面条广告创意图案

shangbaizhongbutongleixingdexiandaihuawuqi，yongyouzheqianghuagongneng，peibanzherenwuchengchangerchengchang。【peixunshi】jianzhayudingqingqiu，dingshaoxueyuanlianxizhuangkuangjianlikuaisuxinxishangbaotongdao，shixianshichangjiagezhongdaxinxijingpinyingxiaocelvewenjianliuzhuandenggongneng。mengxidedongwuxiaoguaishoutuanyeshirangxiaochugengjiahuanleduocai，zaoxingyeshishifenkeaide。shiyongruanjiankeyifeichangkuaisudenadaodingdan，hailiangdingdan，rangnizaiyebuyongdanxinmeiyoudingdankeyijie。華(hua)為(wei)周(zhou)紅(hong)：建(jian)設(she)智(zhi)能(neng)世(shi)界(jie)的(de)假(jia)设與(yu)願(yuan)景(jing)-從(cong)經(jing)驗(yan)、知(zhi)識(shi)到(dao)智能

【中(zhong)國(guo)，深(shen)圳(zhen)，2023年(nian)4月(yue)19日(ri)】 华为戰(zhan)略(lve)研(yan)究(jiu)院(yuan)院長(chang)周红博(bo)士(shi)在(zai)第(di)20屆(jie)华为全(quan)球(qiu)分(fen)析(xi)師(shi)大(da)會(hui)期(qi)間(jian)做(zuo)了(le)主(zhu)題(ti)为“建设智能世界的假设与愿景-从经验、知识到智能”的主题演(yan)講(jiang)。面(mian)向(xiang)未(wei)來(lai)的假设和(he)愿景，周红拋(pao)出(chu)觀(guan)點(dian)，邀(yao)請(qing)大家(jia)探(tan)討(tao)。他(ta)認(ren)为人(ren)類(lei)正(zheng)在快(kuai)速(su)奔(ben)向智能社(she)会，未来有(you)無(wu)窮(qiong)的可(ke)能性(xing)，目(mu)前(qian)的想(xiang)象(xiang)可能都(dou)是(shi)保(bao)守(shou)的。大家要(yao)攜(xie)起(qi)手(shou)来，開(kai)創(chuang)更(geng)美(mei)好(hao)的明(ming)天(tian)。

以(yi)下(xia)是周红博士發(fa)言(yan)精(jing)簡(jian)內(nei)容(rong)

在去(qu)年的分析师大会上(shang)，我(wo)分享(xiang)了邁(mai)向未来智能世界的科(ke)學(xue)假设与商(shang)業(ye)愿景，並(bing)提(ti)出了十(shi)個(ge)問(wen)题和挑(tiao)战。在過(guo)去的壹(yi)年中，我們(men)与学術(shu)界、產(chan)业界科学家做了廣(guang)泛(fan)交(jiao)流(liu)，探讨了迈向智能世界需(xu)要解(jie)決(jue)的兩(liang)大核(he)心(xin)问题：未来通(tong)信(xin)和未来計(ji)算(suan)。

今(jin)天，我將(jiang)重(zhong)点分享在這(zhe)两个问题上的一些(xie)思(si)考(kao)。

首(shou)先(xian)是在通信領(ling)域(yu)。75年前，香(xiang)農(nong)提出了3个定(ding)理(li)。第一定理是可變(bian)长无失(shi)真(zhen)信源(yuan)編(bian)碼(ma)，第二(er)定理是有噪(zao)聲(sheng)情(qing)況(kuang)下的信道(dao)编码，第三(san)定理是保真度(du)下的信源编码。在第一和第三定理中，香农假设信源是離(li)散(san)无記(ji)憶(yi)的，當(dang)時(shi)通信采(cai)用(yong)的是经典(dian)極(ji)化(hua)電(dian)磁(ci)場(chang)，傳(chuan)播(bo)環(huan)境(jing)比(bi)較(jiao)简單(dan)，沒(mei)有考慮(lv)高(gao)樓(lou)大廈(sha)林(lin)立(li)的场景。

