① CCCF專欄 | 智能計算系統——一門人工智慧專業的系統課程
我國人工智慧底層研究能力缺失的現象嚴重，最根本的原因在於這方面人才教育培養的缺失。2018年中，作者陳雲霽在中國科學院大學開設了一門「智能計算系統」課程。這門課程受到了學生的歡迎，有很多選不上課的學生跟著旁聽了整個學期。
關鍵詞：智能計算系統 人工智慧 專業課程
編者按 ：5年前，本文作者陳雲霽受邀在CCCF專欄上發表了一篇題為《體系結構研究者的人工智慧之夢》 1 的文章，第一次公開介紹他從通用處理器轉向深度學習處理器方向的心路歷程（那篇文章後來也被收錄進了《CCCF優秀文章精選》）。經過5年的努力，陳雲霽在深度學習處理器方向作出了國際公認的貢獻：他的學術論文被頂級會議ISCA』18超過四分之一的論文引用，他的技術成果被應用到華為、曙光、阿里等近億台智能手機和伺服器中。他因此被Science雜志評價為智能晶元的「先驅」和「領導者」。現在，當深度學習處理器已經成為學術界和工業界的熱點時，陳雲霽再次轉身，邁向人工智慧系統課程教學的新舞台。這篇文章將和大家分享他走向這個新舞台的心路歷程。
智能計算系統課程的開設
我是一名中國科學院計算技術研究所的青年科研人員，主要從事計算機系統結構和人工智慧交叉方向的基礎研究。看到本文的標題和作者單位，大家可能會覺得有一點奇怪：作者和人工智慧專業課程有什麼關系？因為傳統意義上，上課是高校教師的職責，中國科學院的員工除非是自願擔任了中國科學院大學（國科大）的崗位教授，否則並沒有上課的義務。
驅使我主動思考人工智慧專業課程設計的最主要的原因，是這樣一個眾所周知的現象：越是人工智慧上層（演算法層、應用層，見圖1）的研究，我國研究者對世界作出的貢獻越多；越是底層（系統層、晶元層），我國研究者的貢獻越少。在各種ImageNet比賽中，我國很多機構的演算法模型已經呈現「霸榜」的趨勢，可以說代表了世界前沿水平。但這些演算法模型絕大部分都是在CUDA 2 編程語言、Tensorflow編程框架以及GPU之上開發的。在這些底層「硬 科技 」中，我國研究者對世界的貢獻就相對少了很多。底層研究能力的缺失不僅會給我國人工智慧基礎研究拖後腿，更重要的是，將使得我國智能產業成為一個空中樓閣，走上信息產業受核心晶元和操作系統制約的老路。
圖1 人工智慧研究大致層次
我國人工智慧底層研究能力缺失的原因很多，我認為最根本的原因在於這方面的人才教育培養的缺失。沒有肥沃的土壤，就長不出參天大樹。沒有具備系統思維的人工智慧專業學生，我國就難以出現傑夫·迪恩(Jeff Dean)這樣的智能計算系統大師，也不會產生有國際競爭力的智能系統產品。因此，在人工智慧專業學生的培養上，我們應當主動作為去改變局面。
2018年我國有35個高校設立了人工智慧本科專業，這是重新思考和梳理人工智慧培養體系的一次重大機遇。就我目前的了解，大部分高校在考慮人工智慧課程體系時，採用的是純演算法、純應用的教學思路。這樣培養出來的學生，仍然是偏向上層應用開發，對智能計算系統缺乏融會貫通的理解。
事實上，各個高校不乏有識之士，在課程設計上繞開系統課程往往受制於三大客觀困難：一是國內還沒有太多人工智慧系統類的課程可供參考，二是國內缺乏人工智慧系統類課程的師資，三是國際上缺乏人工智慧系統課程的教材。
基於自己的研究背景，我對人工智慧的演算法和系統都有一些粗淺的涉獵。我是否能為解決人工智慧系統課程、師資、教材上的困難作一點微薄的貢獻？是否可以身體力行地培養一些具備系統思維和能力的人工智慧專業學生呢？
因此，2018年中，我向中國科學院大學申請開設一門人工智慧專業的系統課程，名為「智能計算系統」（曾名「智能計算機」），希望能培養學生對智能計算完整軟硬體技術棧（包括基礎智能演算法、智能計算編程框架、智能計算編程語言、智能晶元體系結構等）融會貫通的理解。這門課程受到了學生的歡迎，有很多選不上課的學生跟著旁聽了整個學期。讓我尤其感動的是，有其他研究所的學生慕名自發地從中關村跑到懷柔來聽課，上一次課來回車程就要三個小時，回到中關村都是深夜。這也許能說明這門課對學生來說有一定吸引力，大家在聽課中有真正的收獲。
人工智慧專業學生培養和課程體系
人工智慧專業的課程體系設計應該服務於學生培養目標。那麼高校人工智慧專業應該培養什麼樣的學生？
這個問題可能還沒有統一的答案。對比和人工智慧專業非常接近的計算機專業，高校的計算機專業培養的顯然不是計算機的使用者，而是計算機整機或者子系統的研究者、設計者和製造者。
我國計算機專業的前輩在六十多年前開始設立計算機專業時，就高瞻遠矚地設計了一個軟硬結合的方案來培養計算機整機或者子系統的研究者、設計者和製造者。這套方案經過六十年的演進，依然基本保持了當年的初衷。今天，各個高校的計算機專業，基本都開設了計算機組成原理、操作系統、編譯原理、計算機體系結構等系統類的必修課程（見圖2）。也就是說，雖然計算機專業的學生畢業後大多從事軟體開發工作，但是他們對計算機硬體系統還是有基礎的了解的。
圖2 網易雲課堂上的計算機專業培養方案 3
人工智慧專業學生的培養目標應當是人工智慧系統或者子系統的研究者、設計者和製造者。只有實現這個目標，高校培養的人才才能源源不斷地全面支撐我國人工智慧的產業和研究。為了實現這個目標，人工智慧專業的課程設計應當包括軟硬兩條線（就像計算機專業）。如果人工智慧專業只開設機器學習演算法、視聽覺應用等課程，那充其量只能算是「人工智慧應用專業」或者「人工智慧演算法專業」。畢竟演算法只是冰山露出水面的一角，冰山底下90%還是硬體和系統。
就拿擁有世界上最大的AI演算法研究團隊的公司谷歌來說，谷歌董事長約翰·軒尼詩(John Hennessy)是計算機體系結構科學家，圖靈獎得主；谷歌AI的總負責人傑夫·迪恩(Jeff Dean)是計算機系統研究者；谷歌AI最令人矚目的三個進展(Tensorflow, AlphaGo, TPU)都是系統，而不僅僅是某個特定演算法，演算法只是系統的一個環節。因此，從人工智慧國際學術主流來看，系統的重要性是不亞於演算法的。
只學過演算法的學生或許對於調模型參數很在行，但是對一個演算法的耗時、耗電毫無感覺。這樣的學生不具備把一個演算法在工業系統上應用起來的基本功（因為一個演算法真正要用起來必須滿足延遲和能耗的限制）。
只有加入了系統線的課程，學生才能真正理解人工智慧是怎樣工作的，包括一個人工智慧演算法到底如何調用編程框架，編程框架又是怎麼和操作系統打交道，編程框架里的運算元又是怎樣一步步在晶元上運行起來。這樣的學生能親手構建出復雜的系統或者子系統，在科研上會有更大的潛力，在產業里也會有更強的競爭力。正如業界所雲：「會用Tensorflow每年賺30萬人民幣，會設計Tensorflow每年賺30萬美元。」
有很多老師和我說：「人工智慧專業確實應當有一些系統類的課程。但國內從來沒有開過這樣的課，也沒有合適的教材，我們學院也缺乏相應的老師來教這樣的課程。」這是很實際的三個客觀困難，但不應當影響我們對人工智慧專業的課程設計。
從學生角度講，人工智慧專業開設什麼課程，應該是看國家和企業需要學生會什麼，而不完全是看老師現在會什麼。六十年前，我國沒有幾個人見過計算機，更別說開課了。但為了兩彈一星等科學和工程計算任務，我國依然成立了中科院計算所，並在計算所辦計算機教師培訓班，在清華大學、中國科學技術大學等高校（此處恕不能一一列全）開設計算機專業，這才有了今天我國巨大的計算機產業。
從教師角度講，人工智慧的系統研究已經成為國際學術熱點，講授這類課程是一個教學相長的過程，能幫助教師走到國際學術前沿。今年美國計算機方向Top4高校（斯坦福大學、卡耐基梅隆大學、加州大學伯克利分校和麻省理工學院）以及其他多個國際單位的研究者聯合發布了一份名為「Machine Learning System（機器學習系統）」的白皮書。在這樣的新興熱門方向布局培育一批青年教師，無疑對提升所在高校乃至我國在人工智慧學術界的影響力有巨大幫助。
因此，不論是對於人工智慧專業的學生還是教師來說，把系統類課程開起來，都是有必要，也是有實際意義的。
什麼是智能計算系統
