AI人工智能与ChatGPT

AI人工智能与ChatGPT

从硅谷到浦东，看人工智能ChatGPT利弊

2022年12月，微软投资的AI实验室OpenAI发布ChatGPT，立刻火遍全网，短短5天内吸引了100万名用户。在北密歇根大学的一门课程论文评分时，用ChatGPT撰写的论文甚至得到了A+的评分，被教授认为是“全班最好的论文”。其出现对很多教学活动产生了巨大冲击，让教师们不得不对课堂做出调整。

 

官方描述，这是一个“可以连续回答问题、承认错误、挑战不正确的前提并拒绝不适当要求”的对话模型。从闲聊、回答问题到写小说、写诗歌、帮程序员解决程序bug等，ChatGPT的能力让不少人惊叹。

 

信息化专家张礼立，1995年在美国Sun微系统公司做IT架构师；同年，计算机科学家理查德·华莱士开发了聊天机器人ALICE，这时的人工智能机器人已经可以读懂乐谱、解释图片和表达人性化推理，而这样的变化距离1964年世界上第一个聊天机器人ELIZA的诞生，只过去了30年。

 

最近几年，AI生成内容（AIGC）突飞猛进，OpenAI发布了GPT-3模型，而ChatGPT就是基于GPT-3引入“强化学习”的进一步创新，其大幅提高了AI在人机对话时的准确度和可控性。

 

然而，尽管GPT-3有1750亿个参数用于“记忆”和“提炼”人类知识的规律，但是ChatGPT在使用当中，还是很快暴露出了弊端。比如给出的答案并非完全准确，甚至对于一些有准确答案的常识问题，也会出现漏洞，以至于知名程序员问答网站Stack Overflow紧急发布公告，宣布暂时封禁ChatGPT。

 

 

 从闲聊、回答问题到写小说、写诗歌、帮程序员解决程序bug 等，ChatGPT 的能力让不少人惊叹。| 图源视觉中国

 

面对这一现象，《新周刊》采访了曾在美国硅谷的科技公司工作了10余年的张礼立，针对AIGC在当下的应用状况和难题，以及新技术的迭代可能产生的新的创业热潮展开了讨论。

 

 

 2022年3月，上海市政府发布了“城市数字化转型”的建设实施方案。上海作为全国首个实施数字化转型的城市，面对着数字技术人才需求的庞大缺口。而张礼立担起了首批数字技术应用工程师考级的课程讲授。

 

“未来的人工智能应用，究竟需要培养出什么样的人，来对机器‘发号施令’”，这是张礼立经常思考的问题。

2006年，张礼立从美国硅谷归国，加入上海市海促会。此后，他长期在世界500强企业担任高管，并从事信息化和企业科技管理工作，这使得他对城市数字化的切身感受非常之深——ChatGPT火爆的背后，对于未来社会的发展究竟利弊几何，恐怕才是各界应该关注的问题。

 

 

 

如今，有不少人在使用过ChatGPT之后认为，未来这样的技术不仅可以吊打谷歌的人工智能，还可能迫使一些编程问答网站面临极大威胁，甚至有用户与ChatGPT就现代物理学的历史进行对话后发出惊呼：以后大学都可能不复存在。然而，在张礼立看来，这些说法多少有些“过度吹捧”之嫌。

 

2018年，张礼立开始在浦东创业，出于对产业结构顶层设计的敏感，他发现在城市的数字化转型中，除了科技创新本身是一个挑战之外，更大的挑战在于如何“定义”创新。

 

奥地利经济学家约瑟夫·熊彼特曾在《经济发展理论》一书中提出“创新理论”：“只要发明还没有得到实际上的应用，那么在经济上就是不起作用的。”对此，张礼立提出了自己的解读：新工具或新方法要在经济发展中起作用，最重要的含义就是能够创造出新的价值，而所谓的创新，最后一定具有普遍性，而且能够给人类带来福祉。

人工智能普及和应用，往往面临着不少困难，智能产品的更新换代，需要的是人们对使用习惯和旧观念的打破。| 图源pexels

 

在张礼立看来，要判断ChatGPT是不是一项技术创新，首先要肯定ChatGPT确实是一项技术突破。1997年超级电脑“深蓝”击败国际象棋世界冠军卡斯帕罗夫、2016年3月AlphaGo在“人机大战”中击败围棋世界冠军李世石，这些案例在细分垂直的领域当中，只是把算力、算法、模型集中化，但是却并没有更广泛的横向扩展。而ChatGPT则更像是“万宝全书”，把一个可以“强化学习”的庞大数据模型，放入了一个问答系统，但是怎么能确保它永远不出错呢？

