1. 'AI晶片' 還處於草莽時代, 狂奔中 '泡沫' 待擠;
人工智慧正在改變各行各業, 而晶片是實現人工智慧的載體.
2018年, 資本對半導體晶片的熱情被AI技術徹底點燃, 不管是巨頭公司還是創業公司, 傳統製造公司還是互聯網公司, 都對晶片熱情高漲. 5月到7月, 雲知聲, 出門問問, Rokid, 百度紛紛發布AI晶片或晶片模組, 思必馳確認正在打造AI語音晶片,深鑒科技對外宣布其AI晶片將於今年下半年面市, 雲知聲創始人兼CEO黃偉甚至用 '不做晶片, 必死' 來表達自己做AI晶片的決心.
然而, '到現在為止, 全球還沒有出現一款真正的AI晶片, 因為真正的人工智慧還遠未能實現. ' 異構智能中國區總經理周斌的這番話代表了部分業內人士的觀點.
《IT時報》記者採訪大量AI界人士後發現, 對於AI晶片的概念, 目前全球並沒有形成統一共識, 甚至有投資人認為, AI晶片領域存在泡沫, 大部分創業公司將會消失.
但無論如何, 身在草莽年代的AI晶片群雄們, 總會有人為中國核心技術國產化 '殺出一條血路' .
AI 晶片的不同定義
'初創企業做AI晶片很可能得不償失. ' 晶片企業蘇州邁瑞微公司的創始人李揚淵在行業裡浸淫十幾年, 他告訴《IT時報》記者, 一款晶片從0到1需要10年以上的周期, 他自家的晶片產品也是流片5次後才正式商用, 流片20次才能處於業內頂尖的位置, '如果是企業自行研發AI晶片, 採用40nm (納米) 工藝, 那麼成本可能會上漲而不是降低. 晶片必須靠規模分攤研發成本, 40nm工藝僅流片費高達1000萬元, 分攤給100萬PCS (某一產品單位數量) , 平均每片成本高達10元, 這還不包括更加高額的研發費用. '
但Rokid平台研發負責人朱斌的觀點恰恰與李揚淵相反, '智能設備採用通用晶片是殺雞用牛刀, 特殊需求需要特殊晶片來解決痛點, 定製AI晶片恰恰是在降低成本, 人工智慧硬體對算力有需求, 低端的通用晶片算力不夠, 高端的通用晶片又有許多冗餘設計, 造成高功耗. '
AI晶片也被稱為AI加速器或計算卡, 通常概念中, AI晶片是指專門用於處理人工智慧應用中的大量計算任務的模組 (其他非計算任務仍由CPU負責) , 當前主要分為GPU, FPGA, ASIC等類型, 與高通驍龍等通用晶片不同, AI晶片主要用於處理專用任務, 比如安防中高清視頻的識別, 自動駕駛時的數據計算等等.
6月26日, Rokid發布了一款KAMINO18 自研AI語音專用晶片, 可支援智能音箱和兒童故事機, 不同於英特爾, 高通等傳統通用晶片, 這是一塊AI語音專用的SoC (系統級晶片) 晶片, 其內部繼承了ARM, NPU, DSP, DDR, DAC等多個核心元件, 大小與一枚一元硬幣差不多. 朱斌曾經專門對語音喚醒做硬體上的架構設計, 發現通用晶片中許多功能用不到, 但附件成本依然存在, 於是, Rokid在去年9月開始定製自己的晶片, 採用DSA (Domain specific architecture) 架構, 從本身的產品和演算法要求出發, 用異構計算的方式整合到晶片中, 在整機工作狀態下, 產品功耗能降低30%到50%.
李揚淵和朱斌的不同觀點, 恰好代表了傳統半導體行業與互聯網創業公司對AI晶片的兩種不同認知, 半導體圈出身的人更看重晶片從0到1的突破, 而 '由軟變硬' 的互聯網創業者卻更希望在1, 2, 3, 4的基礎上, 通過演算法和軟體設計, 直接變成10. 從目前已發布的AI晶片來看, 它們主要目的體現在以合適的形態和功耗來加速某種機器學習演算法上. 比如, 用在邊緣側和終端側設備時, 要求極低的功耗和極高的矩陣/浮點運算能力, 這些是通用型晶片很難做到的.
