華為戰(zhàn)略研究院院長周紅博士在第20屆華為全球分析師大會(huì)期間做了主題為“建設(shè)智能世界的假設(shè)與愿景-從經(jīng)驗(yàn)、知識到智能”的主題演講。面向未來的假設(shè)和愿景，周紅拋出觀點(diǎn)，邀請大家探討。他認(rèn)為人類正在快速奔向智能社會(huì)，未來有無窮的可能性，目前的想象可能都是保守的。大家要攜起手來，開創(chuàng)更美好的明天。
以下是周紅博士發(fā)言精簡內(nèi)容
在去年的分析師大會(huì)上，我分享了邁向未來智能世界的科學(xué)假設(shè)與商業(yè)愿景，并提出了十個(gè)問題和挑戰(zhàn)。在過去的一年中，我們與學(xué)術(shù)界、產(chǎn)業(yè)界科學(xué)家做了廣泛交流，探討了邁向智能世界需要解決的兩大核心問題：未來通信和未來計(jì)算。
今天，我將重點(diǎn)分享在這兩個(gè)問題上的一些思考。
首先是在通信領(lǐng)域。75年前，香農(nóng)提出了3個(gè)定理。第一定理是可變長無失真信源編碼，第二定理是有噪聲情況下的信道編碼，第三定理是保真度下的信源編碼。在第一和第三定理中，香農(nóng)假設(shè)信源是離散無記憶的，當(dāng)時(shí)通信采用的是經(jīng)典極化電磁場，傳播環(huán)境比較簡單，沒有考慮高樓大廈林立的場景。
這些年學(xué)術(shù)界發(fā)現(xiàn)一些新的物理現(xiàn)象，比如自愈性的非衍射波束、軌道角動(dòng)量OAM電磁場傳播等，以及出現(xiàn)一些新技術(shù)，比如飛秒激光器，人工智能等。這些都是香農(nóng)當(dāng)年視野之外的，所以我認(rèn)為，在未來的通信上還有很大的發(fā)展空間。通信網(wǎng)絡(luò)是建設(shè)智能世界的基礎(chǔ)，需要考慮敢于打破既有理論與技術(shù)瓶頸的條條框框，實(shí)現(xiàn)成百上千倍的提升，才能大踏步前行。
其次是計(jì)算。智能應(yīng)用的迅速發(fā)展，過去十年，AI算法的算力需求提升了四十萬倍。
麻省理工的Max Tegmark教授在《生命3.0》書中，給出了一個(gè)AI能力地圖。目前在山腳處很多能力上，AI已經(jīng)超越人類，比如象棋、圍棋等。在山腰上的一些能力上，人們還在不斷研究提升中，例如自動(dòng)駕駛、圖像識別、語言文字處理等。在接近山頂?shù)哪芰ι�，例如編程、科學(xué)研究、定理自動(dòng)驗(yàn)證和自動(dòng)證明等，學(xué)術(shù)界和產(chǎn)業(yè)界已經(jīng)有一些探索。隨著計(jì)算模式的不斷優(yōu)化、算力的不斷提升、有了更多和更好的數(shù)據(jù)，AI將能更好地服務(wù)于人類社會(huì)的進(jìn)步。
在AI能力快速提升的情況下，我認(rèn)為AI目前還面臨三個(gè)重要的挑戰(zhàn)：AI的目標(biāo)定義、正確性與適應(yīng)性、以及效率。
第一個(gè)挑戰(zhàn)：缺乏共識的目標(biāo)定義
對于AI，除了通過規(guī)則和法律來加強(qiáng)AI的倫理和治理外，缺乏目標(biāo)定義也是一個(gè)關(guān)鍵挑戰(zhàn)。杜克大學(xué)的物理學(xué)家Adrian Bejan教授在《生命的物理學(xué)》書中，列出了對智能的二十多種目標(biāo)定義，有的強(qiáng)調(diào)理解和認(rèn)知能力、有的強(qiáng)調(diào)學(xué)習(xí)和思考能力、有的強(qiáng)調(diào)適應(yīng)和行動(dòng)能力等等。
如果沒有定義清楚并達(dá)成共識，就很難確保AI發(fā)展的目標(biāo)與人類一致，也很難合理地分類和科學(xué)地計(jì)算。人工智能在歷史上有不同的流派，例如符號學(xué)派、貝葉斯學(xué)派、進(jìn)化學(xué)派、行為學(xué)派，以及聯(lián)結(jié)學(xué)派等，它們還沒有很好地融合起來，缺乏共識的目標(biāo)定義是重要的原因之一。
第二個(gè)挑戰(zhàn)：正確性和適應(yīng)性挑戰(zhàn)