 

“1750亿个参数当然是可控的，就好比在医疗上将已知的干细胞植入人体，但是让器官再生这个过程却是不可控的。AIGC生成的内容也是一样的道理，你永远不知道它的嘴里会吐出什么象牙来。”

 

张礼立表示，我们之所以觉得它有趣，可以写诗、写文章，就是因为它的结果是不可控的。ChatGPT确实推动了狭义上的人工智能进步，但核心问题是，大规模的信息输出还处于“黑匣子”状态，未来如何让它的结果更可控，将影响到每个产业的发展。

科技的每一次进步甚至迭代，都会引发不少创业者和企业家思考，如果一项技术既可以产生经济效益，又可以造福社会，那为什么不去做呢？实际上，人工智能普及和应用，往往面临着不少困难，毕竟智能产品的更新换代，需要的是人们对使用习惯和旧观念的打破。

 

如今，人工智能需要获取使用者越来越多的个人信息，这显然涉及隐私保护的“科技道德”问题，再加上人工智能解决方案的成本往往也令人望而却步——人类通过互联网和软件，已经基本可以满足所有的生活需求，这种更具成本效益的方式，不免将人工智能推向了“边缘”。但这并不代表人工智能发展到ChatGPT，供人“娱乐”一番后，就算是走到了头。

 

2022年8月，张礼立在上海市海促会的换届选举中，当选为第六届海促会会长。除了经常要作为客座教授去上海交大授课，他平时也格外关注医疗卫生与健康产业。

 

 

 

  在张礼立看来，自新冠疫情暴发以来的三年里，人工智能在生物医药方面发挥的效能可谓不小。由于生物医药需要做大量化学分子的适配，人工智能似乎找到了用武之地，甚至在未来国内医疗产业的应用，前景也不可小觑。

 

从长远角度来看，人工智能势必会对人类的生活产生长期影响，且不是任何年龄代际所能限制的。张礼立指出，比如成长于手机支付的一代人，很少有对货币的概念，如果让他们去一些还在使用纸币的国家，他们反而会觉得不适应。

 

 

 “为什么许多欧洲国家不去使用线上支付？而将来所谓的互联网原住民、元宇宙原住民，在未来的全球化当中，是不是会同世界上的许多人产生鸿沟？从这个角度来看，他们不见得一定就是引领者。”张礼立表示。对于AIGC的应用，他也始终保持着客观审慎的态度。

 

2022年9月3日，南京。元宇宙产业发展高峰论坛上，一家企业展示最新的机器人产品。| 图源泱波 中新社

 

据张礼立判断，未来AIGC或许会在科技企业的应用场景当中率先发力。原因在于企业本身就属于投资主体，拥有支出成本的能力。比如说在一场数十人的工作会议中，AIGC能够根据大家讨论的话题和发言，自动整理生成一份会议纪要，甚至把统计数据也都制成表格，这无疑会更大地提高企业的工作效率。

 

此外，譬如中国政府提出的“3060碳达峰和碳中和”的承诺已是迫在眉睫，假设我们想知道中国当下不同行业的零碳标准，AIGC是不是能很快地检索出这些标准？在未来数字城市转型中，当人工智能重新将制造业的供应链进行数字化，那对于今后的国民经济，以及为全球化发展作出的推动，都将是不容小觑的。

 

张礼立认为，如果将人类创造的知识分为社会科学和自然科学，上述提出的应用基本上都是建立在自然科学的前提之下对数据进行的收集整理工作。但是如果涉及文学、音乐、绘画等社会科学领域的内容生产，还是要“点到为止”，因为如果人类连想象和思考都丢失的话，最终的结果可能是人类会变得越来越愚蠢。

 

1984年，由斯蒂夫·巴伦执导的电影《电脑梦幻曲》上映。情节围绕着男人、女人和一个名为“埃德加”的有感知的个人电脑之间的三角恋情展开了一场爱恨纠葛。

 

人类似乎从上世纪开始，就在幻想聊天机器人能够产生自我意识。但是在人工智能促进协会（AAAI）上，美国人工智能理论家罗杰·尚克（Roger Schank）和“人工智能之父”、框架理论的创立者马文·明斯基（Marvin Minsky）就曾向世界发出过“人工智能冬季”的警告。