簡單來說，智能計算系統就是人工智慧的物質載體。現階段的智能計算系統通常是集成通用CPU和智能晶元（英偉達GPU或寒武紀MLU等）的異構系統，並向開發者提供智能計算編程框架和編程語言等。之所以要在通用CPU之外加上智能晶元，主要是因為通用CPU難以滿足人工智慧計算不斷增長的速度和能耗需求。例如，2012年穀歌大腦用了1.6萬個CPU核運行了數天來訓練怎麼識別貓臉，這對於工業應用來說是很難接受的。顯然，要想真正把人工智慧技術用起來，必須使用異構的智能計算系統。而為了降低異構智能計算系統的編程難度，就需要有面向智能計算的編程框架和編程語言。
事實上，智能計算系統已經以種種形態廣泛滲透到我們的生活中了。IBM的超級計算機Summit用機器學習方法做天氣預報，BAT的數據中心上運行著大量的廣告推薦任務，華為的手機上集成寒武紀深度學習處理器來處理圖像分析和語音識別，特斯拉的自動駕駛系統……都可以看成是智能計算系統。在智能時代，中國乃至全世界都需要大批的智能計算系統的開發者、設計者、應用者。
智能計算系統的發展並不是一蹴而就的事情。20世紀80年代面向符號主義智能處理的專用計算機（Prolog機和LISP機）可以被看成是第一代智能計算系統。但是當時人工智慧缺乏實際應用，演算法也不成熟，而且當時摩爾定律還處於飛速發展階段，專用計算機相對每18個月性能就能翻番的通用CPU並沒有太大優勢。因此，第一代智能計算系統逐漸退出了 歷史 舞台。
「智能計算系統」課程重點關注的是第二代智能計算系統，主要是面向深度學習等機器學習任務的計算機。相對於30年前的第一代智能計算系統，當今的第二代深度學習智能計算系統可謂是碰到了天時地利人和。當前圖像識別、語音識別、自然語言理解、 游戲 、廣告推薦等人工智慧應用已開始落地，深度學習演算法發展速度令人應接不暇。尤其重要的是，通用CPU性能發展已經趨停，要支撐不斷發展的深度學習演算法，必須要靠智能計算系統。因此，深度學習智能計算系統會在很長一個階段里都是學術界和產業界關注的焦點。「智能計算系統」課程將能幫助學生深刻理解深度學習智能計算系統。
第二代智能計算系統主要支持深度學習等機器學習任務。未來如果人類真的要在通用人工智慧道路上再往前走一步，那未來的第三代智能計算系統需要支持的演算法將遠遠超出機器學習的范疇，必須包括聯想、推理、涌現等高級認知智能演算法。我個人猜測，第三代智能計算系統可能會是孵化通用人工智慧的虛擬世界環境。「智能計算系統」課程或許能激發學生的好奇心，吸引學生投身於未來的第三代智能計算系統的研究中。
智能計算系統課程概況
「智能計算系統」這門課程主要是面向人工智慧、計算機和軟體工程專業的高年級本科生或研究生。課程目標是培養學生對智能計算完整軟硬體技術棧（包括基礎智能演算法、智能計算編程框架、智能計算編程語言、智能晶元體系結構等）融會貫通的理解，成為智能計算系統（子系統）的設計者和開發者。
課程的前序課程包括C/C++編程語言、計算機組成原理和演算法導論（或機器學習）。課程的課時相對比較靈活，可以是大學期上一個學期（40學時，課程提綱見表1），可以是小學期集中上一周（20學時），也可以嵌入到其他機器學習課程中作為一個補充。對於20學時的短期學習，課程希望學生能對智能計算系統「知其然」，主要是面向實際操作；對於40學時的長期學習，課程希望學生能對智能計算系統「知其所以然」，因此要把機理講透。
表1 智能計算系統課程提綱（40學時）
在課程講授上，應該秉承兩個原則。一是應用驅動。一門好的工程學科的課程應當是學以致用的，尤其是「智能計算系統」這樣的課程，如果上完之後只學會了一些定理和公式，那基本沒效果。另外一個原則是全棧貫通。過去計算機專業課程設計有個問題，就是條塊分割明顯，比如操作系統和計算機體系結構是割裂的，操作系統對計算機體系結構提出了什麼要求，計算機體系結構對操作系統有哪些支持，沒有一門課把這些串起來。「智能計算系統」作為高年級本科生（或研究生）課程，有義務幫助學生把過去所有的人工智慧軟硬體知識都串起來，形成整體理解。
對於「智能計算系統」課程，驅動範例是一個抓手。在國科大上課時，我們選擇了視頻風格遷移作為驅動範例。簡單來說，風格遷移可以保留一個視頻中每幀圖片的基本內容，但是把圖片的繪畫風格改掉（比如從普通照片遷移成畢加索風格或者中國水墨畫風格等，見圖3）。對於學生來說，這是很有意思又在能力范圍之內的一個驅動範例。
圖3 從普通照片到畢加索風格遷移的驅動範例
我們圍繞如何實現視頻實時風格遷移，一步步帶著學生寫出演算法，移植到編程框架上，為編程框架編寫運算元，再為運算元設計晶元，構建多晶元系統，並測評這個系統的速度、能效和精度上的優勢和劣勢，然後進行系統的閉環迭代優化。最後再給大家一個智能計算系統的實驗環境，包括攝像頭和智能晶元開發板，學生就可以實現一個對攝像頭拍攝的視頻進行畫風實時轉換的「半產品」應用了。
結語
我的母親是一位中學教師。我自己成長過程中，對我幫助非常大的幾位前輩恩師陳國良、胡偉武和徐志偉，也都是常年浸淫在教學第一線，有著極大教學熱情的名師。從小到大，這些長輩的言傳身教，讓我深刻地感受到，教育是一項偉大的事業，能深刻地改變學生、改變行業、改變 社會 、改變國家、改變人類。今天我們教給學生的那些人工智慧知識，可能會影響明天我國在智能時代的競爭力。因此，雖然手頭有不少基礎研究任務，但我還是情願把培養人工智慧的系統人才當成自己未來最重要的使命，把自己絕大部分時間精力花在「智能計算系統」這門課程在各個高校的講授和推廣上。
非常欣慰的是，「智能計算系統」這樣新生的一門課程，雖然還有很多缺陷，但還是得到了很多師生的支持和鼓勵。我們已在或將在中國科學院大學、北京大學、北京航空航天大學、天津大學、中國科學技術大學、南開大學、北京理工大學、華中 科技 大學等多個高校聯合開設這門課程。今年我們還會開放這門課程的所有PPT、講義、教材、錄像、代碼、雲平台和開發板，供老師們批評指正。非常歡迎大家給我發郵件，提出寶貴意見。
未來，我們希望和更多培養人工智慧專業學生的高校合作，廣泛參與人工智慧系統課程的交流研討，共同提高人工智慧系統課程的教學水平。相信通過大家的共同努力，一定能解決人工智慧系統課程開設中的實際困難，使得我國未來培養出來的人工智慧人才沒有技術上的短板。
作為一名青年教師，我在教學能力和經驗上與很多教育領域的前輩有著巨大的差距，還需要更多地學習。這門「智能計算系統」課程，對於我國的人工智慧系統能力培養來說，也頂多是起到拋磚引玉的作用。正如魯迅先生在《熱風·隨感錄四十一》中寫給青年的一段話所言：「有一分熱，發一分光，就令螢火一般，也可以在黑暗裡發一點光……倘若有了炬火，出了太陽，我們自然……隨喜贊美這炬火或太陽；因為他照了人類，連我都在內。」
腳註：
1 此文發表在《中國計算機學會通訊》(CCCF) 2014年第5期，https://dl.ccf.org.cn/institude/institudeDetail?id=3738875863074816&_ack=1。
2 CUDA：Compute Unified Device Architecture，計算統一設備架構。
3 參見https://study.163.com/curricula/cs.htm。
作者介紹：
陳雲霽
CCF傑出會員、CCF青年科學家獎獲得者、CCCF編委。中科院計算所研究員。曾獲首屆國家自然科學基金「優秀青年基金」、首屆國家萬人計劃「青年拔尖人才」以及中科院青年人才獎等獎項。主要研究方向為計算機體系結構。[email protected]
點擊 「閱讀原文」 ，加入CCF。
② 量子計算獲得突破性進展，人工智慧「奇點」提前
10月24日，谷歌在《自然》雜志上發表了一篇關於量子計算的論文。稱已經開發出一款54量子比特數（其中有效量子比特53個）的超導量子晶元「Sycamore」。基於該晶元對一個53比特、20深度的電路采樣100萬次只需200秒，而現在最厲害的經典超級計算機Summit完成這一過程需要10000年，谷歌由此宣稱率先實現了「量子霸權」。
盡管這一成果得到了許多贊美之詞，但也不乏質疑者。不過谷歌的量子計算能力若真如其所言，那麼將可能對人工智慧領域產生極大的助力。不只是谷歌，現在全球范圍內不少 科技 巨頭都在量子計算方面有所動作，並且已經取得了可觀的成果。
雖然人工智慧的概念早在1956年的達特茅斯會議上就已被提出，但迅速發展卻是近幾年的事情，其中原因與技術和環境的發展有密切相關。如今再加上量子計算作為助力，人工智慧是否會更迅速地進入到「強人工智慧」的階段呢？量子霸權倘若到來又會對其他領域產生怎樣的影響呢？