可佐證的是另一家龍頭晶片廠商的工程師對此的解釋, 在他看來, 目前市場上大多數AI語音晶片, 屬於一種服務於 '專有' 功能的晶片 (可類比DSP數據訊號處理) , 由於專註於一項或幾項功能, 限定於特定場景使用, 所以設計和生產的複雜度要比通用晶片低, 加上這類晶片很少牽扯技術授權的原因, 做起來會更加容易. 這些AI晶片並不是從底層開始做起, 而是直接從SoC或者通用處理器外掛某種 '協處理器' 之類架構優化, 通過各種IP的組合來加速上層應用的場景, 譬如語言, 映像.
異構的殊途同歸
目前, AI晶片並無清晰的定義, 所以如何算 '真正' 並不好衡量. 不久前的2018動點國際峰會 (杭州) 上, 矽谷創業公司異構智能中國區總經理周斌試著給AI晶片下了個定義, '能夠高效率, 高性能地完成目前人工智慧最核心的演算法, 由於現在主流演算法是深度學習, 意味著AI晶片必須對深度學習有非常好的支援. ' 從數據來看, 周斌認為, AI晶片的計算能力必須要超過每秒5萬億次, 因為只有達到這樣的性能指標, 很多特定應用計算結果才可能與人的能力相媲美.
周斌公司的名字—— '異構' , 實質上正是對AI晶片創業者們互聯網背景最直接的闡釋. 異構, 顧名思義是指由不同來源共同構成, 互聯網就是一個典型的異構網路. 後來演化出的異構計算, 是一種特殊形式的並行和分布式計算, 常被用於協調不同硬體以滿足不同的計算需求, 並使代碼 (或代碼段) 能以獲取最大總體性能方式來執行.
目前AI晶片基本都通過多種晶片進行異構計算. 過去傳統晶片公司只專註於少數幾種晶片, 但現在的晶片公司開始注重橫向發展, 整合不同類型的晶片, 比如, 手機SoC在傳統的CPU (中央處理器) , GPU (圖形處理器) , ISP (線上編程) 之外, 還會加入另外用來加速AI的NPU (嵌入式神經網路處理器) 等處理核心. '異構晶片中有一部分是通用功能. ' 雲知聲聯合創始人康恒告訴《IT時報》記者.
成本決定的道路
一個有趣的現象是, 互聯網出身的AI創業者都在跑步進入AI晶片硬體領域, 而傳統晶片廠商卻在用演算法等 '軟' 的方法實現AI.
AI技術有三大要素, 演算法, 算力和數據. 從國際AI技術前沿來看, 深度學習等演算法模型的研發並未成熟, 遷移學習, 膠囊網路等新的演算法模型都在同步快速發展, AI晶片該使用什麼方法和原理實現仍在探索階段. 事實上, 目前主流晶片廠商並沒有推出AI晶片, 很多AI功能都通過通用晶片加特殊的演算法, 軟體完成.
高通今年年初推出的人工智慧引擎 (AI Engine) 包括軟硬體兩部分, 在高通驍龍核心硬體架構 (CPU, GPU, VPS向量處理器) 上搭載了神經處理引擎 (Neural Processing Engine, NPE) , Android NN API, Hexagon神經網路庫等軟體, 讓人工智慧在終端側 (如智能手機) 上的應用更快速, 高效. 高通旗下晶片產品驍龍845, 驍龍835, 驍龍820, 驍龍660都支援AI Engine, 而國內不少打著AI旗號的手機也基本採用高通方案, 通過該AI Engine更好實現人臉識別功能.
但對於目前AI晶片的創業者和智能家居廠商而言, 通用晶片 '太貴' 了.
康恒告訴《IT時報》記者, 電視, 空調等大家電產品的利潤足以覆蓋語音模組的高成本, 但風扇, 電燈等小家電成本限制較大, 模組的優勢便削弱了, '客戶想做更多的智能品類, 下沉到低端產品, 但市場上根本找不到合適的晶片, 一款百元以內的產品, 通用晶片並不划算. ' 打造自己的AI晶片後, 雲知聲可以把語音AI技術的晶片方案開放給客戶, 在成本及供應周期上有了更大的主動權.
但是李揚淵認為人工智慧的關鍵技術, 在不同階段的重要程度不同. '處理器不是人工智慧關鍵技術, 專用處理器只在部分工作段起提升競爭力的作用. ' 他認為感知段以感測器為中心, 處理器存在價值並不高; 認知段, 學習段和決策段, 太強調處理器反而影響成本, 包括一次性成本和功耗成本.