 

1997年，“深蓝”和卡斯帕罗夫下国际象棋的事件，使得西方媒体对这件事情的看法无一不是负面的——人类的失败怎么来得那么快。

 

在张礼立看来，当时的人们之所以会对科技心生恐惧，并不是因为担心机器人的脑子比人类的好使。“人工智能是否会取代人类”本身就是一个伪命题，而恐惧的真实原因其实是在于，一旦这个会说“人话”的机器人开始发表感言、传达价值观念，我们的身边将会到处都是似是而非的“谎言”，令人无从辨别。

 

 

如今，有不少人看好AIGC在知识教育领域的前景，然而对于张礼立来说，这反而是最需要慎之又慎的行为。| 图源pexels

 

如果人工智能要代替人类思考，那么我们真的需要走过这个“冬季”吗？对此，张礼立分析，人工智能发展至今，走过了“摩尔定律”和“大数据”，进入了第3—4个“冬季”的周期。现在的“冬天”到底冷不冷、冷到什么程度，可能并不好说，但是大家都能回过头看到，每当有这些技术出现的时候，人工智能从宏观上看，其实都是停滞发展的。只有当人类在生活中出现“木桶效应”的时候，人工智能才会出来发挥作用，补上短板。比如手机有导航和陀螺仪，我们可以通过GPS和北斗进行定位等，但是也仅限于此，并没有超出人类“衣食住行”的范畴。

 

“尽管在‘弱人工智能’的概念上，有真正做到让人类的生活变得更便利，但是像‘如何通过人工智能颠覆人类生活方式’这样的话语却没有人敢说。”张礼立指出。

 

如今，有不少人看好AIGC在知识教育领域的前景，然而对于张礼立来说，这反而是最需要慎之又慎的行为。

 

“人工智能的初衷，是解放人的双手，提高生产力。AIGC可以像搜索引擎一般为人们提供精准的知识性罗列，但是最终选择相不相信，或者说最终对信息作出决策的，还得是人自己。”张礼立提出了自己对AIGC的担忧。人工智能可以收集数据，对数据分类、贴标签，但它不能告诉我们什么是好、什么是坏。

 

据张礼立回忆，由于2022年上海疫情，相当一部分人开始线上上课。正因为这样，才需要通过一些互动，确保学员们不是在打瞌睡，所以他经常会提出“明白的扣1，不明白的扣2”这样的询问，结果满屏都是“1、2、1、2……”，这成了张礼立脑海中挥之不去的阴霾——人与人之间的连接、人与人之间交流的温度，似乎都消失了，机器越来越像人，人却越来越像机器。

 

“人如果没有了勤劳的意志，没有了自主学习的耐心，甚至丢失了是非判断的能力，丢失了安身立命的责任，那么如此匮乏的人生，也会逐渐失去意义。”张礼立说。

人工智能：进展、挑战与未来

1 简介

人类社会正从信息社会进入智能社会，计算已成为推动社会发展的关键要素。在万物互联的数字文明新时代，传统的基于数据的计算已经远远不能满足人类对更高智能水平的追求。近年来，计算和信息技术飞速发展，深度学习的空前普及和成功将人工智能（AI）确立为人类探索机器智能的前沿领域。自此产生了一系列突破性的研究成果，包括Yann LeCun提出的卷积神经网络和Yoshua Bengio在深度学习因果推理领域的成果。

 

2016年3月，DeepMind推出的AI围棋程序AlphaGo与世界顶尖围棋高手李世石对战，在世界范围内引起了前所未有的关注。这场划时代的人机大战以AI的压倒性胜利而告终，成为将AI浪潮推向全新高度的催化剂。

 

AI的另一个重要推动者是大型预训练模型的出现，这些模型已经开始广泛应用于自然语言和图像处理，以在迁移学习的帮助下处理各种各样的应用。其中最具代表性的是自然语言处理模型GPT-3，已经证明具有高度结构复杂性和大量参数的大模型可以提高深度学习的性能。

 

 