在量子計算領域深耕多年的IBM表示，自家有一種計算機完成谷歌提出的任務只需2.5天，根本沒有10000年那麼久。中科院量子信息重點實驗室副主任郭國平也認為，谷歌所謂的10000年是基於量子計算特性「粗暴計算得出的數字」，而未能考慮到如今的超級計算機在網路傳輸、存儲等性能方面的優化。由此看來，谷歌所謂「量子霸權」的說法有誤導大眾之嫌。
盡管如此，谷歌的這項成果依然值得稱道，它不管是對谷歌自身還是一些熱門的領域都是有著重要意義的。 而谷歌自己顯然也是這么認為的，谷歌CEO桑達爾·皮查伊甚至將此次量子計算研究成果的意義與萊特兄弟發明飛機相提並論。
相對於傳統計算，量子計算優勢明顯。就拿谷歌看重的人工智慧領域來說，其源動力分別為大數據、演算法和計算能力。大數據靠積累，而計算能力則由摩爾定律衍生而來。
重點在於，人工智慧發展的障礙就是計算能力。如今的設備和技術讓大數據的積累呈現爆發式增長，但如何處理海量數據是個大問題，如今生產數據的能力與處理數據的能力已然不能匹配。即使是谷歌引以為傲的AlphaGo，下一盤棋所消耗的能量都比人類多出幾十萬倍，這就是計算能力不足所致。
此時量子計算的作用就得以凸顯，它的進展對人工智慧領域或許會產生顛覆性的改變。 科技 大師雷·庫茲韋爾曾預言「2045年，奇點來臨，人工智慧完全超越人類智能，人類 歷史 將徹底改變」。
而皮查伊在最近的采訪中表示，量子計算與人工智慧屬於「共生事物」，二者同處早期研究階段。並且「人工智慧可以加速量子計算，量子計算可以加速人工智慧」。對於量子計算，皮查伊也是信心滿滿：「我們認為自己是一家深度計算機科學公司。摩爾定律在它的周期結束時，量子計算是我們將繼續在計算領域取得進展的眾多因素之一」。
在屬於「綜合性學科」的人工智慧中，量子計算占據著如此關鍵的位置。並且量子計算不僅可以作用於人工智慧領域，而是對當下與未來的不少熱門領域都能起到重要的作用。那麼量子計算到底是什麼？又為何會引得諸多巨頭花心思去研究呢？
量子計算，即利用量子力學的基本原理來加速解決復雜計算的過程。這種計算方式相較於傳統計算機，能夠更加迅速高效地處理海量的數據。在傳統計算中，要靠微晶元材料與晶體管的進步提升算力，大體上就是在微晶元中嵌入電子開關，在0和1之間交替完成信息處理，晶元上的晶體管數量與晶元處理電信號的速度成正比，從而完成計算。但量子計算則可以兼容0和1，使得計算速度產生質的飛躍。
1965年，英特爾聯合創始人戈登·摩爾提出，微晶元上單位面積內的晶體管數量會一年翻一番，但成本會同時減少一半。也就意味著價格不變，集成電路上可容納的元器件的數目大概每隔18~24個月便會增加一倍，性能也將提升一倍。
這個定律一直對傳統計算有著重大意義，但最近幾年，依照摩爾定律發展的信息技術進步的速度正在逐漸減慢，尤其是在人工智慧領域，摩爾定律顯而易見地逐漸失效，中科院院士杜江峰曾在去年發表言論，稱摩爾定律最多還能使用10年。
在這種情況下，量子計算的作用得以發揮。傳統計算幾十年才能解決的數據問題，量子計算可能只需1秒就搞定。不僅是在計算速度層面，還有在材料、設備等方面的最優選擇與最佳組合，這些問題經典計算無法解決，可量子計算統統都能搞定。這就使得量子計算不僅在人工智慧，並且可以在金融、醫療、物流、網路安全、基因組學等多個領域發揮重大作用。
在這些領域中，許多都是焦點與風口， 科技 巨頭們對此自然極為重視。 包括谷歌、微軟、英特爾、IBM、阿里巴巴和網路在內的企業紛紛在量子計算方面加以 探索 。
例如微軟在2017年建立了拓撲量子位，可以讓設備使用現存的更精細的量子位。微軟量子團隊主管托德·霍爾姆達爾認為，通過量子計算「有機會解決一系列此前無法解決的問題」，而想靠傳統計算機來解決這些問題也許會耗盡「宇宙的生命」。
英特爾從2015年就開始與學術界的一些夥伴聯合加速研發量子計算技術，到2017年成功測試了17量子比特超導計算晶元。在CES 2018舉辦期間，英特爾研發出了首個49量子比特的量子計算測試晶元。
阿里巴巴旗下的阿里雲與中科院攜手在2015年建立了「阿里巴巴量子計算實驗室」，助攻多領域量子計算應用，如電商、人工智慧、數據安全等。2018年，阿里雲推出了有11個量子比特的量子計算雲服務。
網路也於2018年成立量子計算研究所，主要研究量子信息理論和量子計算。這對其搜索引擎業務同樣能起到推助作用。
這些巨頭的主業與計算能力都有關聯，更何況量子計算本身就代表著未來的趨勢，一旦能夠落地使用，將會使多個領域呈現顛覆式變化。如此一來，也就不難理解量子計算為何這么受歡迎了。
在不久的將來，如果還有人想繼續從計算能力的指數增長中獲益，傳統計算已然無法依靠。因為以晶體管為基礎的計算方式顯然已經不再適合未來，量子計算就是下一個值得追逐的方向。不過量子計算出現的時間也不短了，為何近幾年才開始加速？這種加速發展又會給人工智慧領域帶去何種轉變呢？
谷歌在此次研究成果中提到的「量子霸權」，最初是由美國加州理工學院的物理學家約翰·普瑞斯基爾提出的，大意是現在最強的超級計算機能夠完成5到20個量子比特的量子計算機所做的事情，但當量子比特超過49個，量子計算機的能力就會將超級計算機遠遠甩在身後。
谷歌如今是否實現了「量子霸權」尚有爭議，但我們應該清楚，照現在這種發展速度，量子霸權註定會有實現的一天，而且這天的到來應該不會太遲。因為英特爾交付的49量子比特的量子計算機晶元，IBM的能處理50量子比特的量子計算機都已經接近了「量子霸權」的標准。其他的一些研究成果雖未達到這個程度，但進步也是很快的。
量子計算的發展推動了多領域的進步，反之一些領域的發展也成了量子計算技術飛速發展的助力。 近年來，人工智慧領域無論是技術還是商用，都呈現出爆發式增長的態勢。此外，已在加緊布局的5G使得網路傳輸與單位傳輸速率大幅提升。這些轉變都增強了量子計算的能力，使其發揮出更大的作用，因而量子計算與這些領域相輔相成，共同進步。
在諸多領域中，人工智慧與量子計算的關系尤為緊密，人工智慧已被 科技 界與學術界公認為是量子計算的重要著力點。 例如，微軟就曾經用拓撲量子計算機將其AI助手「小娜」的演算法訓練時間從一個月縮短到一天。此外，量子計算中自動優化的功能可自行修正人工智慧數據系統中的錯誤，並不斷處理新數據。
當前，AI處於「弱人工智慧」階段，但如果不斷加入量子計算，那麼那種傳說中的有獨立意志、 情感 認知能力的「強人工智慧」或許會提早到來。因為量子計算不僅具備強大的數據處理能力，更有自我學習和修正的能力。
有觀點認為，將黑猩猩置於人類的語言環境下使其進行學習，訓練足夠長的時間，也可以使黑猩猩學會人類語言。黑猩猩尚能訓練到如此程度，更何況是集人類智慧大成的人工智慧與量子計算。經過這種強強聯合，人工智慧一定會比人類更聰明、更有能力。同理，量子計算會對更多領域產生本質層面的顛覆，甚至會涉及到國與國之間的 科技 方面的競爭。也許在未來某天，我們關於 科技 的那些最激進的想像都能實現，或者比我們想像中的還要讓我們驚訝。
當然想要看到這一天還要繼續等待，目前量子計算尚未普及，而且巨頭之間關於這一領域也會有激烈的競爭。在這一過程中與之相關的領域會如何發展，巨頭之間競爭結果如何，還有待時間的檢驗。
③ AI人工智慧正在改變計算的整個本質
機器學習，特別是深度學習，迫使重新評估晶元和系統的設計方式，這將改變未來幾十年的行業方向。
從晶元到軟體再到系統，計算領域將在未來幾年內因機器學習的普及而發生巨大變化。我們可能仍然將這些計算機稱為「通用圖靈機」，正如我們已有八十年或更長時間。但在實踐中，它們將與迄今為止構建和使用的方式不同。
任何關心計算機工作的人以及對所有形式的機器學習感興趣的人都會感興趣。
今年2月，Facebook負責人工智慧研究的負責人Yann LeCun在舊金山舉行的國際固態電路會議上發表了演講，該會議是世界上運行時間最長的計算機晶元會議之一。在ISSCC，LeCun明確了計算機技術對人工智慧研究的重要性。 LeCun說：「硬體功能和軟體工具既激勵又限制了AI研究人員想像並將允許自己追求的想法類型，我們所掌握的工具比我們承認的更能影響我們的想法」。