'沒有哪一段以專用的人工智慧晶片為前提, 應該把研發人工智慧晶片當作一件獨立的事, 而不是軟體研究的自然延伸. ' 李揚淵以人做比喻, 感測器是人的軀殼, 大腦靠演算法取勝.
半導體分析師李壽鵬也認為, 人工智慧依靠的是演算法, 晶片只是載體. 如果想用ASIC (全定製晶片) 去做更好的語音識別處理, 硬體差異性並不大. 對語音識別來說, 識別語句與軟體, 網路, 訓練更有關係, 而之前存在的雲和端數據交換延遲問題, 也會隨著5G到來, 迎刃而解.
落地第一站: 智能音響
研發AI晶片比高端通用晶片更簡單, 是AI圈普遍的認知.
雲知聲聯合創始人, IoT事業部副總裁李霄寒認為, 經過幾十年的發展, 晶片業沉澱了很多模組化的東西, 比如高通和聯發科都是基於ARM的架構設計晶片, 因此, 並不是每一款AI晶片都要從零開始, 可以用業界成熟的模組和產品, 但AI晶片的核心加速模組需要從最底層開始設計. 從 2014 年提出雲, 端, 芯戰略, 到 2015 年正式建立研發團隊, 再到 2018 年推出AI 晶片 '雨燕' , 雲知聲花了整整 4 年時間, 漸漸意識到AI不能只在雲端, 要落地.
2018年被稱為AI晶片落地年, 所謂落地, 是指AI晶片要搭載到終端上商用. 2017年, 中國在晶片領域的投資超過1500億元人民幣, 2018年開始, 這些投資的產業將陸續密集落地. 信中利資本集團創始人, 董事長汪潮湧不久前在尋找中國創客第四季夏季峰會上指出, 中國每年花費3000多億美元進口各類晶片, 消耗全球1/3的晶片, 自給率不到10%, 因此, AI晶片的投資是重中之重, 但由於安防AI晶片的流片成本和研發費用高昂, 目前尚未形成規模化的出貨量來抵扣成本;自動駕駛汽車未量產, 自動駕駛AI晶片安全性未達要求;其他特定領域AI晶片總體下遊需求不足, 供大於求, '目前AI領域存在較大泡沫. '
根據摩爾定律, 晶片每隔18個月性能就會提升一倍, 成本會下降一半, 但半導體行業賺錢的根本秘訣還是規模化, 能否有足夠大的出貨量和商用市場, 是AI晶片順利從紙面上 '著陸' 的關鍵. 此前有媒體報道, 即便是安防領域的 '大佬' 海康威視, 每年對於英偉達的需求也只有20萬片.
從這個角度來看, 智能音響可能是AI晶片最早實現落地的市場. 調研公司Canalys Research (以下簡稱Canalys) 發布報告稱, 到今年年底, 智能音響的保有量將達到1億部, 幾乎是去年的2.5倍. 去年, 智能音響的保有量不足5000萬部. 未來幾年, 智能音響的保有量將繼續增長, 到2020年其保有量將增加一倍以上, 達到2.25億部.
雲知聲今年5月發布了面向物聯網的AI晶片UniOne, 用於在終端本地做邊緣計算, 可以為智能音響, 智能家居, 智能家電等提供服務方案. 出門問問發布的AI語音晶片模組 '問芯' 已經量產, 客戶可以下單購買.
出門問問的CEO李志飛認為, 晶片是一個長周期產業, 從概念開始, 要經過系統設計, 模組設計, 模擬驗證, 線路綜合, 布局布線, 流片生產, 封裝測試, 驅動開發, 解決方案適配等非常長的流程, 晶片一旦做成很難像軟體一樣再做修改, 必須重新設計流片, 迭代周期長, 成本高, 而晶片本身屬性是一種計算的硬體載體, 不同的晶片適配不同的演算法和應用場景, AI晶片一方面要有足夠的算力去運行各種語音AI演算法, 另一方面還要針對各種場景做大量介面的適配, 同時讓成本和功耗滿足大規模量產的商業要求.
'能產業化且能在市場上對國外的同類產品構成競爭威脅才是一塊晶片成功的標準. ' 一位業內人士如是說道. 從這一點來看, 中國的AI晶片才剛剛起步, 江湖草莽, 泡沫待破.