计算能力是支撑智能计算的重要因素之一。面对信息社会中庞大的数据源、异构的硬件配置和不断变化的计算需求，智能计算主要通过垂直和水平架构来满足智能任务的计算能力要求。
垂直架构的特点是同质化的计算基础设施，主要通过应用智能方法提高资源利用效率来提升计算能力。
相比之下，水平架构对异构和广域计算资源进行协调和调度，使协作计算的效果最大化。例如，2020年4月，针对全球COVID-19研究的计算需求，Folding@home在三周内联合40万名计算志愿者，实现了2.5Exaflops的计算量，超过了世界上任何一台超级计算机。尽管在智能和计算方面取得了巨大成功，但我们在这两个领域仍然面临着一些重大挑战：
智能方面的挑战。
使用深度学习的AI目前在可解释性、通用性、可进化性和自主性方面面临着重大挑战。与人类智能相比，当前大多数AI技术的作用都很弱，而且只能在特定领域或任务中发挥良好作用。从基于数据的智能升级到更多样化的智能，包括感知智能、认知智能、自主智能和人机融合智能等，也面临着重大的理论和技术挑战。
计算方面的挑战。
数字化浪潮带来了应用、连接、终端、用户以及数据量前所未有的增长，所有这些都需要巨大的计算能力。满足如此快速增长的计算能力需求变得越来越具有挑战性。智能社会中的巨型任务依赖于各种特定计算资源的高效组合。此外，传统的硬件模式不能很好地适应智能算法，制约了软件的发展。
迄今为止，智能计算还没有一个被普遍接受的定义。考虑到世界的三个基本空间，即人类社会空间、物理空间和信息空间日益紧密融合，我们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：智能计算是支撑万物互联的数字文明时代新的计算理论方法、架构体系和技术能力的总称。智能计算根据具体的实际需求，以最小的代价完成计算任务，匹配足够的计算能力，调用最好的算法，获得最优的结果。
智能计算的新定义是为响应人类社会、物理世界和信息空间三元融合快速增长的计算需求而提出的。智能计算以人为本，追求高计算能力、高能效、智能和安全。其目标是提供通用、高效、安全、自主、可靠、透明的计算服务，以支持大规模、复杂的计算任务。

 

 为智能计算的整体理论框架，它体现了支持人类社会—物理世界—信息空间集成的多种计算范式。

 

 图1：基于人类社会空间、物理空间和信息空间融合的智能计算总览

2 智能计算基础
智能计算是数字文明时代支撑万物互联的新型计算理论方法、架构体系和技术能力的总称。利用智能计算可以实现许多经典和前沿研究领域的创新，以解决复杂的科学和社会问题。智能计算的基本要素包括人的智能、机器的能力以及由万物组成的物理世界。
在理论框架中，人是智能计算的核心和智慧的源泉，代表着原始的、与生俱来的智能，称为元智能。
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，其中包含人类积累的知识。元智能以碳基生命为载体，是由个体和生物群体经过百万年的进化产生的，它包括生物具身智能、脑智能（尤其是人脑）和群体智能。所有的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，计算机是人类智能的赋能。我们称计算机的智能为通用智能。
通用智能代表计算机解决具有广泛外延的复杂问题的能力，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：数据智能、感知智能、认知智能和自主智能。元智能和通用智能如图2所示。

 

 图2：元智能和通用智能

智能计算面临大场景、大数据、大问题、泛在需求的挑战。算法模型变得越来越复杂，需要超级计算能力来支持越来越大的模型训练。目前，计算资源已经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，拥有丰富计算资源的机构可能形成系统的技术垄断。经典的超级计算机已经难以满足AI对计算能力的需求。
虽然通过算法优化可以在一定程度上降低算力需求，但并不能从根本上解决这个问题。需要从架构、加速模块、集成模式、软件栈等多个维度进行全面优化，如图3所示。

 

 图3：智能计算的计算能力智能计算

在理论技术上具有以下特点（图4）：理论技术上的自学习和可进化性，架构上的高计算能力和高能效，系统方法上的安全性和可靠性，运行机制上的自动化和精确性，以及服务性上的协作和泛在性。智能计算包括两个本质方面：智能和计算，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，提升计算能力、能源效率、数据使用、知识表达和算法能力，实现泛在、透明、可靠、实时、自动化的服务。

 

 图4：智能计算的特征

3 智能驱动的计算
提高计算的普适性对智能计算至关重要。现实场景中的问题，例如模拟、图（gragh）（图5）等，需要进行各种计算。智能计算的另一个关键点是如何提高计算的智能化水平。从经验上来说，我们常常需要向自然界的智能生物学习，计算也不例外，例如三大经典智能方法：人工神经网络（图6）、模糊系统和进化计算，都是受生物智能启发提出的算法。智能计算理论包括但不限于以上几种计算，以实现高度的泛在化和智能化。

