无广告体验！玩活下去游戏，告别烦扰广告！

duchuangwangcaishouyanglingquan,houtaizidongguajinbi,kanjiazhuanqianliangbuwuzigeizizu,wanyouxibuqiuren!chuangxincaozuo，jingmiaozouwei+shoujiyankuai，tiyancongweiyouguodenuexinyuciji！chongfenfahuixiangxianglaiweimeigeguankadetuanshangseba~suijiditusuijishijian，meiciyouxidouhuikaoyannizaikunnanmianqiandejueze。wuguanggaowuchajianScience與(yu)之(zhi)江(jiang)實(shi)驗(yan)室(shi)聯(lian)合(he)發(fa)布(bu)：智(zhi)能(neng)計(ji)算(suan)領(ling)域(yu)10個(ge)重(zhong)大(da)科(ke)學(xue)問(wen)題(ti)

新(xin)智元(yuan)報(bao)道(dao)

編(bian)輯(ji)：好(hao)困(kun)

【新智元導(dao)讀(du)】近(jin)日(ri)，之江实验室与Science《科学》联合征(zheng)集(ji)並(bing)篩(shai)選(xuan)出(chu)的(de)10个被(bei)認(ren)為(wei)最(zui)深(shen)刻(ke)、最具(ju)挑(tiao)戰(zhan)性(xing)的问题，已(yi)在(zai)Science《科学》期(qi)刊(kan)以(yi)及(ji)「第(di)二(er)屆(jie)智能计算創(chuang)新論(lun)壇(tan)」上(shang)正(zheng)式(shi)发布并出版(ban)。

智能计算是(shi)支(zhi)撐(cheng)萬(wan)物(wu)互(hu)联時(shi)代(dai)數(shu)字(zi)革(ge)命(ming)的新型(xing)理(li)论方(fang)法(fa)、架(jia)構(gou)體(ti)系(xi)和(he)技(ji)術(shu)能力(li)的總(zong)稱(cheng)。

其(qi)核(he)心(xin)是綜(zong)合運(yun)用(yong)智能技术和计算技术，對(dui)计算的基(ji)礎(chu)理论方法、軟(ruan)硬(ying)件(jian)架构体系、技术應(ying)用支撑等(deng)進(jin)行(xing)系統(tong)性、變(bian)革性的创新，形(xing)成(cheng)強(qiang)智能、大算力、高(gao)能效(xiao)、高安(an)全(quan)的计算能力和普(pu)惠(hui)泛(fan)在、隨(sui)需(xu)接(jie)入(ru)的服(fu)務(wu)能力，为智慧(hui)社(she)會(hui)的数字能力建(jian)設(she)提(ti)供(gong)基础性支撑。

为推(tui)動(dong)智能计算的发展(zhan)，指(zhi)引(yin)未(wei)來(lai)智能计算的研(yan)究(jiu)，之江实验室与Science《科学》自(zi)2022年(nian)5月(yue)面(mian)向(xiang)全球(qiu)联合征集了(le)对未来智能计算研究具有(you)重大意(yi)義(yi)的基础性科学问题。

李(li)德(de)毅(yi)院(yuan)士(shi)、王(wang)懷(huai)民(min)院士、朱(zhu)世(shi)强教(jiao)授(shou)、蔣(jiang)田(tian)仔(zai)院士、陳(chen)怡(yi)然(ran)教授、於(yu)非(fei)院士、趙(zhao)誌(zhi)峰(feng)研究員(yuan)、Ajey Jacob博(bo)士等海(hai)內(nei)外(wai)專(zhuan)家(jia)总結(jie)、提出了以下(xia)10个被认为最深刻、最具挑战性的问题。

該(gai)十(shi)大科学问题已在Science《科学》期刊以及「第二届智能计算创新论坛」上正式发布并出版。

1. 如(ru)何(he)定(ding)义智能，如何建立(li)智能计算的評(ping)價(jia)和標(biao)準(zhun)体系?