依靠大數(shù)據(jù)統(tǒng)計(jì)規(guī)律進(jìn)行的學(xué)習(xí)，會(huì)依賴于采樣的覆蓋面和數(shù)據(jù)的正確性，如果錯(cuò)誤使用，就可能導(dǎo)致結(jié)果不穩(wěn)定和偏見的風(fēng)險(xiǎn)，出現(xiàn)“黑天鵝”事件。
比如用統(tǒng)計(jì)和相關(guān)計(jì)算模式來識別香蕉，如果我們在香蕉邊上放一些其他圖片，識別結(jié)果可能從香蕉變成烤箱，中間還有一定的比例是鼻涕蟲；熊貓圖片加上一些肉眼幾乎不可見的小噪聲，也可能被識別成長臂猿。這些圖片用人眼來看是一目了然的，但是人工智能為什么會(huì)犯錯(cuò)，這很難解釋。因?yàn)锳I的能力分布在巨大的參數(shù)中，出了這些問題，我們既無法解釋、也難以調(diào)試。
第三個(gè)挑戰(zhàn)：AI的效率
2022年第60屆全球超級計(jì)算機(jī)Top500排名第一的計(jì)算機(jī)是Frontier，計(jì)算性能約1102PFLOPS，能耗是2千1百萬瓦；而相比之下，人腦只需要約20瓦就能等效處理約30PFLOPS的計(jì)算。可見當(dāng)前這些超級計(jì)算機(jī)單位能量的計(jì)算效率要比人腦低大約三萬倍到十萬倍。
除此之外還有數(shù)據(jù)效率。我們除了通過從大數(shù)據(jù)中得到統(tǒng)計(jì)規(guī)律，來認(rèn)識和理解世界外，能不能從小數(shù)據(jù)中進(jìn)行思考，發(fā)現(xiàn)邏輯性，形成概念，抽象出原則和規(guī)律？
面對挑戰(zhàn)，如何突破？周紅提出了自身見解。
首先，建議從實(shí)用的角度，來發(fā)展知識和智能。比如通過從外部環(huán)境和我們自身的事實(shí)和現(xiàn)象的經(jīng)驗(yàn)中，歸納、抽象、驗(yàn)證其概念、屬性、關(guān)系和運(yùn)行規(guī)律，來發(fā)展知識。通過感知與交互、計(jì)算或者試錯(cuò)，在復(fù)雜的環(huán)境和有限的資源下達(dá)成目標(biāo)，來發(fā)展智能。
近幾年學(xué)術(shù)界有很多跳出Transformer之外的新型AI架構(gòu)的思考。我建議發(fā)展感知與建模、知識自動(dòng)生成、自動(dòng)化求解三個(gè)核心部分，通過從多模態(tài)感知融合與建模，到“知識+數(shù)據(jù)”驅(qū)動(dòng)的決策，實(shí)現(xiàn)更高正確性的自主智能系統(tǒng)。希望上述思想和技術(shù)能夠映射到未來的自主系統(tǒng)中，更好地支持自動(dòng)駕駛網(wǎng)絡(luò)、自動(dòng)駕駛汽車、云服務(wù)等領(lǐng)域。
其次，是發(fā)展更好的計(jì)算模式，以及與之匹配的計(jì)算架構(gòu)與計(jì)算部件，來持續(xù)提升智能計(jì)算的效率。
我曾和菲爾茲獎(jiǎng)教授Laurent Lafforgue討論，當(dāng)前在視覺與空間計(jì)算上，往往采用像素點(diǎn)來表達(dá)物體，但是絕大部分物體的識別與其像素點(diǎn)的顏色沒有直接的關(guān)系，甚至是毫無關(guān)系，它們在不同的光下呈現(xiàn)不同的顏色，可以通過幾何流形來進(jìn)行表達(dá)和計(jì)算，看看能不能用很小的數(shù)據(jù)量來抓住物體的不變性。
EPFL的Gestner和Kistlei等教授寫了一本《神經(jīng)動(dòng)力學(xué)》的書，介紹了人大腦皮層的功能柱、以及功能柱中的六層連接情況，這樣的淺度神經(jīng)網(wǎng)絡(luò)架構(gòu)，會(huì)不會(huì)比深度學(xué)習(xí)更高效？
在當(dāng)前的很多AI計(jì)算上，面臨存儲瓶頸的問題，我們往往要花比計(jì)算多上百倍的時(shí)間來讀寫與搬移數(shù)據(jù)，今后能不能拋開傳統(tǒng)的馮·諾依曼架構(gòu)的處理器、指令集、總線、邏輯器件和存儲器件，圍繞先進(jìn)AI計(jì)算模式的需要來定義新的架構(gòu)與部件？
華為在計(jì)算領(lǐng)域所做的一些探索
AI for Industry：
通過行業(yè)大模型促進(jìn)價(jià)值創(chuàng)造