这些年学术界发現(xian)一些新(xin)的物(wu)理现象，比如(ru)自(zi)愈(yu)性的非(fei)衍(yan)射(she)波(bo)束(shu)、軌(gui)道角(jiao)動(dong)量(liang)OAM电磁场传播等(deng)，以及(ji)出现一些新技(ji)术，比如飛(fei)秒(miao)激(ji)光(guang)器(qi)，人工(gong)智能等。这些都是香农当年視(shi)野(ye)之(zhi)外(wai)的，所(suo)以我认为，在未来的通信上還(hai)有很(hen)大的发展(zhan)空(kong)间。通信網(wang)絡(luo)是建设智能世界的基(ji)礎(chu)，需要考虑敢(gan)於(yu)打(da)破(po)既(ji)有理論(lun)与技术瓶(ping)頸(jing)的條(tiao)条框(kuang)框，實(shi)现成(cheng)百(bai)上千(qian)倍(bei)的提升(sheng)，才(cai)能大踏(ta)步(bu)前行(xing)。

其(qi)次(ci)是计算。智能應(ying)用的迅(xun)速发展，过去十年，AI算法(fa)的算力(li)需求(qiu)提升了四(si)十萬(wan)倍。

麻(ma)省(sheng)理工的Max Tegmark教(jiao)授(shou)在《生(sheng)命(ming)3.0》書(shu)中，給(gei)出了一个AI能力地(di)圖(tu)。目前在山(shan)腳(jiao)處(chu)很多(duo)能力上，AI已(yi)经超(chao)越(yue)人类，比如象棋(qi)、圍(wei)棋等。在山腰(yao)上的一些能力上，人们还在不(bu)斷(duan)研究提升中，例(li)如自动駕(jia)駛(shi)、图像(xiang)识別(bie)、語(yu)言文(wen)字(zi)处理等。在接(jie)近(jin)山頂(ding)的能力上，例如编程(cheng)、科学研究、定理自动验證(zheng)和自动证明等，学术界和产业界已经有一些探索(suo)。隨(sui)著(zhe)计算模(mo)式(shi)的不断優(you)化、算力的不断提升、有了更多和更好的數(shu)據(ju)，AI将能更好地服(fu)務(wu)于人类社会的進(jin)步。

在AI能力快速提升的情况下，我认为AI目前还面臨(lin)三个重要的挑战：AI的目標(biao)定義(yi)、正確(que)性与適(shi)应性、以及效(xiao)率(lv)。

?第一个挑战：缺(que)乏(fa)共(gong)识的目标定义

對(dui)于AI，除(chu)了通过規(gui)則(ze)和法律(lv)来加(jia)強(qiang)AI的倫(lun)理和治(zhi)理外，缺乏目标定义也(ye)是一个關(guan)鍵(jian)挑战。杜(du)克(ke)大学的物理学家Adrian Bejan教授在《生命的物理学》书中，列(lie)出了对智能的二十多種(zhong)目标定义，有的强調(tiao)理解和认知能力、有的强调学習(xi)和思考能力、有的强调适应和行动能力等等。

如果(guo)没有定义清(qing)楚(chu)并達(da)成共识，就(jiu)很難(nan)确保AI发展的目标与人类一致(zhi)，也很难合(he)理地分类和科学地计算。人工智能在歷(li)史(shi)上有不同(tong)的流派(pai)，例如符(fu)號(hao)学派、貝(bei)葉(ye)斯(si)学派、进化学派、行为学派，以及聯(lian)結(jie)学派等，它(ta)们还没有很好地融(rong)合起来，缺乏共识的目标定义是重要的原(yuan)因(yin)之一。

?第二个挑战：正确性和适应性挑战

依(yi)靠(kao)大数据統(tong)计规律进行的学习，会依賴(lai)于采樣(yang)的覆(fu)蓋(gai)面和数据的正确性，如果錯(cuo)誤(wu)使(shi)用，就可能導(dao)致结果不穩(wen)定和偏(pian)見(jian)的風(feng)險(xian)，出现“黑(hei)天鵝(e)”事(shi)件(jian)。

比如用统计和相(xiang)关计算模式来识别香蕉(jiao)，如果我们在香蕉邊(bian)上放(fang)一些其他图片(pian)，识别结果可能从香蕉变成烤(kao)箱(xiang)，中间还有一定的比例是鼻(bi)涕(ti)蟲(chong)；熊(xiong)貓(mao)图片加上一些肉(rou)眼(yan)幾(ji)乎(hu)不可见的小(xiao)噪声，也可能被(bei)识别成长臂(bi)猿(yuan)。这些图片用人眼来看(kan)是一目了然(ran)的，但(dan)是人工智能为什(shen)麽(me)会犯(fan)错，这很难解釋(shi)。因为AI的能力分布(bu)在巨(ju)大的參(can)数中，出了这些问题，我们既无法解释、也难以调試(shi)。

