人工智慧已進入2.0時代

當前，人工智慧引起了各方面的注意，包括企業界及政府最高層。近期召開的「一帶一路」國際合作高峰論壇就提及「加強在數字經濟、人工智慧、納米技術、量子計算機等前沿領域的合作」。今年政府工作報告也首次提及「人工智慧」。

今年年初，工程院提出了AI（即人工智慧）2.0時代。

何謂人工智慧2.0時代？這是指在大數據時代、泛在網時代的人工智慧技術，是數據驅動與知識驅動相結合的人工智慧技術。

傳統的計算機主要是知識驅動型和規則驅動型，包括數學建模、模型等實現的智能技術。隨著大數據時代的到來，深度學習、機器學習成為新的趨勢。機器通過大數據，比如通過大量感測器掌握的數據，展開深度學習，逐漸形成了數據驅動的人工智慧。

我們談到的神經網路處理器以及神經網路學習帶來的人工智慧，主要是基於大數據驅動。這二者的融合是人工智慧2.0時代的標誌。它具體可分為大數據智能、群體智能、跨媒體智能、混合增強智能和自主智能。

人工智慧歷經三起二落，此次人工智慧發展呈現出以下現象：

學術界、產業界、投資界和政府聯動；

理論、技術、產品、市場各環節廣泛交流；

多領域、多學科融合協同創新。

人工智慧正在成為新科技革命和產業變革的核心技術，正在突破傳統的「用計算機模擬人的智能」的用途，如人機博弈、機器識別、自然語言處理等。同時，正向著「機器與人融合智能」的方向（也是人工智慧2.0時代）邁進，如自主無人系統、機器自主創作、智慧城市、智慧醫療、智慧金融、智能製造等。

我們注意到，最近出現了幾次國際大併購，說明人工智慧晶元技術被業界普遍看好。2016年7月，Softbank花了320億美元收購全球最大的半導體IP公司ARM，當時收購的目的就是為了應對人工智慧時代的到來；同年9月，Intel收購矽谷深度學習晶元公司Movidius；今年3月，Intel又花153億美金收購以色列自動駕駛輔助公司Mobileye。

這些大事件代表著人工智慧正在進入競爭、整合的高潮階段。

不過，我們也看到，人工智慧目前面臨著挑戰。挑戰之一就是面對複雜和快速變化的場景，電腦、伺服器和嵌入式神經網路處理器的運算能力還不夠大。比如1對N（N非常大）的實時模式識別，或者高速運動車輛或飛行器的SLAM（Simultaneous Localization And Mapping）等問題，目前尚需要更強大的專用神經網路處理器。

我們注意到，在通信網路帶寬受到客觀限制時，或者智能終端設備處於off-line狀態時，信息感知和人工智慧處理往往需要在一個物理端點完成。這樣的端點可稱為「智能前端」或「智能感測器」，必須使用專用的嵌入式神經網路處理器。而嵌入式神經網路處理器需要更低的功耗和更小的尺寸。

因此，發展人工智慧，必須同時抓住前端、雲端或者感測器這一端，提升其能力。對於自主的、獨立的、使用電池的智能設備，如無人機、機器人等，性能、功耗、尺寸都非常重要，有些設備甚至還需要自主學習，這對神經網路處理器都提出了極高的要求。

人工智慧演算法模型越來越複雜，而摩爾定律即將走到盡頭。在後摩爾定律時代，如何才能繼續提升神經網路處理器的性能？

在此，我提兩點建議。第一，重視人工智慧基礎理論研究和關鍵技術突破。基於大數據驅動的深度學習技術是當前人工智慧的主流技術，而基於知識驅動或規則驅動的傳統人工智慧技術仍然是不可或缺的重要組成部分，腦科學與類腦神經網路是未來的研究方向。

第二，高度重視神經網路處理器人工智慧晶元的研製。此前進行的人機圍棋大戰，需要大量能耗提供支撐，下一場棋電費要3000美元，這是因為人工智慧需要大量的處於基礎層的晶元提供支撐。基於伺服器應用的雲端人工智慧晶元需要進一步的優化，基於智能前端應用的嵌入式神經網路處理晶元也是非常重要的，因為真正制約我們發展的可能是前端的這些設備。

2016年6月，中星微已經發布了首款嵌入式神經網路處理器（NPU），並已經成功量產，可應用於智能監控系統、智能交通、公共安全等領域，如進行人臉識別、人流統計等工作，同時還可以應用於智能無人設備視覺感知系統、智能機器人、航天領域、智能家居等領域。

既然晶元對於人工智慧如此重要，那麼在後摩爾定律時代，創新之路該怎麼走？雖然在物理層面和信號層面都受到物理規律的制約，但在信息層面的技術創新遠沒有達到極限。因此，下一步信息革命的關鍵就是如何進一步借鑒人腦智慧機制，研究新型人工智慧計算方法，進一步提升信息處理的性能功耗價格比，從而使這種計算成為一種日常應用。

(廣州)，作者系工程院院士、中星微集團創始人鄧中翰）