華為在視覺、語言文字、圖網(wǎng)絡(luò)、多模態(tài)等專用L0基礎(chǔ)大模型之上，形成L1行業(yè)專用大模型，來降低開發(fā)門檻、提升泛化能力，解決應(yīng)用碎片化的問題，推動(dòng)從“作坊式”走向工業(yè)化升級，幫助電力、煤礦、交通、制造等重要行業(yè)，提升作業(yè)效率、提升安全性。比如，在煤礦場景，華為幫助客戶通過模型訓(xùn)練與推理，來實(shí)現(xiàn)瓦斯?jié)舛鹊某邦A(yù)警、作業(yè)序列的風(fēng)險(xiǎn)防范、以及作業(yè)質(zhì)量的智能驗(yàn)收；華為的智慧港口方案，已經(jīng)在天津、青島、上海、深圳等港口實(shí)現(xiàn)智慧化應(yīng)用。華為機(jī)場與軌道軍團(tuán)在呼和浩特、武漢、西安、深圳、香港等地與客戶及合作伙伴們一起探索城軌、鐵路與機(jī)場的數(shù)字化轉(zhuǎn)型，不僅提升作業(yè)安全性與效率，還提升用戶體驗(yàn)與滿意度。比如在深圳機(jī)場，通過基于云和大數(shù)據(jù)以及AI創(chuàng)新，實(shí)現(xiàn)了智能機(jī)位分配，每年可以節(jié)省260萬旅客免坐擺渡車，成為全球數(shù)字化轉(zhuǎn)型的標(biāo)桿。
AI for Science：
極大幫助提升科學(xué)研究的能力
比如，我們通過構(gòu)造新型的、地理信息3D Transformer編碼結(jié)構(gòu)，以及層次化時(shí)域聚合方法，推出盤古氣象大模型，通過更精準(zhǔn)、高效的學(xué)習(xí)與推理機(jī)制，從大自然歷史運(yùn)轉(zhuǎn)出來的數(shù)據(jù)中提取出全球氣象先驗(yàn)知識，代替?zhèn)鹘y(tǒng)科學(xué)計(jì)算的超大規(guī)模偏微分方程的時(shí)序求解，從而可以實(shí)現(xiàn)快速完成全球未來1小時(shí)到7天的天氣預(yù)報(bào)，預(yù)測精度比歐洲中期天氣預(yù)報(bào)中心高20%以上。在這兩張臺風(fēng)軌跡圖中，藍(lán)色軌跡是歐洲中期天氣預(yù)報(bào)中心給出的預(yù)測，實(shí)際路徑是黑色軌跡，華為盤古大模型的預(yù)測的路徑是紅色軌跡，可以看出，這個(gè)預(yù)測非常接近實(shí)際情況。
再比如制藥領(lǐng)域，藥物靶點(diǎn)發(fā)現(xiàn)是藥物研發(fā)過程的關(guān)鍵問題。傳統(tǒng)的分子對接計(jì)算方法效率高，但是沒有考慮蛋白質(zhì)的柔性，導(dǎo)致搜索空間小，尋找到的靶點(diǎn)少；而分子動(dòng)力學(xué)模擬考慮了蛋白質(zhì)的柔性，但是計(jì)算量非常大。我們的專家與北大教授一起提出了基于元?jiǎng)恿W(xué)的靶點(diǎn)發(fā)現(xiàn)和構(gòu)象搜索算法，加速小分子遍歷蛋白質(zhì)的過程，對同樣的構(gòu)象搜索，傳統(tǒng)方法需要37天，華為只需要6個(gè)小時(shí)，提升了150倍效率。
在軟件編程上，除了用傳統(tǒng)AI在大量已有代碼中進(jìn)行檢索和推薦外，我們也在發(fā)展科學(xué)的模型驅(qū)動(dòng)和形式化方法。也通過新的AI計(jì)算模式，來研究定理自動(dòng)證明問題。比如拓?fù)渌估碚撚兄谔剿鞣懂犠C明、同余推理系統(tǒng)、自動(dòng)理論導(dǎo)出，提升定理證明器的水平，希望解決形式驗(yàn)證中的狀態(tài)爆炸問題和自動(dòng)模型抽象問題，增強(qiáng)形式驗(yàn)證能力。
在走向智能社會(huì)的過程中，可能有超過百倍、甚至千倍的信息需求增長。我們將這些面向未來的思考放在黃大年茶思屋網(wǎng)站上，促進(jìn)開放的探討交流，希望能與伙伴們一起，開展相關(guān)的基礎(chǔ)科學(xué)研究與技術(shù)創(chuàng)新，重構(gòu)基礎(chǔ)理論、重構(gòu)架構(gòu)、重構(gòu)軟件。同時(shí)我們也贊助青年學(xué)者，并在ICPC、IMC、以及其他全球?qū)W生奧林匹克競賽中，分享這些挑戰(zhàn)和方向、贊助學(xué)生訓(xùn)練營、激勵(lì)和培養(yǎng)更多的未來領(lǐng)軍人才。