【本文轉自IT 時報, 作者: 吳雨欣 戚夜雲; 原題為: 'AI晶片' 的草莽江湖: 狂奔中 '泡沫' 待擠】
2.中國已成為全球人工智慧投融資規模最大國家;
央廣網北京7月15日消息 (記者朱敏) 據中國之聲《新聞和報紙摘要》報道, 清華大學發布的《中國人工智慧發展報告2018》指出, 中國已成全球人工智慧投融資規模最大國家.
報告稱, 截至2018年6月, 中國人工智慧企業數量已達到1011家, 位列世界第二. 風險投資上, 從2013到2018年第一季, 中國人工智慧領域的投融資佔到全球的60%, 成為全球最 '吸金' 的國家. 互聯網專家王越指出, 我國人工智慧目前的基礎設施已比較完善, 正在往全行業應用方向發展. 百姓感受較深的集中在B2B領域.
王越: 比如在物流領域用了智能的分揀; 在交通領域, 道路的管控, 車輛的調配; 又比如在安防, 大街上的攝像捕捉; 用戶層面用的比較多的有無人零售.
在論文產出上, 中國人工智慧論文總量和高被引論文數量都是世界第一. 中國專利數量略微領先美國和日本. 但傑出人才佔比還偏低. 王越認為, 我國還需在智能晶片, 5G等核心技術上發力, 未來有望從人工智慧大國向人工智慧強國邁進.
3.謝耘: 人工智慧技術的本質與系統性創新的意義
任何事物只有放在它所存在的環境中, 才能準確理解它的本質. 今天, 大數據, 人工智慧等概念由於商業炒作等多方面的原因, 已經變得模糊不清了. 許多具體的技術也被罩上了奪目的光環, 或有意被賦予了能夠引發奇妙想象的名字, 如 '深度學習' .
下面, 我們來看一下資訊技術產業中的不同要素, 在從科學到應用的這個鏈條上, 各自處於什麼樣的位置. 為了不陷入不必要的細節而又能揭示本質, 我們將這個鏈條分為五個環節: 科學原理, 基礎共性技術, 具體應用技術, 基礎系統原理/技術及具體應用系統, 見圖1.
圖1 從科學原理到應用系統, 圖片來源: 作者供圖, 下同
科學原理是對基本運動規律的認識總結, 而技術是對規律的運用. 所以新的科學原理的提出, 常常會對社會產生深刻而廣泛的影響. 正因為科學原理的意義如此之大, 所以 '科學' 也常常被盜用. 許多技術性的產出, 也被帶上了 '科學' 這個帽子. 在計算機領域, 圖靈機與計算複雜性理論基本上屬於科學原理這個範疇. 也正因為如此, 計算機才被冠以了 '科學' 的稱謂.
從根本上看, 人工智慧熱潮在90年代的冷卻, 是因為人們在人工智慧領域經過了幾十年的努力, 沒有能夠理解一般意義上的智能過程的本質, 因而也就沒有能夠取得科學意義上的原理性突破, 在理論上抽象出類似數字基本計算那樣的基本智能操作, 用以支撐更為高級複雜的智能過程. 所以人工智慧領域的產出, 雖然豐富而且影響巨大, 但是卻始終沒有達到科學原理的高度.
在一個產業中, 會有一些基礎性共性技術, 有時也被稱為核心技術, 它們支撐著整個產業. 在資訊技術產業中, 作業系統, 資料庫, 整合電路等就屬於這個層面的技術. 這些技術的進步, 對整個產業的影響也是全局性的. 正是整合電路技術的進步, 促成了2010年前後整個資訊技術產業發生了曆史性的轉折 (見《轉折——眺望IT巔峰》第二章第三節) . 人工智慧領域不僅沒有科學原理層面的成果, 而且至今也沒有能夠產生支撐一個產業的基礎共性技術, 不論我們給那些技術/方法起個什麼樣的名字.