不難看出情況是怎樣的。從2006年開始，深度學習的興起不僅是因為大量數據和機器學習中的新技術，例如「輟學」，而且還因為計算能力越來越強。特別是，越來越多地使用來自Nvidia的圖形處理單元或「GPU」，導致計算的更大並行化。這使得對比以往更大的網路的培訓成為可能。20世紀80年代提出的「並行分布式處理」的前提，即人工網路的節點同時被訓練，最終成為現實。
一些人認為，機器學習現在有望接管世界上大部分的計算活動。在2月份的ISSCC期間，LeCun 向ZDNet講述了計算方向的變化。LeCun說：「如果你走了五年，未來十年，你會看到計算機花費時間做些什麼，大多數情況下，我認為他們會做一些像深度學習這樣的事情 - 就計算量而言」。他還指出，深度學習可能無法通過收入占據計算機銷售的大部分，但是，「就我們如何每秒花費我們的毫瓦或我們的運營而言，他們將花在神經網路上。
深度學習成倍增長
隨著深度學習成為計算的焦點，它正在推動當今計算機能夠做到的界限，在某種程度上推動神經網路進行預測的「推理任務」，但對於訓練神經網路更是如此，計算密集型功能。
註：據OpenAI稱，自2012年以來，深度學習網路對計算的需求每3.5個月翻一番。
諸如OpenAI的GPT-2之類的現代神經網路需要並行訓練超過十億個參數或網路權重。作為Facebook的熱門機器學習培訓庫PyTorch的產品經理，5月份告訴ZDNet，「模型越來越大，它們真的非常大，而且培訓成本非常高。」 如今最大的模型通常不能完全存儲在GPU附帶的存儲器電路中。
此外：谷歌表示人工智慧的「指數」增長正在改變計算的本質
計算周期的需求速度越來越快。根據OpenAI提供的數據，早在2012年創建的令人尊敬的AlexNet圖像識別系統在總培訓時間內耗費了相當於每秒1000萬次浮點運算的「千萬億次浮點運算」，總時間達到一天。但AlphaZero是由谷歌的DeepMind在2016年建立的神經網路，它擊敗了世界上的國際象棋冠軍，並且每秒消耗超過一千天的千萬億次飛越。AlexNet和AlphaZero之間計算周期的增加使得每3.5個月的計算消耗量翻了一番。這是2016年收集的數據。到目前為止，步伐無疑會增加。
計算機晶元危機
世界甚至沒有佩戴千萬億次籌碼，用於深度學習培訓的頂級晶元，如Nvidia的Tesla V100，每秒運行112萬億次。因此，你必須運行其中的八天1000天，否則將許多人聚集成一個耗費越來越多能量的系統。
更糟糕的是，近年來晶元改進的步伐已經觸底。正如加州大學伯克利分校教授大衛帕特森和英國航空公司董事長約翰軒尼詩在今年早些時候的一篇文章中所指出的那樣，摩爾定律即每十二至十八個月晶元功率增加一倍的經驗法則，已經耗盡了氣體。英特爾長期以來一直否認這一點，但數據是帕特森和軒尼詩的一面。正如他們在報告中提到的那樣，晶元性能現在每年僅增長3％。
這兩位作者都認為，這意味著晶元的設計，眾所周知，它們的架構必須徹底改變，以便從不會產生性能優勢的晶體管中獲得更高的性能。（帕特森幫助谷歌創建了「Tensor Processing Unit」晶元，因此他對硬體如何影響機器學習非常了解，反之亦然。）
由於處理器的改進停滯不前，但機器學習需求每隔幾個月翻一番，就必須付出代價。令人高興的是，如果以正確的方式看待，機器學習本身可以成為晶元設計的福音。因為機器學習需要很少的遺留代碼支持 - 它不必運行Excel或Word或Oracle DB - 並且正如他們所說的，對於晶元設計師，由於其最基本計算的高度重復性，機器學習是一種綠地機會。
建造一台新機器
卷積神經網路和長期短期記憶網路的核心，深度學習的兩個主要支柱，甚至在像谷歌的變形金剛這樣的更現代的網路中，大多數計算都是線性代數計算，稱為張量數學。最常見的是，將一些輸入數據轉換為矢量，然後將該矢量乘以神經網路權重矩陣的列，並將所有這些乘法的乘積相加。稱為乘法相加，這些計算使用所謂的「乘法 - 累加」電路或「MAC」在計算機中呈現。因此，只需改進MAC並在晶元上創建更多的MAC來增加並行化，就可以立即改善機器學習。
主導AI培訓的Nvidia和其CPU主導機器學習推理的英特爾都試圖調整他們的產品以利用那些原子線性代數函數。Nvidia為其Tesla GPU添加了「張量核心」，以優化矩陣乘法。英特爾已花費300億美元收購那些從事機器學習的公司，包括Mobileye，Movidius和Nervana Systems，其中最後一個應該在某個時候導致「Nervana神經網路處理器」，盡管有延遲。
到目前為止，這些舉措並不能滿足機器學習的需求，例如Facebook的LeCun。在2月與ZDNet聊天期間，LeCun認為，「我們需要的是競爭對手，現在，你知道，主導供應商Nvidia」。 他還指出，這不是因為Nvidia沒有做出好的籌碼。這是「因為他們做出了假設，並且擁有一套不同的硬體可以用來做當前GPUS擅長的補充事物，這樣做會很不錯。
另外：為什麼人工智慧報告如此糟糕？
他說，其中一個有缺陷的假設是假設訓練神經網路將是一個可以操作的「整齊陣列」的問題。相反，未來的網路可能會使用大量的網路圖，其中神經網路的計算圖的元素作為指針流式傳輸到處理器。LeCun表示，晶元必須進行大量的乘法增加，但對於如何將這些乘法增加呈現給處理器的期望不同。
作為TPU晶元貢獻者之一的谷歌軟體工程師Cliff Young，去年10月在矽谷舉行的晶元活動上發表了主題演講時更直言不諱。Young說：「很長一段時間，我們都拒絕了，並說英特爾和Nvidia非常擅長構建高性能系統，」「五年前我們超越了這個門檻」。
創業公司的崛起
在這個漏洞中，新的晶元來自谷歌等人工智慧巨頭，還有一大批風險投資支持的創業公司。
除了谷歌的TPU，現在已經進行了第三次迭代，微軟還有一個可編程處理器，一個名為Project Brainwave的「FPGA」，客戶可以通過其Azure雲服務租用它。亞馬遜表示，它將在今年晚些時候推出自己的定製晶元，名為「Inferentia」。當LeCun在2月份與ZDNet談話時，他提到Facebook有自己的籌碼。
他指出，像谷歌和Facebook這樣擁有大量產品的公司，對你自己的引擎工作是有道理的，這方面有內部活動。
創業公司包括Graphcore，一家位於布里斯托爾的五年創業公司，一個位於倫敦西南一個半小時的港口城市; Cornami，Effinix和Flex Logix，所有這些都是由ZDNet描述的和矽谷的洛斯阿爾托斯的s系統公司仍然處於秘密模式。
許多這些初創公司都有一個共同點，那就是大大增加用於矩陣乘法的計算機晶元區域的數量，即MAC單元，以便在每個時鍾周期內擠出最多的並行化。Graphcore是所有初創公司中最遠的，是第一個真正向客戶發送生產晶元的公司。關於它的第一個晶元最引人注目的事情之一是大量的內存。為了紀念世界上第一台數字計算機，Colossus 被稱為晶元，面積巨大，面積為806平方毫米。首席技術官Simon Knowles稱其為「迄今為止最復雜的處理器晶元」。
Colossus由1,024個被稱為「智能處理單元」的獨立核心組成，每個核心都可以獨立處理矩陣數學。眾所周知，每個IPU都有自己的專用內存，256千位元組的快速SRAM內存。總共有304兆位元組的內存是晶元中最常用的內存。
沒有人知道晶元上存在如此多的內存會如何改變構建的神經網路的種類。可能是通過訪問越來越多的內存，訪問速度非常低，更多的神經網路將專注於以新的和有趣的方式重用存儲在內存中的值。
軟體難題
對於所有這些晶元的努力，問題當然是由於該公司的「CUDA」編程技術，他們沒有為Nvidia建立多年的軟體。Graphcore和其他人的答案將是雙重的。一個是用於機器學習的各種編程框架，例如TensorFlow和Pytorch，提供了一種避免晶元本身細節並專注於程序結構的方法。所有進入市場的晶元都支持這些框架，他們的創造者認為這些框架與Nvidia的競爭環境。
第二點是Graphcore和其他人正在構建自己的編程技術。他們可以證明他們的專有軟體既可以轉換框架，也可以智能地將並行計算分配給晶元上的眾多MAC單元和向量單元。這就是Graphcore為其「Poplar」軟體所做的論證。Poplar將神經網路的計算圖分解為「codelets」，並將每個codelet分配到Colossus的不同核心，以優化並行處理。