?第三个挑战：AI的效率

2022年第60届全球超級(ji)计算機(ji)Top500排(pai)名(ming)第一的计算机是Frontier，计算性能約(yue)1102PFLOPS，能耗(hao)是2千1百万瓦(wa)；而(er)相比之下，人腦(nao)只(zhi)需要约20瓦就能等效处理约30PFLOPS的计算。可见当前这些超级计算机单位(wei)能量的计算效率要比人脑低(di)大约三万倍到十万倍。

除此(ci)之外还有数据效率。我们除了通过从大数据中得(de)到统计规律，来认识和理解世界外，能不能从小数据中进行思考，发现邏(luo)輯(ji)性，形(xing)成概(gai)念(nian)，抽(chou)象出原则和规律？

面对挑战，如何(he)突(tu)破？周红提出了自身(shen)见解。

首先，建議(yi)从实用的角度，来发展知识和智能。比如通过从外部(bu)环境和我们自身的事实和现象的经验中，歸(gui)納(na)、抽象、验证其概念、屬(shu)性、关系(xi)和運(yun)行规律，来发展知识。通过感(gan)知与交互(hu)、计算或(huo)者(zhe)试错，在復(fu)雜(za)的环境和有限(xian)的資(zi)源下达成目标，来发展智能。

近几年学术界有很多跳(tiao)出Transformer之外的新型(xing)AI架(jia)構(gou)的思考。我建议发展感知与建模、知识自动生成、自动化求解三个核心部分，通过从多模態(tai)感知融合与建模，到“知识+数据”驅(qu)动的决策(ce)，实现更高正确性的自主智能系统。希(xi)望(wang)上述(shu)思想和技术能夠(gou)映(ying)射到未来的自主系统中，更好地支(zhi)持(chi)自动驾驶网络、自动驾驶汽(qi)車(che)、雲(yun)服务等领域。

其次，是发展更好的计算模式，以及与之匹(pi)配(pei)的计算架构与计算部件，来持續(xu)提升智能计算的效率。

我曾(zeng)和菲(fei)爾(er)茲(zi)獎(jiang)教授Laurent Lafforgue讨论，当前在视覺(jiao)与空间计算上，往(wang)往采用像素(su)点来表(biao)达物體(ti)，但是絕(jue)大部分物体的识别与其像素点的顏(yan)色(se)没有直(zhi)接的关系，甚(shen)至(zhi)是毫(hao)无关系，它们在不同的光下呈(cheng)现不同的颜色，可以通过几何流形来进行表达和计算，看看能不能用很小的数据量来抓(zhua)住(zhu)物体的不变性。

EPFL的Gestner和Kistlei等教授寫(xie)了一本(ben)《神(shen)经动力学》的书，介(jie)紹(shao)了人大脑皮(pi)層(ceng)的功(gong)能柱(zhu)、以及功能柱中的六(liu)层連(lian)接情况，这样的淺(qian)度神经网络架构，会不会比深度学习更高效？

在当前的很多AI计算上，面临存(cun)儲(chu)瓶颈的问题，我们往往要花(hua)比计算多上百倍的时间来讀(du)写与搬(ban)移(yi)数据，今後(hou)能不能抛开传统的馮(feng)·諾(nuo)依曼(man)架构的处理器、指(zhi)令(ling)集(ji)、總(zong)線(xian)、逻辑器件和存储器件，围繞(rao)先进AI计算模式的需要来定义新的架构与部件？

华为在计算领域所做的一些探索 ?AI for Industry：通过行业大模型促(cu)进價(jia)值(zhi)创造(zao)