在基礎共性技術之上, 還有面向不同問題的具體應用技術去解決不同類型的問題. 在這個層面, 我們才遇到了人工智慧的蹤影. 如我們在《轉折——眺望IT峰》一書第八章第二節中所述: '當人們意識到我們沒有能力用一些普適的基本邏輯化規則或機制去有效地解決各種 '智能問題' 時, 人工智慧的研究便紮入到了各種具體的問題之中. 針對不同類型的問題, 發展出了花樣繁多的解決方法, 也取得了很大的進展. …….也正因為如此, 人工智慧目前更多地是被當成了一些具體的應用工具方法, 融入到了不同類型的應用之中, 以自己具體的技術性名稱出現, 默默無聞地發揮著自己的作用. 這些年關於人工智慧的一本經典的教科書的名字是 '人工智慧——一種現代方法' , ……它的副標題 'A Modern Approach' 就是指試圖採用 '智能體' (Agent) 的概念將人工智慧在各個不同領域中的方法整合到一個統一的框架之中. '
其實, 用智能體這個概念整合與人工智慧相關的技術方法, 也是沒有辦法的辦法, 顯示出了這個領域的一種無奈的現實: 只有實用的一些具體技術方法, 缺少科學原理或基礎共性技術的支撐, 也沒有基礎性系統級的有效理論. 這些年被熱捧的 '深度學習' , 也是這個層面的技術.
'深度學習' 這個概念包括了深度信念網路, 卷積神經網路, 迴圈與遞歸網路等多種不同的具體網路模型與相應的演算法, 用來解決不同類型的問題. 它們實際上是藉助計算機的 '暴力' 計算能力, 用大規模的, 含有高達千萬以上的可調參數的非線性人工神經網路, 使用特定的 '學習/訓練' 演算法, 通過對大量樣本的統計處理, 調整這些參數, 實現非線性擬合 (變換) , 從而實現對輸入數據特徵的提取與後續的分類等功能.
它是解決特定類型問題的一些具體的方法, 而不是具有像人那樣的一般意義上的學習的能力, 儘管這個名字確實引發了許多不了解這個技術的人的這方面的想象. 其實, 資訊技術領域內的絕大部分技術, 基本都屬於這個層面, 包括與大數據相關的技術, 而且它們也都屬於輔助智能性質的技術. 所以, 大數據, 人工智慧與其它的技術彼此的界限日益模糊.
這些具體的實用性技術, 包括 '深度學習' (人工神經網路) , 常常是實驗性技術, 在應用於一個新的具體問題之前, 我們無法確定它是否能夠有效地解決這個問題, 或者能夠將問題解決到什麼程度.
正因為如此, 以深度學習為例, 在《深度學習》 (【美】伊恩·古德費洛等著, MIT Press出版, 2016年) 這本被認為是 '深度學習' 領域奠基性的經典教材中, 作者為了闡述深度學習的這種實驗性特徵, 專門設置第11章來討論這個問題, 它的題目取為 '實踐方法論' .
在這一章的開頭, 作者寫了這樣一段話: '要成功地使用深度學習技術, 僅僅知道存在哪些演算法和解釋它們為何有效的原理是不夠的. 一個優秀的機器學習實踐者還需要知道如何針對具體應用挑選一個合適的演算法以及如何監控, 並根據實驗反饋改進機器學習系統. 在機器學習系統的日常開發中, 實踐者需要決定是否收集更多的數據, 增加或減少模型容量, 添加或刪除正則化項, 改進模型的優化, 改進模型的近似推斷或調整模型的軟體實現. 嘗試這些操作都需要大量時間, 因此確定正確的做法而不盲目猜測尤為重要. ' 這段話比較完整地揭示了深度學習這個具體技術的實驗性特徵.
人工智慧的這種狀態多少有點像傳統領域在現代科學出現以前, 人們通過經驗摸索, 也能夠設計製造出很多不同類型的精巧工具來解決各種具體的問題的狀況. 而具體的實用技術再豐富精妙, 也未必能夠產生出更深一層的原理性, 普適性的成果. 中國歷史上無數的能工巧匠都沒有能夠讓中國趕上現代科技發展的潮流, 就說明了這個問題.
以上各層的產出, 都還不能直接服務於人. 所以在它們之上, 還有把技術變成實用產品/系統的原理與技術. 在此為了簡便我們只分了兩層. 特別需要指出的是, 由於人工智慧等技術屬於具體應用技術, 而不是系統級技術, 所以事實上它們自己無法成為構造實際應用系統/產品的基礎, 而必須依附於系統級原理與相關技術才能發揮作用. 雖然當初有過主要基於人工智慧技術構造系統的努力, 比如日本的第五代計算機, 今後這種努力也不會完全消失. 但是, 從人工智慧技術的客觀本質來看, 將其作為具體層面的應用技術來使用, 才是合理的選擇.