在過去的二十年中，大數據和快速並行計算成為常態，推動了機器學習，帶來了深度學習。下一波計算機硬體和軟體可能是關於大量的內存和神經網路，它們是動態構建的，以利用高度並行的晶元架構。未來看起來很有趣。
本文翻譯自：AI is changing the entire nature of compute（Machine learning, especially deep learning, is forcing a re-evaluation of how chips and systems are designed that will change the direction of the instry for decades to come.）
④ 關於人工智慧的利弊寫作文
圍棋博弈的人機大戰，以機器的獲勝而落下帷幕，而人工智慧的利弊，再度引發了爭議，
有關人工智慧利弊分析的作文
但我想的更多的是，科技背後的那份漸行漸遠的人文情懷。
圍棋對弈，被列為琴棋書畫四大雅事之一。而今，當人類與一個冰冷的機器，只爭技術的優劣，只論智商的高下時，那份弈棋時的淡泊寧靜的心境，那份「閑敲棋子落燈花」的情懷，又該置於何地？
科技的發達，讓通訊變得便捷，於是，當下的我們很少再能寫出「多情自古傷離別」的優美詩句，很少能體會「家書抵萬金」的情誼萬鈞。
科技的進步，讓農耕變得機械化，於是，當下的我們很少能吟誦出「帶月荷鋤歸」的悠閑辭章，很少能感受「汗滴禾下土」的辛勞苦楚。
科技的演變，讓社交變得多元，於是，當下的我們很少再能唱出「對影成三人」的獨處情懷，很少能理解「執子之手，與子偕老」的至情專一。
正如木心先生所說：「從前的日色變得慢，車、馬、郵件都慢，一生只夠愛一個人。」科技帶給我們便利、快捷的同時，也將我們原本質朴、美好的那份生活味道、人文的情懷稀釋很多！
隨著科技的發展社會的進步，新一代信息技術正在著力打造智慧生活，互聯網、智能機、液晶電視、空調也逐漸步入了千千萬萬的家庭。
1977年英國世界上最大的互聯網公司的經理預料，將來任何人都不會在自己的家裡擁有一台屬於自己的計算機。計算機不會被大多數人使用，然而在日新月異發展的現代化社會里不是用電腦這幾乎是不可能的，高樓大廈里職員們正使用計算機記錄完成上級布置的任務；漫畫家打好畫稿在用計算機進行掃描、上色；學校里每一間教室都放置一台，老師則利用計算機為學生講解課文；列印店裡一台台計算機正忙碌的工作著。然而那位經理怎麼也想不到將近半個世紀的今天計算機已經在我們的生活中起著不可代替的作用，也從原來笨重的以至於塞滿一整個房間的機器到如今教科書厚的液晶。
展望未來。
未來，一個抽象的代名詞——觸摸不到，感受不到。每個人都有美好的暢想，我暢想暢想著城市美好的未來。城市的美好，必然少不了那一片霓虹燈。繁華的夜景，熱鬧的人市。那繁榮景象的背後又是什麼呢？是一片黑暗嗎？不，至少有盞明燈。是那些流浪者的家嗎？不，至少有間草屋。光明固然美好，黑暗也將會被無數明燈所點亮。我暢想，暢想城市那份恬靜。
當人們迎著朝陽開始一天的工作時，他們的心情是平靜而喜悅的。此時，自行車已成「古董」，人們只能在博物館才能見到。在寬闊、現代化的立交橋上，一輛輛高級轎車來回穿梭。在居民小區里，物業管理是機器人，二十四小時服務。工作的地方沒有了原來的狹隘，不再只是人手一台電腦埋頭工作，而是兩三個人一個辦公室，攝像頭、監視器什麼的都不在有，人們誠實守信、勤勤懇懇。工廠是機器人工作的崗位。
我們把美好的夢想層層堆砌，讓高瞻遠矚的目光投向時代的前沿，審視昨天，展望未來，沿著金光大道，一步一步靠近我們心中嚮往的地方。讓我們暢想美好的明天，走向美好的未來！
其實幸福。很難！當黑暗籠罩住了城市，永遠沒有那一角：有人在打架斗毆。難道這就是美好城市？現在這份重任落下來了，在每個人的肩上，還有我們——新時代的中學生，更落在了我們的筆尖，我們要用筆去描繪未來的城市，畫出她最可愛的一面、美麗的一面。我們的校園里，紙屑很珍貴，因為它從不露面。微笑很普通，因為它洋溢在每個人的臉上。城市的美好如同築房子——第一層是文明，第二層是平安，第三層是繁華，第四層是快樂。只有不停地建造，才能蓋上它的屋頂——美好。讓我們共同攜起手來，建造這幢「美好」的城市！
，研發出最偉大的人工智慧。
「呼」長吁一口氣，完成一天的工作後，科學家躺在沙發上，享受著機器人的 *** ，漸漸進入了夢中。不知睡了多久，科學家徐徐起來，揉了揉隱隱作痛的頭，這位科學家總算決定放鬆一下，便換了一身行頭，無所事事地漫步在街頭。
大街上，四周的建築很乾凈，毒辣的陽光照在地上，顯得格外刺眼。城市的上空一隻鳥也沒有，顯得死氣沉沉，科學家有點受不了這樣壓抑的氣氛，便轉身走進了一家餐廳。
餐廳也很乾凈，周圍的人們有說有笑，大廳中央的機器人一直保持著人性化的微笑，盡管顯得有些僵硬。但不得不說，這里的環境真的很好——端菜的機器人在給你上菜之後還會有禮貌的鞠個躬；地上如果弄臟了很快就會有機器人打掃，甚至連你走路的時候又能聽到一個聲音一字一頓地提醒您：「小——心——路——滑.」如此貼心的服務，這么高的效率，不久之後這個世界的人們應該都能享受到如此優越的生活條件，科學家這樣想這，嘴角都不知不覺得翹了起來。
正當科學家愜意的享受這個美好的時刻時，外面一個看上去瘦弱的身影引起了他的注意。一位衣衫有點臟亂的青年正熟練地翻著裝食物殘渣的桶。
這位科學家有點納悶，這么年輕的人是遇到了什麼困難才淪落到這地步，好奇心驅使這科學家跟著這位青年來到他，不，應該是他們的住處，陰暗的空間中擺放著各種各樣的生活用品，牆角還有幾張蜘蛛網，空氣中彌漫著腐敗的氣味，這讓科學家皺了皺眉。而這時，屋裡的人十分好奇的望著這個不請自來的客人，最終還是屋子的主人們率先打破了這種沉默，說：「你也是難民嗎？「 」難民？「對於這個名詞，在科學家的記憶中，這是只屬於很久很久以前的詞，對於現在這個高科技的社會，還會有難民？ 」恩，到我們這兒的全是被i被機器人那些人工智慧淘汰的人，我以前在一家餐廳當服務員，結果被機器人淘汰了，後來每一行都有機器人工作，我和許多人都失去了工作， 也沒有收入。
「說到這，那人的臉上也露出黯然的神情。 一位中年人補充道：」我曾經是一個老闆，後來將自己的財物交給人工智慧管理，最後不知怎麼，人工智慧失去了控制，讓我最後破產。
聽到了這些，科學家許久無言，獨自離開了 站在原地，一動不動地站在原地，雙眼有些茫然地眺望遠處，這一刻，他對未來和自己的夢想開始迷茫起來：自己還要繼續下去嗎？自己對人工智慧的研究究竟能給多少人帶來好處？給多少人帶來厄運？不受人類控制的智能最終是會給人來帶來毀滅還是新生？。
圍棋博弈的人機大戰，以機器的獲勝而落下帷幕，而人工智慧的利弊，再度引發了爭議，有關人工智慧利弊分析的作文。
但我想的更多的是，科技背後的那份漸行漸遠的人文情懷。圍棋對弈，被列為琴棋書畫四大雅事之一。
而今，當人類與一個冰冷的機器，只爭技術的優劣，只論智商的高下時，那份弈棋時的淡泊寧靜的心境，那份「閑敲棋子落燈花」的情懷，又該置於何地？科技的發達，讓通訊變得便捷，於是，當下的我們很少再能寫出「多情自古傷離別」的優美詩句，很少能體會「家書抵萬金」的情誼萬鈞。科技的進步，讓農耕變得機械化，於是，當下的我們很少能吟誦出「帶月荷鋤歸」的悠閑辭章，很少能感受「汗滴禾下土」的辛勞苦楚。
科技的演變，讓社交變得多元，於是，當下的我們很少再能唱出「對影成三人」的獨處情懷，很少能理解「執子之手，與子偕老」的至情專一。正如木心先生所說：「從前的日色變得慢，車、馬、郵件都慢，一生只夠愛一個人。」
科技帶給我們便利、快捷的同時，也將我們原本質朴、美好的那份生活味道、人文的情懷稀釋很多！因此，讓科技擁有人文的情懷，回歸如璞玉般的美好生活，才是正途。我國古代，那些璨如星辰的科技巨擘，無一不是既有科技頭腦又有人文情懷。
東漢「科聖」張衡，「通五經，貫六藝，擬作《二京賦》，精思傅會，」文采斐然。但同時，他又「善機巧，尤致思於天文陰陽歷算」，發明渾天和地動兩儀器，且著有多部科學著作。
張衡的科技發明，就是插上了人文情懷的翅膀，才飛的更高更遠！眾所周知，偉大的物理學家愛因斯坦，不僅擁有超人的科學頭腦，還同時有極高的音樂修養，他擅長鋼琴和小提琴演奏。他曾坦言，是音樂這位歡樂女神為他驅散了憂郁和喧囂，驅走了混亂和邪-惡。