华为在视觉、语言文字、图网络、多模态等專(zhuan)用L0基础大模型之上，形成L1行业专用大模型，来降(jiang)低开发門(men)檻(kan)、提升泛化能力，解决应用碎(sui)片化的问题，推(tui)动从“作(zuo)坊(fang)式”走(zou)向工业化升级，幫(bang)助(zhu)电力、煤(mei)礦(kuang)、交通、制(zhi)造等重要行业，提升作业效率、提升安(an)全性。比如，在煤矿场景，华为帮助客(ke)戶(hu)通过模型訓(xun)練(lian)与推理，来实现瓦斯濃(nong)度的超前預(yu)警(jing)、作业序(xu)列的风险防(fang)範(fan)、以及作业質(zhi)量的智能验收(shou)；华为的智慧(hui)港(gang)口(kou)方(fang)案(an)，已经在天津(jin)、青(qing)島(dao)、上海(hai)、深圳等港口实现智慧化应用。华为机场与轨道軍(jun)團(tuan)在呼(hu)和浩(hao)特(te)、武(wu)漢(han)、西(xi)安、深圳、香港等地与客户及合作夥(huo)伴(ban)们一起探索城(cheng)轨、鐵(tie)路(lu)与机场的数字化轉(zhuan)型，不僅(jin)提升作业安全性与效率，还提升用户体验与滿(man)意(yi)度。比如在深圳机场，通过基于云和大数据以及AI创新，实现了智能机位分配，每(mei)年可以節(jie)省260万旅(lv)客免(mian)坐(zuo)擺(bai)渡(du)车，成为全球数字化转型的标桿(gan)。

?AI for Science：极大帮助提升科学研究的能力

比如，我们通过构造新型的、地理信息(xi)3D Transformer编码结构，以及层次化时域聚(ju)合方法，推出盤(pan)古(gu)氣(qi)象大模型，通过更精準(zhun)、高效的学习与推理机制，从大自然历史运转出来的数据中提取(qu)出全球气象先验知识，代(dai)替(ti)传统科学计算的超大规模偏微(wei)分方程的时序求解，从而可以实现快速完(wan)成全球未来1小时到7天的天气预報(bao)，预測(ce)精度比歐(ou)洲(zhou)中期天气预报中心高20%以上。在这两張(zhang)臺(tai)风轨跡(ji)图中，藍(lan)色轨迹是欧洲中期天气预报中心给出的预测，实際(ji)路徑(jing)是黑色轨迹，华为盘古大模型的预测的路径是红色轨迹，可以看出，这个预测非常(chang)接近实际情况。

再(zai)比如制藥(yao)领域，药物靶(ba)点发现是药物研发过程的关键问题。传统的分子(zi)对接计算方法效率高，但是没有考虑蛋(dan)白(bai)质的柔(rou)性，导致搜(sou)索空间小，尋(xun)找(zhao)到的靶点少(shao)；而分子动力学模擬(ni)考虑了蛋白质的柔性，但是计算量非常大。我们的专家与北(bei)大教授一起提出了基于元(yuan)动力学的靶点发现和构象搜索算法，加速小分子遍(bian)历蛋白质的过程，对同样的构象搜索，传统方法需要37天，华为只需要6个小时，提升了150倍效率。

在軟(ruan)件编程上，除了用传统AI在大量已有代码中进行檢(jian)索和推薦(jian)外，我们也在发展科学的模型驱动和形式化方法。也通过新的AI计算模式，来研究定理自动证明问题。比如拓(tuo)撲(pu)斯理论有助于探索范疇(chou)证明、同余(yu)推理系统、自动理论导出，提升定理证明器的水(shui)平(ping)，希望解决形式验证中的狀(zhuang)态爆(bao)炸(zha)问题和自动模型抽象问题，增(zeng)强形式验证能力。

在走向智能社会的过程中，可能有超过百倍、甚至千倍的信息需求增长。我们将这些面向未来的思考放在黃(huang)大年茶(cha)思屋(wu)网站(zhan)上，促进开放的探讨交流，希望能与伙伴们一起，开展相关的基础科学研究与技术创新，重构基础理论、重构架构、重构软件。同时我们也贊(zan)助青年学者，并在ICPC、IMC、以及其他全球学生奧(ao)林匹克競(jing)賽(sai)中，分享这些挑战和方向、赞助学生训练營(ying)、激勵(li)和培(pei)養(yang)更多的未来领军人才。

关註(zhu)@华为云，了解更多资訊(xun)返(fan)回(hui)搜狐(hu)，查(zha)看更多

責(ze)任(ren)编辑：