。顯(xian)然(ran)
，神(shen)經(jing)擬(ni)態(tai)計(ji)算(suan)的(de)特(te)點(dian)非(fei)常(chang)符(fu)合(he)AI3.0的發展需求。因此
，神經擬態計算也被寄予厚望，有可能在人類邁入下一代AI的進程中發揮重要作用。

 

英特爾是一家立足長遠、tuidongdicengjishuchuangxindegongsi，yicilaibangzhukehuqudeshangyeyingyongshangdechenggong。weici
，womenbuduanduiqianyanjishulingyujiadayanjiu，jibianzhexielingyuzaiduanqineiwufakandaoshijichengxiao。weiraoshenjingnitaijisuan，womenconghenzaojiukaishijijitansuozheyizhanxindejisuanmoshi，bingqudelelingrenzhumudechengjiu。yingteerdeshenjingnitaijisuanxinpianLoihi已經具備了嗅覺的能力
，神經擬態係統Pohoiki Springs已經擁有1億神經元的計算能力，這已經相當於一個小型哺乳動物的大腦。