廣(guang)义地(di)說(shuo)，智能是分(fen)析(xi)輸(shu)入的数據(ju)并对其做(zuo)出適(shi)當(dang)反(fan)应的能力。許(xu)多(duo)人(ren)说，壹(yi)个真(zhen)正的智能系统应该能夠(gou)适应它(ta)的環(huan)境(jing)——进行学習(xi)、推理和进化(hua)。然而(er)，如何知(zhi)道這(zhe)種(zhong)定义是否(fou)适用于任(ren)何給(gei)定的系统呢(ne)?

一个系统是否智能的傳(chuan)统评估(gu)方法是圖(tu)靈(ling)測(ce)試(shi)——人能否分辨(bian)出这个系统是人類(lei)還(hai)是计算機(ji)？还有一些(xie)較(jiao)弱(ruo)的指标，比(bi)如判(pan)斷(duan)系统是否准確(que)地執(zhi)行了指定的任务，或(huo)者(zhe)是否可(ke)以在訓(xun)練(lian)過(guo)的数据之外进行泛化。评价的規(gui)則(ze)应取(qu)決(jue)于考(kao)慮(lv)了公(gong)平(ping)和透(tou)明(ming)度(du)的更(geng)广泛的社会背(bei)景(jing)。

是否可以建立一个智能计算的标准体系仍(reng)然是一个開(kai)放(fang)的问题，因(yin)为甚(shen)至(zhi)沒(mei)有一个普遍(bian)认可的度量(liang)标准来进行討(tao)论。与一个系统相(xiang)關(guan)的规则可能与为另(ling)一个系统建立的规则发生(sheng)沖(chong)突(tu)，建立该系统的基础可能会发生变化。

2. 模(mo)擬(ni)计算是否存(cun)在统一的理论模型？

模拟计算用硬件来模拟算法，测量如電(dian)壓(ya)、光(guang)强等連(lian)續(xu)信(xin)號(hao)。它在解(jie)决特(te)定问题上具有耗(hao)能低(di)、运算效率(lv)高的優(you)勢(shi)。但(dan)很(hen)多年前(qian)，随著(zhe)数字计算的出現(xian)(计数取代了测量)，模拟计算就(jiu)不(bu)再(zai)受(shou)歡(huan)迎(ying)了，部(bu)分原(yuan)因是当时很難(nan)擴(kuo)大其规模，也(ye)很难验證(zheng)模拟系统。

然而，由(you)于模拟计算能够模拟生物網(wang)絡(luo)的組(zu)成部分，如突觸(chu)和神(shen)經(jing)元，模拟计算已经开始(shi)了復(fu)興(xing)。不同(tong)的算法和平臺(tai)已经发展起(qi)来，都(dou)试图在模拟领域建立更有效的测量方法。

但是，目(mu)前使(shi)用多种物理載(zai)体和计算方法进行仿(fang)真和计算是一种不完(wan)善(shan)的实踐(jian)。它需要(yao)一个统一的理论模型，以促(cu)进其标准化和大规模应用。

3. 计算领域的重大创新將(jiang)從(cong)何而来，量子(zi)计算的计算能力是否会接近人腦(nao)的计算能力？

硬件和软件的联合设计和共(gong)同进化很可能成为重大计算进步(bu)背後(hou)的驅(qu)动力。创新来自各(ge)个層(ceng)面：我(wo)們(men)幾(ji)乎(hu)每(mei)年都能看(kan)到(dao)具有獨(du)特性能的新兴设備(bei)取得(de)突破(po)。这些创新驱动着它们集成到电路(lu)中(zhong)，分級(ji)系统中以及被部署(shu)的算法和应用中，同时，如何进行集成也在驱动着创新。

一些新设备可能对传统计算没有用處(chu)，但可能使神经网络变得高效，而新的计算模型可能需要非传统的硬件支持(chi)。例(li)如,需要新的架构来模拟星(xing)形膠(jiao)質(zhi)細(xi)胞(bao)的行为。星形胶质细胞被发现在认知中起着重要作(zuo)用，与神经元有很大的不同。

