'人類社會已經快速步入到智慧時代, 什麼才是這個時代的核心驅動力, 生產力——是計算!' 在近日由中國工程院資訊與電子工程學部主辦的2018人工智慧計算大會上, 中國工程院院士, 浪潮集團首席科學家王恩東給出這一觀點.
王恩東說, 一個國家的GDP與其計算力呈現出明顯的正相關關係, 全球GDP排名前5的國家, 與全球伺服器出貨量前5名幾乎保持一致. 而今天市值排名前10的巨頭, 比如蘋果, 亞馬遜, 穀歌, 臉書, 阿里巴巴, 騰訊, 等等, 毫無例外地都是全球伺服器採購量最靠前幾名的公司——這說明他們在計算力上投入不菲. 從某種意義上說, 計算力就是生產力.
'計算' '演算法' '數據' , 被稱作拉動人工智慧的 '三駕馬車' , 在機器學習 '演算法' 不斷突破, 龐大 '數據' 爆炸式增長的今天, '計算' 能否成為人工智慧蓬勃發展的動力引擎, 備受期待.
事實上, 回顧人工智慧的發展史, 不難發現計算力在其中發揮關鍵作用. '圖靈先發明計算機, 後發明人工智慧, 可以說沒有計算就沒有人工智慧, 而人工智慧, 則讓計算力有了前進的動力, 有了發展的方向. ' 王恩東說.
人工智慧自1956年提出以來, 經曆了三個階段: 第一個階段是20世紀60~70年代, 人工智慧力圖通過計算機來實現機器化的邏輯推理證明, 但最終難以實現. 第二個階段是20世紀70~90年代, 計算機能力比之前幾十年已有了長足的進步, 這時試圖通過建立基於計算機的專家系統來解決問題, 但是由於數據較少並且太局限於經驗知識和規則, 難以構築有效的系統. 第三個階段是最近這幾年, 基於深度神經網路技術的發展, 才逐漸步入快速發展期.
'為何在第二階段到第三階段之間, 人工智慧有長達30年的發展停滯?' 美國工程院院士, 美國加州大學洛杉磯分校教授叢京生在大會上拋出這一問題.
在他看來, 近些年人工智慧之所以能夠再次爆發, 一方面是互聯網, 資訊化, 數字化帶來了大數據, 據統計, 整個人類文明所獲得的全部數據中, 有90%是過去兩年內產生的, 到2020年, 全世界所產生的數據規模將達到今天的44倍.
這麼多的數據是如何產生, 存儲, 互聯, 處理的?背後依靠的都是計算. 這就是叢京生所說的 '另一方面' : 計算能力的提高. 上世紀80年代, 人們用到的計算機, 每秒鐘能夠執行200萬到300萬指令, 如今每秒鐘就可以有1000億到2000億次指令運算.
從這個角度說, 是計算點亮了人工智慧. 叢京生說, '因為有了這些計算能力, 才讓今天的人工智慧無處不在. '
當然, 人工智慧反過來也對計算提出更多需求和挑戰. 比如, 人工智慧對於計算力的需求已遠超摩爾定律的性能增長速度.
換句話說, 我們需要更強的計算力.
此次大會對外發布了《2018中國人工智慧計算力發展報告》, 其中提到, 隨著時間的推移, 人工智慧在新興經濟和數字經濟中的應用場景將越來越多——
從目前開始到2020年, 包括人臉識別, 語音識別, 自然語言處理等生物識別技術和車輛識別, 智慧交管, 智能路燈等智慧城市技術將是人工智慧最典型的應用場景;而2020~ 2025年, 智能製造和智能家居的相關技術將走向成熟, 成為最典型的人工智慧應用場景;2025年及之後, 智能醫療, 自動駕駛, 智能助理等相關技術與政策將成形, 促使上述行業的人工智慧應用實現爆髮式增長.
報告同時提到, 目前阻礙人工智慧計算髮展的主要挑戰在於四個方面: 一是計算力的發展還未達到需求;二是可用數據量有限;三是從實驗室到實際運用過程中, 還面臨諸多挑戰和問題;四是從應用場景到提供完善的行業解決方案還需時日.
中國工程院二局局長高中琪說, 儘管我國人工智慧應用發展速度很快, 但與發達國家特別是與美國相比, 我們在硬體演算法的人工智慧核心技術領域, 還存在著明顯差距.
在他看來, 雖然應用終端的發展已經遠遠走在硬體構架的前面, 但現在計算平台已經難以滿足人工智慧日益龐大的運算需求. 如何加強底層的構架建設, 提升計算力, 已經成為人工智慧發展的關鍵問題.