華為周紅：未來通信和未來計算是建設智能世界需要解決的兩大核心問題

極客網(wǎng)·極客說4月19日， 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期間做了主題為“建設智能世界的假設與愿景-從經(jīng)驗、知識到智能”的主題演講。他指出，邁向智能世界需要解決的兩大核心問題是未來通信和未來計算。在通信上，要大膽探索有別于香農(nóng)定理的前提條件和應用場景；在計算上，要進一步明確人工智能的目標定義、提升正確性、適應性和高效性。

以下是周紅博士發(fā)言精簡內(nèi)容：

在去年的分析師大會上，我分享了邁向未來智能世界的科學假設與商業(yè)愿景，并提出了十個問題和挑戰(zhàn)。在過去的一年中，我們與學術界、產(chǎn)業(yè)界科學家做了廣泛交流，探討了邁向智能世界需要解決的兩大核心問題：未來通信和未來計算。

今天，我將重點分享在這兩個問題上的一些思考。

首先是在通信領域。75年前，香農(nóng)提出了3個定理。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)假設信源是離散無記憶的，當時通信采用的是經(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。

這些年學術界發(fā)現(xiàn)一些新的物理現(xiàn)象，比如自愈性的非衍射波束、軌道角動量OAM電磁場傳播等，以及出現(xiàn)一些新技術，比如飛秒激光器，人工智能等。這些都是香農(nóng)當年視野之外的，所以我認為，在未來的通信上還有很大的發(fā)展空間。通信網(wǎng)絡是建設智能世界的基礎，需要考慮敢于打破既有理論與技術瓶頸的條條框框，實現(xiàn)成百上千倍的提升，才能大踏步前行。

其次是計算。智能應用的迅速發(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、科學研究、定理自動驗證和自動證明等，學術界和產(chǎn)業(yè)界已經(jīng)有一些探索。隨著計算模式的不斷優(yōu)化、算力的不斷提升、有了更多和更好的數(shù)據(jù)，AI將能更好地服務于人類社會的進步。

在AI能力快速提升的情況下，我認為AI目前還面臨三個重要的挑戰(zhàn)：AI的目標定義、正確性與適應性、以及效率。

第一個挑戰(zhàn)：缺乏共識的目標定義

對于AI，除了通過規(guī)則和法律來加強AI的倫理和治理外，缺乏目標定義也是一個關鍵挑戰(zhàn)。杜克大學的物理學家Adrian Bejan教授在《生命的物理學》書中，列出了對智能的二十多種目標定義，有的強調(diào)理解和認知能力、有的強調(diào)學習和思考能力、有的強調(diào)適應和行動能力等等。

如果沒有定義清楚并達成共識，就很難確保AI發(fā)展的目標與人類一致，也很難合理地分類和科學地計算。人工智能在歷史上有不同的流派，例如符號學派、貝葉斯學派、進化學派、行為學派，以及聯(lián)結(jié)學派等，它們還沒有很好地融合起來，缺乏共識的目標定義是重要的原因之一。

第二個挑戰(zhàn)：正確性和適應性挑戰(zhàn)

依靠大數(shù)據(jù)統(tǒng)計規(guī)律進行的學習，會依賴于采樣的覆蓋面和數(shù)據(jù)的正確性，如果錯誤使用，就可能導致結(jié)果不穩(wěn)定和偏見的風險，出現(xiàn)“黑天鵝”事件。

比如用統(tǒng)計和相關計算模式來識別香蕉，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犯錯，這很難解釋。因為AI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。

第三個挑戰(zhàn)：AI的效率

2022年第60屆全球超級計算機Top500排名第一的計算機是Frontier，計算性能約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的計算?？梢姰斍斑@些超級計算機單位能量的計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)計規(guī)律，來認識和理解世界外，能不能從小數(shù)據(jù)中進行思考，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？

首先，建議從實用的角度，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和現(xiàn)象的經(jīng)驗中，歸納、抽象、驗證其概念、屬性、關系和運行規(guī)律，來發(fā)展知識。通過感知與交互、計算或者試錯，在復雜的環(huán)境和有限的資源下達成目標，來發(fā)展智能。