對底層技術發揮自身價值起決定性作用的, 是基礎系統原理及相關的技術. 比如馮諾依曼架構就屬於這個範疇. 它之所以成為了計算機領域的核心成就, 就是因為這個架構使得我們能夠利用相關的具體技術設計製造出實際可以使用的計算機系統產品, 藉助計算機系統產品讓相關的具體技術在各個領域裡發揮出自己應有的價值.
這一層的基礎系統原理及相關的技術與具體的應用領域相對獨立, 所以其影響也是全局性的. 它們不僅包括了獨立基礎性系統的原理與相關係技術, 還包括了大量獨立系統之間的交互連結組成更宏觀的基礎性大系統的原理與相關技術. 互聯網, 雲計算就屬於這個類別. 在網路化的資訊技術領域, 組成宏觀大系統的原理與技術在起到日益重要的作用. 當然獨立基礎性系統的創新, 是大規模互聯繫統的前提, 其作用更為基礎.
這一層基礎系統原理與相關技術層面的創新的重要性, 遠遠超過了那些具體應用技術, 至少可以與基礎共性技術比肩, 有些甚至接近科學原理. 所以馮諾依曼架構在計算機領域才有了如此崇高的地位. 而人腦的強大功能, 不僅僅體現在具體的智力能力上, 還體現在它的系統層面. 這種系統層面的優勢, 在本章第一節中我們用實例指出, 它不僅僅是在於大量神經元之間的分布式聯接而形成的高度分布的網路, 在下一節我們還會從另外一個方面分析人腦在系統層面的一個重要的, 沒有被充分重視的特徵.
同屬於這個層面的除了互聯網, 雲計算以外還有最近備受關注的 '區塊鏈' . 2009年伴隨比特幣出現的區塊鏈技術, 最能說明系統層面的突破, 如何能夠讓下層具體的應用技術發揮出最大的價值了.
2008年11月, 一個自稱為 '中本聰' 的匿名人士在互聯網上發表了一篇簡短但影響重大的文章: 'Bitcoin: A Peer-to-Peer Electronic Cash System' (比特幣: 一個對等網路上的現金系統) . 2009年1月3日, 中本聰自己在比特幣系統裡建立了第一個區塊 (創世塊) , 由區塊鏈支撐的比特幣系統開始運轉, 區塊鏈技術正式登場. 該技術的示意見圖2.
仔細研究區塊鏈中的具體技術我們就會發現, 區塊鏈所使用的解決具體問題的技術, 如非對稱加密, 防篡改, 對等網路等等, 都是現有的技術, 沒有任何一個是中本聰發明或改進過的. 僅僅使用這些現成的技術, 中本聰卻創造出了一個在開放互聯網上分布式運行, 不用監管, 人人可以參與記賬, 賬目公開透明, 同時又是可信, 可靠, 安全, 精準無誤的現金系統.
如果說雖然至今還沒有基本的可行性, 但是無數人依然在嚮往創造出與人有著同樣智能, 甚至超越人的智能化系統的話, 一個這樣的現金系統在被創造出來之前, 可以說基本任何人都沒有想到過要去實現這個目標, 也不會相信有人能夠把它創造出來. 這是一個建立在現有資訊具體技術之上, 超出了所有人想象的資訊技術奇蹟.
這個奇蹟依靠的不是解決具體問題的技術的新突破, 而是一個創新的系統性原理與設計. 中本聰充分利用了分布式開放網路環境下人的行為特徵, 巧妙地創造出了可以運行在開放的互聯網上的基於區塊鏈的分布式系統. 比特幣中保證賬務記錄準確無誤的所謂 '共識演算法' , 正是這個分布式系統的系統級運行機制的一部分. 或者說共識演算法是通過分布式系統的系統級運行機制的設計而實現的. 區塊鏈技術之所以難以被準確把握與理解, 就在於它的許多本質的特性是由系統級機制決定的, 而不是依靠單點技術來實現.
不論區塊鏈的技術未來會有什麼樣的應用, 它的出現本身都給我們帶來了非常深刻的啟示.
首先, 它讓我們在資訊技術產業中看到了一個活生生的, 利用成熟的具體技術做系統級創新所能夠創造出來的, 超出所有人想象, 超出了具體技術所能夠達到的, 奇蹟般的顛覆性效果. 系統的重要性, 在上個世紀八十年代就被高度重視了. 當時在科技界有著著名的三論之說, 即資訊理論, 控制論與系統論. 對系統論的高度重視, 是對近代科技發展曆程認識深化的結果. 錢學森做出的最重要的一個曆史性貢獻, 就是把系統論的觀點與方法深深地植入了中國的許多領域, 特別是航天領域.