量子计算机的操(cao)作方式与通(tong)用计算机不同。它们的发展仍处于早(zao)期階(jie)段(duan)——目前它们主(zhu)要用于大数分解等领域，如加(jia)密(mi)。他(ta)们是否有朝(chao)一日能够模拟认知计算，甚至人脑的情(qing)感(gan)能力，目前仍是一个熱(re)門(men)的研究问题。

4. 哪(na)些新器(qi)件将被制(zhi)造(zao)（晶(jing)体管(guan)、芯(xin)片(pian)设计和硬件範(fan)式：光子学、自旋(xuan)电子学、生物分子、碳(tan)納(na)米(mi)管）？

在纳米尺(chi)度上，这些器件已经存在，或者正在被積(ji)極(ji)研究，而且(qie)有可能进一步扩大规模。关鍵(jian)是讓(rang)它们变得更好，并更好地利(li)用它们。

例如，有许多器件是基本(ben)的电阻(zu)，它们可以被编譯(yi)成电平，这些电平被存儲(chu)和传输。各种各樣(yang)的技术——电子学、光子学等——都可以表(biao)现出非常(chang)相似(si)的行为。这些行为很像(xiang)大脑中的突触，因为信号可以被传输、放大或衰(shuai)減(jian)，并且激(ji)发的信号可以被整(zheng)合起来，產(chan)生突触波(bo)形。这将成为通用设备的基础。

一个问题是如何结合多个物理維(wei)度（如波長(chang)和偏(pian)振(zhen)模式）来开发相应的光电互连器件。功(gong)率、性能、面积和成本问题需要被解决，以扩大技术规模并使其逐(zhu)步发展。

5. 智能计算如何使智能机器成为可能？

专業(ye)术語(yu)「机器」是「计算」的基本概(gai)念(nian)。一台机器，無(wu)论智能与否，主要有三(san)个组成部分:一个收(shou)集外部激勵(li)（数据）的传感器，一个存储传感器收集来的信息(xi)的存储器，以及一个从存储器收集数据并对其进行推理，采(cai)取行动或发送(song)信号的邏(luo)辑單(dan)元。

智能机器将进行智能计算。接下来的问题是，我们是否可以创建一个智能计算范式。

6. 如何基于数字孿(luan)生脑理解記(ji)憶(yi)存储与提取？

记忆存储和檢(jian)索(suo)的时空(kong)动力学机制表明了记忆的高度可控(kong)性，为修(xiu)复记忆的損(sun)傷(shang)帶(dai)来新希(xi)望(wang)。然而，脑网络協(xie)同性和动態(tai)性阻礙(ai)了对记忆复雜(za)屬(shu)性的探(tan)索。

研究人员已经创建了不同器官(guan)的数字孪生体，包(bao)括(kuo)大脑在内。为研究阿(e)爾(er)茨(ci)海默(mo)病(bing)和癲(dian)癇(xian)等疾(ji)病，研究人员建模和仿真了它们的多尺度结构和功能。雖(sui)然这些仿真被认为比模拟人的记忆要簡(jian)单得多，但它们确实证明了一个概念。数字孪生脑将使研究人员突破现有记忆、以及其病理和調(tiao)制的研究的时空尺度和准确性的限(xian)制。

记忆是感覺(jiao)、情感、觀(guan)念和运动之間(jian)的联系。因此(ci)，即(ji)使我们成功复制了整个大脑，我们也不能忽(hu)視(shi)这些联系。

7. 矽(gui)基计算和碳基计算最高效的融(rong)合途(tu)徑(jing)是什(shen)麽(me)？

现代计算机是20世紀(ji)最重要的创新之一，依(yi)托(tuo)硅基芯片应运而生，运行速(su)度快(kuai)且计算准确。目前，我们通过如键盤(pan)和屏(ping)幕(mu)的人机交(jiao)互（MMI）完成计算机操作。MMI是硅基和碳基计算融合的最初(chu)阶段。

如今(jin)，硅基计算开始逐漸(jian)到達(da)物理极限，且需消(xiao)耗大量电能但卻(que)缺(que)乏(fa)智能。而与此同时，生物大脑是碳基计算的一种高级形式，聰(cong)明智能，且具备适应能力强和效能高等特點(dian)。相较之下，其缺点是计算速度较緩(huan)，准确度较低。我们需要一种融合硅基、碳基计算的计算新范式。