近幾年學術界有很多跳出Transformer之外的新型AI架構(gòu)的思考。我建議發(fā)展感知與建模、知識自動生成、自動化求解三個核心部分，通過從多模態(tài)感知融合與建模，到“知識+數(shù)據(jù)”驅(qū)動的決策，實現(xiàn)更高正確性的自主智能系統(tǒng)。希望上述思想和技術能夠映射到未來的自主系統(tǒng)中，更好地支持自動駕駛網(wǎng)絡、自動駕駛汽車、云服務等領域。

其次，是發(fā)展更好的計算模式，以及與之匹配的計算架構(gòu)與計算部件，來持續(xù)提升智能計算的效率。

我曾和菲爾茲獎教授Laurent Lafforgue討論，當前在視覺與空間計算上，往往采用像素點來表達物體，但是絕大部分物體的識別與其像素點的顏色沒有直接的關系，甚至是毫無關系，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行表達和計算，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)動力學》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)絡架構(gòu)，會不會比深度學習更高效？

在當前的很多AI計算上，面臨存儲瓶頸的問題，我們往往要花比計算多上百倍的時間來讀寫與搬移數(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AI計算模式的需要來定義新的架構(gòu)與部件？

以下是華為在計算領域所做的一些探索。

AI for Industry：通過行業(yè)大模型促進價值創(chuàng)造

華為在視覺、語言文字、圖網(wǎng)絡、多模態(tài)等專用L0基礎大模型之上，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，解決應用碎片化的問題，推動從“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練與推理，來實現(xiàn)瓦斯?jié)舛鹊某邦A警、作業(yè)序列的風險防范、以及作業(yè)質(zhì)量的智能驗收；華為的智慧港口方案，已經(jīng)在天津、青島、上海、深圳等港口實現(xiàn)智慧化應用。華為機場與軌道軍團在呼和浩特、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，還提升用戶體驗與滿意度。比如在深圳機場，通過基于云和大數(shù)據(jù)以及AI創(chuàng)新，實現(xiàn)了智能機位分配，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)型的標桿。

AI for Science：極大幫助提升科學研究的能力

比如，我們通過構(gòu)造新型的、地理信息3D Transformer編碼結(jié)構(gòu)，以及層次化時域聚合方法，推出盤古氣象大模型，通過更精準、高效的學習與推理機制，從大自然歷史運轉(zhuǎn)出來的數(shù)據(jù)中提取出全球氣象先驗知識，代替?zhèn)鹘y(tǒng)科學計算的超大規(guī)模偏微分方程的時序求解，從而可以實現(xiàn)快速完成全球未來1小時到7天的天氣預報，預測精度比歐洲中期天氣預報中心高20%以上。在這兩張臺風軌跡圖中，藍色軌跡是歐洲中期天氣預報中心給出的預測，實際路徑是黑色軌跡，華為盤古大模型的預測的路徑是紅色軌跡，可以看出，這個預測非常接近實際情況。

再比如制藥領域，藥物靶點發(fā)現(xiàn)是藥物研發(fā)過程的關鍵問題。傳統(tǒng)的分子對接計算方法效率高，但是沒有考慮蛋白質(zhì)的柔性，導致搜索空間小，尋找到的靶點少；而分子動力學模擬考慮了蛋白質(zhì)的柔性，但是計算量非常大。我們的專家與北大教授一起提出了基于元動力學的靶點發(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個小時，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行檢索和推薦外，我們也在發(fā)展科學的模型驅(qū)動和形式化方法。也通過新的AI計算模式，來研究定理自動證明問題。比如拓撲斯理論有助于探索范疇證明、同余推理系統(tǒng)、自動理論導出，提升定理證明器的水平，希望解決形式驗證中的狀態(tài)爆炸問題和自動模型抽象問題，增強形式驗證能力。

在走向智能社會的過程中，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，促進開放的探討交流，希望能與伙伴們一起，開展相關的基礎科學研究與技術創(chuàng)新，重構(gòu)基礎理論、重構(gòu)架構(gòu)、重構(gòu)軟件。同時我們也贊助青年學者，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、贊助學生訓練營、激勵和培養(yǎng)更多的未來領軍人才。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。