是音樂讓科學更美麗與和-諧。無獨有偶，我國著名科學家錢學森也曾說過：「在我對一件工作遇到困難而百思不得其解的時候，往往是蔣英的歌聲使我豁然開朗，得到啟示。
我錢學森要強調的一點，就是文藝與科技的相互作用。」
可以窺見，古往今來，科學和人文，從來都是人類發展中相輔相成，不可或缺的兩大重要力量。如果人類是飛翔的鳥兒，那麼科技和人文就是一對，彼此依託的翅膀，缺了誰，都會產生不可預料的後果！唯有科技的理性，人類會變得堅硬、冷漠、可憎；唯有人文的歡樂，人類會變得軟弱、迷亂、醉生夢死。
讓科技擁有人文情懷，人類才會走得更遠、更久、更好！放下手機，拿起書籍，在翰墨馨香、書冊函影中，與智慧交流；關掉空調，走出戶外，在春花秋月、夏雨冬雪中，與自然對話；停駐汽車，邁出腳步，在山川河流、花草樹木中，與大地親近，。
「滴滴滴」偌大的實驗室中，一位科學家正全神貫注得對著冰冷的機器計算，這位偉大的科學家立志要在如今這個人工智慧高度發達的時代，研發出最偉大的人工智慧。
「呼」長吁一口氣，完成一天的工作後，科學家躺在沙發上，享受著機器人的 *** ，漸漸進入了夢中。不知睡了多久，科學家徐徐起來，揉了揉隱隱作痛的頭，這位科學家總算決定放鬆一下，便換了一身行頭，無所事事地漫步在街頭。
大街上，四周的建築很乾凈，毒辣的陽光照在地上，顯得格外刺眼。城市的上空一隻鳥也沒有，顯得死氣沉沉，科學家有點受不了這樣壓抑的氣氛，便轉身走進了一家餐廳。
餐廳也很乾凈，周圍的人們有說有笑，大廳中央的機器人一直保持著人性化的微笑，盡管顯得有些僵硬。但不得不說，這里的環境真的很好——端菜的機器人在給你上菜之後還會有禮貌的鞠個躬；地上如果弄臟了很快就會有機器人打掃，甚至連你走路的時候又能聽到一個聲音一字一頓地提醒您：「小——心——路——滑.」如此貼心的服務，這么高的效率，不久之後這個世界的人們應該都能享受到如此優越的生活條件，科學家這樣想這，嘴角都不知不覺得翹了起來。
正當科學家愜意的享受這個美好的時刻時，外面一個看上去瘦弱的身影引起了他的注意。一位衣衫有點臟亂的青年正熟練地翻著裝食物殘渣的桶。
這位科學家有點納悶，這么年輕的人是遇到了什麼困難才淪落到這地步，好奇心驅使這科學家跟著這位青年來到他，不，應該是他們的住處，陰暗的空間中擺放著各種各樣的生活用品，牆角還有幾張蜘蛛網，空氣中彌漫著腐敗的氣味，這讓科學家皺了皺眉。而這時，屋裡的人十分好奇的望著這個不請自來的客人，最終還是屋子的主人們率先打破了這種沉默，說：「你也是難民嗎？「 」難民？「對於這個名詞，在科學家的記憶中，這是只屬於很久很久以前的詞，對於現在這個高科技的社會，還會有難民？ 」恩，到我們這兒的全是被i被機器人那些人工智慧淘汰的人，我以前在一家餐廳當服務員，結果被機器人淘汰了，後來每一行都有機器人工作，我和許多人都失去了工作， 也沒有收入。
「說到這，那人的臉上也露出黯然的神情。 一位中年人補充道：」我曾經是一個老闆，後來將自己的財物交給人工智慧管理，最後不知怎麼，人工智慧失去了控制，讓我最後破產。
聽到了這些，科學家許久無言，獨自離開了 站在原地，一動不動地站在原地，雙眼有些茫然地眺望遠處，這一刻，他對未來和自己的夢想開始迷茫起來：自己還要繼續下去嗎？自己對人工智慧的研究究竟能給多少人帶來好處？給多少人帶來厄運？不受人類控制的智能最終是會給人來帶來毀滅還是新生？。
隨著科技的發展社會的進步，新一代信息技術正在著力打造智慧生活，互聯網、智能機、液晶電視、空調也逐漸步入了千千萬萬的家庭。
1977年英國世界上最大的互聯網公司的經理預料，將來任何人都不會在自己的家裡擁有一台屬於自己的計算機。計算機不會被大多數人使用，然而在日新月異發展的現代化社會里不是用電腦這幾乎是不可能的，高樓大廈里職員們正使用計算機記錄完成上級布置的任務；漫畫家打好畫稿在用計算機進行掃描、上色；學校里每一間教室都放置一台，老師則利用計算機為學生講解課文；列印店裡一台台計算機正忙碌的工作著。
然而那位經理怎麼也想不到將近半個世紀的今天計算機已經在我們的生活中起著不可代替的作用，也從原來笨重的以至於塞滿一整個房間的機器到如今教科書厚的液晶。展望未來。
未來，一個抽象的代名詞——觸摸不到，感受不到。每個人都有美好的暢想，我暢想暢想著城市美好的未來。
城市的美好，必然少不了那一片霓虹燈。繁華的夜景，熱鬧的人市。
那繁榮景象的背後又是什麼呢？是一片黑暗嗎？不，至少有盞明燈。是那些流浪者的家嗎？不，至少有間草屋。
光明固然美好，黑暗也將會被無數明燈所點亮。我暢想，暢想城市那份恬靜。
當人們迎著朝陽開始一天的工作時，他們的心情是平靜而喜悅的。此時，自行車已成「古董」，人們只能在博物館才能見到。
在寬闊、現代化的立交橋上，一輛輛高級轎車來回穿梭。在居民小區里，物業管理是機器人，二十四小時服務。
工作的地方沒有了原來的狹隘，不再只是人手一台電腦埋頭工作，而是兩三個人一個辦公室，攝像頭、監視器什麼的都不在有，人們誠實守信、勤勤懇懇。工廠是機器人工作的崗位。
我們把美好的夢想層層堆砌，讓高瞻遠矚的目光投向時代的前沿，審視昨天，展望未來，沿著金光大道，一步一步靠近我們心中嚮往的地方。讓我們暢想美好的明天，走向美好的未來！其實幸福。
很難！當黑暗籠罩住了城市，永遠沒有那一角：有人在打架斗毆。難道這就是美好城市？現在這份重任落下來了，在每個人的肩上，還有我們——新時代的中學生，更落在了我們的筆尖，我們要用筆去描繪未來的城市，畫出她最可愛的一面、美麗的一面。
我們的校園里，紙屑很珍貴，因為它從不露面。微笑很普通，因為它洋溢在每個人的臉上。
城市的美好如同築房子——第一層是文明，第二層是平安，第三層是繁華，第四層是快樂。只有不停地建造，才能蓋上它的屋頂——美好。
讓我們共同攜起手來，建造這幢「美好」的城市。
，研發出最偉大的人工智慧。
「呼」長吁一口氣，完成一天的工作後，科學家躺在沙發上，享受著機器人的 *** ，漸漸進入了夢中。不知睡了多久，科學家徐徐起來，揉了揉隱隱作痛的頭，這位科學家總算決定放鬆一下，便換了一身行頭，無所事事地漫步在街頭。
大街上，四周的建築很乾凈，毒辣的陽光照在地上，顯得格外刺眼。城市的上空一隻鳥也沒有，顯得死氣沉沉，科學家有點受不了這樣壓抑的氣氛，便轉身走進了一家餐廳。餐廳也很乾凈，周圍的人們有說有笑，大廳中央的機器人一直保持著人性化的微笑，盡管顯得有些僵硬。但不得不說，這里的環境真的很好——端菜的機器人在給你上菜之後還會有禮貌的鞠個躬；地上如果弄臟了很快就會有機器人打掃，甚至連你走路的時候又能聽到一個聲音一字一頓地提醒您：「小——心——路——滑.」如此貼心的服務，這么高的效率，不久之後這個世界的人們應該都能享受到如此優越的生活條件，科學家這樣想這，嘴角都不知不覺得翹了起來。
正當科學家愜意的享受這個美好的時刻時，外面一個看上去瘦弱的身影引起了他的注意。一位衣衫有點臟亂的青年正熟練地翻著裝食物殘渣的桶。這位科學家有點納悶，這么年輕的人是遇到了什麼困難才淪落到這地步，好奇心驅使這科學家跟著這位青年來到他，不，應該是他們的住處，陰暗的空間中擺放著各種各樣的生活用品，牆角還有幾張蜘蛛網，空氣中彌漫著腐敗的氣味，這讓科學家皺了皺眉。而這時，屋裡的人十分好奇的望著這個不請自來的客人，最終還是屋子的主人們率先打破了這種沉默，說：「你也是難民嗎？「
」難民？「對於這個名詞，在科學家的記憶中，這是只屬於很久很久以前的詞，對於現在這個高科技的社會，還會有難民？
」恩，到我們這兒的全是被i被機器人那些人工智慧淘汰的人，我以前在一家餐廳當服務員，結果被機器人淘汰了，後來每一行都有機器人工作，我和許多人都失去了工作， 也沒有收入。「說到這，那人的臉上也露出黯然的神情。
一位中年人補充道：」我曾經是一個老闆，後來將自己的財物交給人工智慧管理，最後不知怎麼，人工智慧失去了控制，讓我最後破產。？
聽到了這些，科學家許久無言，獨自離開了
站在原地，一動不動地站在原地，雙眼有些茫然地眺望遠處，這一刻，他對未來和自己的夢想開始迷茫起來：自己還要繼續下去嗎？自己對人工智慧的研究究竟能給多少人帶來好處？給多少人帶來厄運？不受人類控制的智能最終是會給人來帶來毀滅還是新生？
人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。
人工智慧來臨，有人在擔憂失業，有人在憧憬未來，有人在發掘行業機會，也有人在研究圍棋。