至少(shao)有三條(tiao)途径可以实现该种计算融合：

第一条路径是脑啟(qi)发的硅基计算：我们可以通过制造不同种类的硅基芯片来模仿大脑的工(gong)作机理。我们所(suo)要做的是更全面、更深入地了解人类和动物的大脑。

第二条路径是制造硅基和碳基组件相融合的新型计算芯片。我们所要做的是为该种新型计算芯片上碳基单元的生产、控制和演(yan)变，创造与研发新的革命性技术。

第三条路径是将人与计算机更緊(jin)密、更有效地连接起来——人和机器可以实时、同步、无縫(feng)地协同计算与思(si)考。我们需要创造先(xian)进的脑机接口(kou)（BMI）和其他类型的新型MMI。

总而言(yan)之，在硅基碳基计算融合的领域，我们需要更全面、更深入的探索与研究才(cai)能找(zhao)到最有效的实施(shi)途径。

8. 如何构建可解釋(shi)和高效的AI算法？

具有可解释性的高效人工智能（AI）算法一直(zhi)是人们追(zhui)求(qiu)的目标。張(zhang)量网络等新的数学方法，以及专家知識(shi)、逻辑推理和自主学习的有效整合，能否解决人工智能技术中可解释性与效率的困境？

这种整合是否会打(da)破现有深度学习作为「黑(hei)箱(xiang)算法」的现狀(zhuang)，建立可用于不同领域、不同場(chang)景（语音(yin)、图像、视頻(pin)、数字孪生、元宇(yu)宙(zhou)等）的新一代可解释方法体系？

9. 能否实现具备自学习、可演化、自反思特征的强智能计算？

智能计算的目标是在人机物三元融合空间中，高效自主地解决大规模复杂问题。使用弱智能的方法能在一定程(cheng)度上獲(huo)得此类问题的良(liang)好结果(guo)，但本质上，其嚴(yan)重依賴(lai)人工預(yu)设的物理符(fu)号系统、神经网络模型、行为规则集合等人类先验知识的定制化输入。

强智能计算可以根(gen)据输入和环境而动态变化。在不同的背景中，系统具有自学习能力可以避(bi)免(mian)重复输出先前的内部状态，具有可演化能力可以自适应地改(gai)进系统的架构模式，具有自反思能力可以根据歷(li)史(shi)任务求解的经验扩展模型的泛化性。

因此，研究更高阶复杂度的计算理论，探索解决重大的科学难题的自动化方法构造范式，让计算机自主进行任务理解和分解、动态优化路径构建、内核模型演化发展，是未来智能计算的重大科学挑战之一。

10. 如何利用真实世界(jie)数据发现和歸(gui)纳知识？

在计算领域有一个重要的爭(zheng)论，即机器学习是否能真正概括，或只(zhi)是以更有效的方式简单重申(shen)已知的東(dong)西(xi)。能够识別(bie)测试集中的对象(xiang)或标簽(qian)可能是有争議(yi)的，无非是说这个对象与最初用来定义它的对象具有足(zu)够多的共同特征。

因此，智能计算需要以主动的、启发式的、开放的智能形式完成原本由人预定义逻辑执行的计算任务，同时，这一计算的效果需要在真实世界中得到验证。

知识发现是知识驱动应用的前提，也是人工智能强弱區(qu)分的重要指标。真实世界数据的知识发现问题是智能计算要解决的重大科学问题。

在开放世界的计算中主动式、启发式的感知異(yi)常、发现规律(lv)、归纳知识，通过有限状态机解决逻辑执行程序(xu)的局(ju)限性，是智能计算的重要任务和裏(li)程碑(bei)事(shi)件。

特此致(zhi)謝(xie)

（以姓(xing)名(ming)英(ying)文(wen)首(shou)字母(mu)为序）

返(fan)回(hui)搜(sou)狐(hu)，查(zha)看更多

責(ze)任编辑：