zuijinjitian，xinguanyiqingzaibeijingzaicishengji，shizongtixianghaodeguoneikangyixingshibiandeyanjun。ganggangzhongqideshengchanshenghuobeizaicidaluan
，womenhuoxuzaiweilaijiaochangyiduanshijianneidoubudebumianduifangyichangtaihuazheyixianshi。benzhou，woyoukaishiqiehuandao“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。AI第(di)一(yi)波(bo)浪(lang)潮(chao)，是(shi)通(tong)過(guo)由(you)人(ren)製(zhi)定(ding)的(de)各(ge)種(zhong)規(gui)則(ze)去(qu)做(zuo)理(li)論(lun)性(xing)的(de)推(tui)理(li)。雖(sui)然(ran)在(zai)推(tui)理(li)方(fang)麵(mian)表(biao)現(xian)不(bu)俗(su)，但(dan)僅(jin)限(xian)於(yu)幾(ji)個(ge)嚴(yan)格(ge)定(ding)義(yi)的(de)問(wen)題(ti)，且(qie)沒(mei)有(you)學(xue)習(xi)能(neng)力(li)，無(wu)法(fa)處(chu)理(li)不(bu)確(que)定(ding)性(xing)問(wen)題(ti)。而(er)真(zhen)正(zheng)令(ling)AI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。