在傳統的產業中我們也能看到大量的系統性創新對具體技術的超越. 我們簡單看一下航空工業的例子. 早期的飛機所採用的動力是活塞發動機. 後來在上個世紀三十年代末, 德國率先將噴氣式飛機送上了天. 隨後渦輪噴氣發動機成為了航空動力的主角. 這兩種發動機在科學原理上是相同的, 都是利用燃料燃燒導致氣體膨脹而將熱能轉化為機械能. 但是兩者的系統級原理卻完全不同. 渦輪噴氣發動機是航空動力系統的一次基礎性系統級顛覆式創新. 它所帶來的進步, 不是活塞發動機在任何具體層面的技術或材料的改進所能夠比擬的. 它給航空產業帶來了天翻地覆的變化.
在今天的軍事領域, 決定戰場優勢的也不再僅僅是具體兵器在傳統意義上的先進性, 而是海陸空天一體化的超級系統. 這是當代戰爭一個質的飛躍.
其次, 面對區塊鏈帶來的令人瞠目的結果, 我們不僅要發問: 在資訊技術產業開啟了其黃金時代的大門之後, 是否有會有更多的, 超出我們想象的, 基於系統級的創新不斷出現, 從而對人類社會的各個領域產生顛覆式的影響?
相比於區塊鏈創造的奇蹟, 我們把自己的想象集中於工具智能的提高上, 雖然很有道理, 但視野可能過於偏狹了. 目前區塊鏈的奇蹟與比較複雜的智能技術沒有太多的直接聯繫, 更不是對人的智能活動的重複或模仿, 但卻有驚人的顛覆性衝擊. 當然, 如果區塊鏈在未來得到廣泛應用, 各種具體的智能技術融入其中也是必然的趨勢.
在當今資訊技術產業的熱點中, 與大數據和人工智慧相比, 由於它的專業性區塊鏈是一個相對寂寞的技術. 但正是它, 給我們開啟了一扇獨特的觀察資訊技術產業未來發展的窗戶, 提供了一個獨特的視角, 它所揭示的潛在可能, 對我們有效地把握資訊技術產業乃至整個人類文明的未來發展或許具有更本質而重要的意義.
當前資訊技術應用系統越來越多地成為了軟體的設計, 而正如我們在《轉折—眺望IT巔峰》第二章第一節中指出的那樣, '與實物產品的設計開發相比, 軟體開發幾乎是在一個無限資源的虛擬空間裡的隨意發揮. 以至於軟體設計開發甚至被認為是一種純精神化的藝術創作過程. ' 正是這種隨意創作的自由, 才出現了區塊鏈的奇蹟, 也將催生更多的, 超出我們今天最浪漫的想象邊界的, 各種不同系統規模的顛覆性系統級創新.
許多系統將要實現的功能在整體上將遠遠超出今天我們對人工智慧的期待, 它們不會擁有人這樣的主體地位, 但是在功效上卻會極大地超越人在智能上作為一個個體所能達到的高度與廣度——就像輔助體能的機械性工具在體能的各個方面實現的對人的全面超越. 而這些系統所具有的 '智能' 在性質上將會與人的智能有重大區別, 正如區塊鏈系統展示給我們的那樣. 這些系統正在被逐步創造出來, 並將形成一個空前複雜的虛擬世界.
在充分重視人工智慧等具體應用技術的進展與帶來的衝擊的同時, 我們應該展開我們的想象, 更加重視基礎系統級原理及相關技術的創新. 資訊技術產業發展的未來, 可能更多地由這個層面的顛覆式創新所決定. 而人工智慧等具體的技術, 將在這些創新中, 找到更好的, 更大的發揮舞台.
《轉折——眺望IT巔峰》一書中詳細介紹的以主體虛擬映像為核心的智能系統是資訊技術產業中基礎系統原理與技術層面的, 具有系統性智能意義的一個重要的創新, 代表了資訊類應用未來的一個極為重要的方向, 是人類在智能追求上的一個巨大進步, 也是人類輔助智能類工具的一個質的飛躍.
作者簡介: 謝耘博士, 首都科技領軍人才, 清華大學電子工程系博士. 著有《我的職場十年》, 《成長——從校園到職場》, 《轉折——眺望IT巔峰 》.