 

 图5：图计算的技术架构

 

 图6：典型神经元的结构和人工神经元的结构

智能系统在开始工作之前，首先要进行智能感知。因此，感知智能在所有智能系统中都起着至关重要的作用。感知智能的重点是多模态感知、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、智能防御系统和自主机器人。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，机器的感知智能已经超过人类，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。如图7所示，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。

 

 图7：工业中需要连接到物联网的的各种传感器类型

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（图8）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。

 

 图8：知识推理概述

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。
4 面向智能的计算
AI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。AI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。
Open AI研究人员在2018年进行了一项研究，追踪基于计算能力的最大模型的增长情况。利用AI研究史上训练的一些最著名的AI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，如图9所示。

 

 图9：过去十年计算能力需求的增长大大超过宏观趋势

当摩尔定律失效时，超大算力主要依赖于海量计算、内存和存储资源的并行叠加。
例如，「高性能计算」是指将大量计算机快速联网成一个「集群」以进行密集计算的做法，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。
此外，得益于云计算（图10），用户现在可以选择增加其高性能计算程序的容量，从而继续提高算力。

 

 图10：云、雾和边缘计算的表示

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AI操作时，AI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，如图11所示为已公开发布的AI加速器和处理器的峰值性能与功耗。
另外，内存计算（图12）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。

 

 图11：公开发布的 AI 加速器和处理器的峰值性能与功耗散点图

 

 图12：计算的三种概念方法：（a）传统数字计算，（b）近内存阵列计算（NMAC）和（c）内存阵列计算（IMAC）

复杂性是传统计算机进一步突破的瓶颈。当今高度复杂的AI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，研究人员开始创造新的计算模式，主要包括：
量子计算（图13），因为其具有纠缠或其他非经典相关性带来的量子优势，可以在许多复杂的计算问题中实现指数速度；
神经形态计算（图14）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；
光子计算（图15）与电神经网络相比具有许多优势，包括超高带宽、快速计算速度和高并行性，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来实现的；
生物计算（图16）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。

 

 图13：显示复杂性等级之间关系的图表（a）以及用于识别和评估可能的量子优势的流程图（b）

 

 图14：传统计算系统和类脑计算系统的结构

 

 图15：深度神经网络，包括传统网络和电子光子网络

 

 图16：生物计算可能提供优于传统计算机的性能

5 智能计算的应用
如果要跟上当前科学的快速发展，就必须不断的进行革新。现在正在进行的计算机革命的融合将以前所未有的方式极大地推动科学发现的进步。
几十年来，计算材料（图17）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，AI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。

 

 图17：材料/分子科学范式的比较

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。因此，需要智能计算技术来解释和评估数据集。
药物设计同样受益于AI（图18），AI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，AI可以用于创建靶向化合物和多靶点药物。利用AI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。AI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，AI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。

 

 图18：不同的基于深度学习的药物-靶点相互作用预测算法对应不同的输入特征。（a）基于配体的方法，（b）基于结构的方法，和（c）基于关系的方法

随着大数据和AI技术使用的增长，作物育种开始进行融合与突破（图19）。AI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。AI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，AI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，AI促进了整个农业价值链。

 

 图19：大数据与AI在植物育种中的结合

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（图20）。AI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。AI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。智慧城市治理旨在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，主要包含四个方面：
智慧决策、智慧城市治理、智慧行政和智慧城市合作。

 

 图20：数字社会的组成部分

6 展望
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。
第一，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深入探索类人智能的基本要素，其在宏观层面的相互作用机制以及在微观层面上支持不确定性生成的计算理论，进行彻底的改革。
第二，探索人类如何学习并将其应用到AI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、表示和决策能力，促进智能计算从数据驱动向知识驱动演进。
第三，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。
第四，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，以及系统调优的更大成本。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。
7 结论
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。
本文全面回顾了智能计算的理论基础、智能与计算的技术融合、重要应用、挑战和未来方向。
我们希望这篇综述能为研究人员和从业者提供一个很好的参考，并促进未来智能计算领域的理论和技术创新。

 

 

参考文献链接

https://mp.weixin.qq.com/s/u5E9YldiaE8_SPMjzws5mg

https://spj.science.org/doi/10.34133/icomputing.0006

https://mp.weixin.qq.com/s/d7PpTEHjfH33fVRTsOaucg