在討論這些之前，也許我們應該先考慮一下人類的結局。有人可能覺得談論這個話題太誇張了，那先回憶一下人類歷史上究竟發生了哪些不可思議的事情。
不可思議的事情，需要請幾個穿越者來判定。我們請1個出生於公元0年出生的人（漢朝人）穿越到公元1600年（明朝），盡管跨越了1600年，但這個人可能對周圍人的生活不會感到太誇張，只不過換了幾個王朝，依舊過著面朝黃土背朝天的日子罷了。
但如果請1個1600年的英國人穿越到1850年的英國，看到巨大的鋼鐵怪物在水上路上跑來跑去，這個人可能直接被嚇尿了，這是250年前的人從未想像過的。如果再請1個1850的人穿越到1980年，聽說一顆炸彈可以夷平一座城市，這個人可能直接嚇傻了，130年前諾貝爾都還沒有發明出炸葯。
那再請1個1980年的人到現在呢？這個人會不會被嚇哭呢？如果35年前的人，幾乎完全無法想像互聯網時代的生活，那麼人類文明進入指數發展的今天，我們怎麼能想像35年後的時代？超人工智慧，則是35年後的統治者。首先，我們明確一下人工智慧的分類：目前主流觀點的分類是三種。
弱人工智慧：弱人工智慧是擅長於單個方面的人工智慧。比如阿爾法狗，能夠在圍棋方面戰勝人類，但你要問他李世石和柯潔誰更帥，他就無法回答了。
弱人工智慧依賴於計算機強大的運算能力和重復性的邏輯，看似聰明，其實只能做一些精密的體力活。目前在汽車生產線上就有很多是弱人工智慧，所以在弱人工智慧發展的時代，人類確實會迎來一批失業潮，也會發掘出很多新行業。
強人工智慧：人類級別的人工智慧。強人工智慧是指在各方面都能和人類比肩的人工智慧，人類能乾的腦力活它都能幹。
創造強人工智慧比創造弱人工智慧難得多。網路的網路大腦和微軟的小冰，都算是往強人工智慧的探索，通過龐大的數據，幫助強人工智慧逐漸學習。
強人工智慧時代的到來，人類會有很多新的樂趣，也會有很多新的道德觀念。超人工智慧：各方面都超過人類的人工智慧。
超人工智慧可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的存在。當人工智慧學會學習和自我糾錯之後，會不斷加速學習，這個過程可能會產生自我意識，可能不會產生自我意識，唯一可以肯定的是他的能力會得到極大的提高，這其中包括創造能力（阿爾法狗會根據棋手的棋路調整策略就是最淺層的創新體現，普通手機版的圍棋，電腦棋路其實就固定的幾種）。
我們距離超人工智慧時代，到底有多遠呢？首先是電腦的運算能力，電腦運算能力每兩年就翻一倍，這是有歷史數據支撐的。目前人腦的運算能力是10^16 cps，也就是1億億次計算每秒。
現在最快的超級計算機，中國的天河二號，其實已經超過這個運算力了。而目前我們普通人買的電腦運算能力只相當於人腦千分之一的水平。
聽起來還是弱爆了，但是，按照目前電子設備的發展速度，我們在2025年花5000人民幣就可以買到和人腦運算速度抗衡的電腦了。其次是讓電腦變得智能，目前有兩種嘗試讓電腦變得智能，一種是做類腦研究。
現在，我們已經能夠模擬1毫米長的扁蟲的大腦，這個大腦含有302個神經元。人類的大腦有1000億個神經元，聽起來還差很遠。
但是要記住指數增長的威力——我們已經能模擬小蟲子的大腦了，螞蟻的大腦也不遠了，接著就是老鼠的大腦，到那時模擬人類大腦就不是那麼不現實的事情了。另一種是模仿學習過程，讓人工智慧不斷修正。
基於互聯網產生的龐大數據，讓人工智慧不斷學習新的東西，並且不斷進行自我更正。網路的網路大腦據說目前有4歲的智力，可以進行幾段連續的對話，可以根據圖片判斷一個人的動作。
盡管目前出錯的次數依舊很多，但是這種能力的變化是一種質變。在全球最聰明的科學家眼中，強人工智慧的出現已經不再是會不會的問題，而是什麼時候的問題，2013年，有一個數百位人工智慧專家參與的調查 「你預測人類級別的強人工智慧什麼時候會實現？」結果如下：2030年：42%的回答者認為強人工智慧會實現2050年：25%的回答者2070年：20%2070年以後：10%永遠不會實現：2%也就是說，超過2/3的科學家的科學家認為2050年前強人工智慧就會實現，而只有2%的人認為它永遠不會實現。
最關鍵的是，全球最頂尖的精英正在拋棄互聯網，轉向人工智慧——斯坦福、麻省理工、卡內基梅隆、伯克利四所名校人工智慧專業的博士生第一份offer已經可以拿到200-300萬美金。這種情況歷史上從來沒有發生過。
奇點大學（谷歌、美國國家航天航空局以及若干科技界專家聯合建立）的校長庫茲韋爾則抱有更樂觀的估計，他相信電腦會在2029年達成強人工智慧，到2045年，進入超人工智慧時代。所以，如果你覺得你還能活30、40年的話，那你應該能見證超人工智慧的出現。
那麼，超人工智慧出現，人類的結局究竟是什麼？1、滅絕——物種發展的通常規律達成結局1很容易，超人工智慧只要忠實地執行原定任務就可以發生，比如我們在創造一個交通指示系統的人工智慧的時候，最初的編程設定邏輯為利用大數據。
人工智慧來臨，有人在擔憂失業，有人在憧憬未來，有人在發掘行業機會，也有人在研究圍棋。在討論這些之前，也許我們應該先考慮一下人類的結局。
目前主流觀點的分類是三種。
弱人工智慧：弱人工智慧是擅長於單個方面的人工智慧。比如阿爾法狗，能夠在圍棋方面戰勝人類，但你要問他李世石和柯潔誰更帥，他就無法回答了。
弱人工智慧依賴於計算機強大的運算能力和重復性的邏輯，看似聰明，其實只能做一些精密的體力活。
目前在汽車生產線上就有很多是弱人工智慧，所以在弱人工智慧發展的時代，人類確實會迎來一批失業潮，也會發掘出很多新行業。
強人工智慧：人類級別的人工智慧。強人工智慧是指在各方面都能和人類比肩的人工智慧，人類能乾的腦力活它都能幹。創造強人工智慧比創造弱人工智慧難得多。
網路的網路大腦和微軟的小冰，都算是往強人工智慧的探索，通過龐大的數據，幫助強人工智慧逐漸學習。
強人工智慧時代的到來，人類會有很多新的樂趣，也會有很多新的道德觀念。
超人工智慧：各方面都超過人類的人工智慧。超人工智慧可以是各方面都比人類強一點，也可以是各方面都比人類強萬億倍的存在。
當人工智慧學會學習和自我糾錯之後，會不斷加速學習，這個過程可能會產生自我意識，可能不會產生自我意識，唯一可以肯定的是他的能力會得到極大的提高，這其中包括創造能力（阿爾法狗會根據棋手的棋路調整策略就是最淺層的創新體現，普通手機版的圍棋，電腦棋路其實就固定的幾種）。
⑤ 打贏AI爭奪戰，要靠一張算力網
AI算力是未來國家、城市、企業的核心競爭力。
文丨華商韜略 陳必章
在人工智慧時代，AI算力就是電，AI計算中心就是電廠。
電力時代，我們構建了一張「電網」，如今隨著國內各地人工智慧計算中心的相繼落地，我們正在編織一張AI算力網路。
目前，人工智慧的發展已提升到國家戰略層面，加快人工智慧產業發展，保障和提供充沛的AI算力，對於贏在AI時代的國家、城市和企業來說，已經是迫在眉睫的問題。
【沒有算力 就像沒有電】
最近這段時間，全國很多地方政府和企業領導最鬧心的事情什麼？
答案可能是兩個字：缺電。
但這個鬧心的事情還沒解決，在全球各國，乃至一國之內的不同地區，又開始面臨一個像電力一樣，決定國計民生的關鍵要素。
這個關鍵要素就是AI算力。
AI算力，顧名思義，就是支撐AI的計算能力。 此處的計算不是加減乘除，而是對世界萬物的計算，是萬物互聯、人工智慧之下的高度復雜、無所不在的計算。
不同於傳統算力，AI算力為了支撐AI模型的開發、訓練和推理，對並行處理能力的要求特別高，也因此需要專門的AI晶元和框架。
比如， 具備強大浮點運算能力的AI晶元，才能夠通過訓練、持續迭代優化提供滿足行業企業智能化轉型的高質量AI模型。 復雜模型訓練中，需對上千億個浮點參數進行微調數十萬步，需要精細的浮點表達能力。如果沒有強大的訓練晶元，則難以保障演算法模型產出的效率。千億級中文NLP（自然語言處理）大模型「鵬程·盤古」，面向生物醫學領域的「鵬程·神農」平台的發布，都離不開AI晶元的支撐。
再比如，被視為「AI領域操作系統」的AI框架，90%的AI應用是基於AI框架層來開發。在該領域國內 科技 企業已取得重大成果： 業界領先的AI計算框架升思MindSpore，是一款支持端、邊、雲全場景的深度學習訓練推理框架。 除具備自主可控的優勢之外，一套框架即可支持AI+科學計算等多樣性應用。當前升思MindSpore社區累計下載量超過60萬，有超過100家高校選擇升思MindSpore進行教學。
正是有了這些AI晶元和AI框架釋放出的AI算力，我們才能加速進入萬物互聯和人工智慧時代。
今天，從每個人手裡的手機，到企業的雲上平台，再到城市大腦……我們的生產和生活越來越依賴於AI，越來越深入向AI獲取力量。
對中國來說，AI是從製造大國向製造強國轉型升級的關鍵。 最近多年，眾多城市都在努力爭奪各種資源提升城市的發展力和競爭力，而AI算力就是未來發展最重要的「資源」。
在人工智慧的世界，沒有AI算力，就像沒有電。
AI算力已滲入到我們生活和生產的方方面面，以大家較為熟悉的醫院葯房取葯為例：
拿到處方葯單，在葯房前排隊等候，由醫務人員拿著處方照單分葯，這種漫長的等待和焦慮，很多人都有切身體會。現在，已經有企業開發出利用人工智慧技術進行全自動補發葯品的機器人，用到了3D視覺定位、機器人智能抓取、智能視覺復核技術，能夠確保100%補葯准確率，而且效率也更高，發葯速度可以達到每小時2500盒，8秒鍾就可以處理一個訂單。在葯品發放過程中，系統可以自主調度搬運葯品，不需要人工的干預。
它帶來的最直觀的改變，就是可以把葯品分揀的時間從原來的50秒縮短到3秒，患者只需要一分鍾就能取到葯品。
這個過程中，怎麼識別處方單，怎麼准確分揀並發放葯品？要實現這些功能就得看這個機器人使用的AI系統能算得有多快、多好、多准，這就是AI算力。
【要有電 就得有電廠和電網】
AI算力如此重要，但很多企業缺乏足夠的資金來搭建自己的AI算力。那AI算力需求該如何被滿足，國家、城市又該如何提供足夠的AI算力支持，推動AI產業發展並贏得AI時代的競爭力呢？答案是， 要讓AI算力成為公共資源，配套建立新型基礎設施。
這種新型的算力基礎設施就是人工智慧計算中心，用回電氣時代的比喻，那就是要建電廠和電網。
首先是，加快人工智慧計算中心的建設。
人工智慧計算中心，是以基於人工智慧晶元構建的人工智慧計算機集群為基礎，涵蓋了基建基礎設施、硬體基礎設施和軟體基礎設施的完整系統，其核心功能就是，提供從底層晶元算力釋放到頂層應用使能的人工智慧全棧能力，也就是輸出AI算力。
人工智慧計算中心除了是提供公共算力服務的平台，還同時應該是應用創新的孵化平台、產業聚合發展平台和科研創新人才培養平台。只有同時扮演好這些角色，才能打通「政產學研用」，集中最多的力量，形成產業匯聚力並提升AI競爭力。
目前，全世界都在加快人工智慧計算中心建設。尤其是美國，它一方面千方百計地打壓其它國家的發展，一方面則大手筆投入加強本國人工智慧的發展，拜登政府更一度公布了3000億美元的投資計劃，捍衛美國在人工智慧領域的領先地位，而其中很重要的投入，就是加強數據中心和智算中心的新基建。
中國當然不會輕易錯過人工智慧產業發展帶來的機遇。早在2017年，國務院就發布了《新一代人工智慧發展規劃》，並強調要「建設高效能的計算基礎設施」。去年疫情期間，中央進一步明確提出新基建戰略，而加強數據中心和人工智慧計算中心建設，則是整個新基建的重中之重。
因為，沒有強大的算力，以數字化為著眼點的新基建七大領域幾乎都無法實現其建設目標。
國家戰略指引，市場前景召喚，甚至經濟轉型升級的壓力下，諸多地方政府都已積極行動，牽頭人工智慧計算中心建設，並以此為基礎提升本地算力水平，構築數字時代的核心競爭力。
今年5月31日， 科技 部批復的15個國家人工智慧創新發展試驗區中，武漢的人工智慧計算中心已率先竣工並投入運營；西安未來人工智慧計算中心也已經上線，其它省市的人工智慧計算中心建設也陸續規劃中。
武漢人工智慧計算中心投運以後，為武漢乃至湖北地區的經濟發展、科研創新、企業轉型等提供了算力支撐。
比如，武漢大學基於武漢人工智慧計算中心打造了全球首個遙感專用框架武漢.LuojiaNet，針對「大幅面、多通道」遙感影像，在整圖分析和數據集極簡讀取處理等方面實現了重大突破。
再比如，中科院自動化所利用該中心的算力支持，研發了全球首個視頻生成多模態大模型——紫東.太初。作為業內首個千億級三模態大模型，紫東.太初的視頻理解與描述性能已做到全球第一，不僅具有多任務聯合學習能力，還能通過學習實現AI化的圖文搜索，以及音頻、短視頻、MV製作，極大縮短音視頻的創造時間。
9月份，西北地區第一個人工智慧計算中心落子西北重鎮西安市，一期規劃具備300P AI算力的西安未來人工智慧計算中心，基於升騰AI基礎軟硬體平台建設，將提供精準可靠的模型訓練及推理。
西安未來人工智慧計算中心，已經簽約了西安電子 科技 大學遙感項目、西北工業大學語音大模型項目、陝西師范大學「MindSpore研究室」多個項目，在支撐西安「6+5+6+1」現代產業體系發展的同時，也會強化西安乃至整個西北地區的人工智慧產業集群，為西北地區人工智慧產業的發展提供算力支持。
剛剛上線的西安未來人工智慧計算中心，算力使用率已快接近滿負荷狀態。當地各行業企業、科研機構、高校對於算力的渴求可見一斑。
其次，高效利用人工智慧計算中心的算力資源。
當越來越多人工智慧計算中心建成、投運，如何讓它們的算力更高效並服務到更多的行業和企業？如何避免各地算力分布不均衡、使用效率不一致的情況？如何讓沒有規劃建設人工智慧計算中心的地方，也能享受到AI算力的使能？人工智慧計算中心之間的互聯、協同、共享，成為需要各界考慮的一個問題。
這就需要人工智慧算力網路了，就像電網之於電廠和用電對象。
有了算力網路，我們就能將分布在各地的人工智慧計算中心節點連接起來，動態實時根據算力資源狀態和需求，實現統籌分配和調度計算任務，構成全國范圍內的感知、分配、調度人工智慧中心的算力網路，然後在此基礎上匯聚和共享算力、數據、演算法資源。
最重要的是，有了這張網，更多的行業和企業，就能像現在用電一樣使用AI算力了。
那麼，算力網路這張網還會給整個人工智慧行業有哪些作用呢？
首先是算力的匯聚， 就是把不同地區、不同城市的算力資源高速互聯，實現跨節點之間的算力合理調度，資源彈性分配，這有利於提升各個人工智慧計算中心的利用率，實現對於整體能耗的節省，後續可支持跨節點分布學習，為大模型的研究提供超級算力。
其次是數據的匯聚， 政府牽頭與各行業企業合作，在達成人工智慧領域的公共數據開放之後，可依託人工智慧計算中心匯聚高質量的開源、開放的人工智慧數據集，能夠促進人工智慧領域的演算法開發和行業落地。
最後是生態的匯聚， 各個人工智慧計算中心之間，統一互聯標准、應用介面標准，實現網路內大模型能力開放與應用創新成果共享，強化跨區域科研和產業協作，為全國范圍用戶進行人工智慧應用創新提供更多的資源選擇和更便捷的合作方式，加速產業聚合，激活產業共融共生。
簡單總結算力網路，就是匯聚大數據+大算力，使能大模型和重大科研創新，孵化新應用。進而實現算力網路化，降低算力成本，提升計算能效。
科技 部在三年行動規劃中指出，要「布局若幹人工智慧計算中心，形成廣域協同的人工智慧平台」。在這一規劃的指引下，人工智慧計算中心陸續在許多城市落地。就在剛剛結束的HC2021上，20多個人工智慧計算中心建設城市聯合點亮了「人工智慧算力網路」。
這張人工智慧行業的算力網路，已經開始編織構建。
【AI算力建設 不是從長計議而是迫在眉睫】
2020年，麻省理工學院計算機科學家、並行計算先驅Charles Leiserson在《科學》雜志上撰文指出：
深度學習正逼近現有晶元的算力極限。
事實上，過去十年，人類最好的AI演算法對算力的需求幾乎增長了100萬倍，平均每3.4個月翻一倍。
相比之下，全球AI算力的增長卻十分有限。
需求與供給之間的巨大鴻溝，促使各國政府，尤其是中、美、歐、日等AI技術領先的地區大力建設AI算力。
沒有強大AI算力，一個國家或地區必然在未來的 科技 競爭中處於劣勢。
從當前算力基礎設施建設進度來看，深圳、武漢、西安等城市均已建成人工智慧計算中心並投入運營，成都、河南等城市正在建設中，北京、南京、上海等地的人工智慧計算中心加速建設，也是蓄勢待發。
未來，一旦人工智慧計算中心全部建成，並組成人工智慧算力網路，不但將為 社會 提供跨地域、源源不斷的超級算力。而且，還能夠實現跨區域的科研和產業協作，使能大模型和重大科研創新，為千行百業孵化新應用。
最終，使得人工智慧賦能更多的行業和場景，讓我們在未來國家之間的產業和 科技 競爭中立於不敗之地。
——END——
版權所有，禁止私自轉載！