飛象網訊 （一飛/文）在“2023華為全球分析師大會”上，華為戰略研究院院長周紅作了《建設智能世界的假設與愿景》的主題演講。他表示，邁向智能世界需要解決的兩大核心問題是：未來通信和未來計算，并分享了一些思考。
在通信領域， 香農在75年前提出了3個定理，但目前在香農定理提出后，又有很多新的現象、新的工程能力和新的應用環境出現，這都是75年前人們不了解的、也不在假設中?！耙虼宋艺J為，在未來的通信上還有很大的發展空間，我們有可能改變香農定理最初的假設和應用條件，實現超越十年百倍的發展?！敝芗t說，“通信網絡是建設智能世界的基礎，我們要實現成百上千倍的提升，就必須敢于打破既有理論與技術瓶頸的條條框框，才能大踏步前行?！?/P>
在計算領域。在過去的幾年中，智能應用的迅速發展，尤其是通過AI模型優化可能幫助解決應用碎片化的問題，這也引發了模型規模的爆發式增長。過去十年，AI算法的算力需求提升了四十萬倍。
周紅表示，在AI能力快速提升的情況下，需要考慮AI的目標如何與人類一致、并且正確和高效地執行。除了通過規則和法律來加強AI的倫理和治理外，從理論和技術的角度看，要達到這些要求，目前還面臨三個重要的挑戰：AI的目標定義、正確性與適應性、以及效率。
AI面臨的第一個挑戰，是缺乏共識的目標定義。如果沒有定義清楚并達成共識，就很難確保AI發展的目標與人類一致，也很難合理地分類和科學地計算。人工智能在歷史上有不同的流派，例如符號主義、貝葉斯主義、進化主義、行為主義，以及連接主義等，它們還沒有很好地融合起來，周紅認為缺乏共識的目標定義是重要的原因之一。
其次，在當前的很多AI應用中，存在正確性和適應性的挑戰。依靠大數據統計規律進行的學習，會依賴于采樣的覆蓋面和數據的正確性，如果錯誤使用，就可能導致結果不穩定和偏見的風險，出現“黑天鵝”事件。
第三個挑戰是AI的效率。
首先是能效。從2022年第60屆全球超級計算機Top500中看到，排名第一的Frontier，計算性能約1102PFLOPS，能耗是2千1百萬瓦；排名第二的Fugaku，計算性能約442PFLOPS，能耗是3千萬瓦，而相比之下，人腦只需要約20瓦就能等效實現30PFLOPS的計算性能?？梢姰斍斑@些超級計算機單位能量的計算效率，要比人腦低大約三萬倍到十萬倍。除了人腦外，高效智能在動物界普遍存在。
其次是數據效率。除了通過從大數據中得到統計規律，來認識和理解世界外，能不能從小數據中進行思考，發現邏輯性，形成概念，抽象出原則？
面對這三個挑戰，如何進一步尋求突破呢？周紅建議從實用的角度，來發展知識和智能。如何通過從外部環境和我們自身的事實和現象中，歸納抽象出概念和屬性、及其關系和運行規律，來形成知識？按柏拉圖的理念，知識應該是被驗證過的、正確的和被人們相信的。能不能提升達成追求或者目標的能力，來發展智能？具體來說，可以通過感知與交互、計算或者試錯，在復雜的環境和有限的資源下達成目標。我們要通過智能來認識環境、適應環境，甚至改造環境以及我們自身，其正確性、適用性與高效性就很重要。從已有大數據中提取概率分布來進行擬合和推演，是實現智能的一種手段，除此之外，周紅認為智能也要考慮因果推理、給出假設和進行試錯，提出問題和創造性地解決問題等。 近幾年學術界有很多跳出Transformer之外的新型AI架構的思考，例如Geoffery Hinton的GLOM模型，建議通過各種學習方法，實現從部分到整體，類似人類的感知系統；Yoshua Bengio建議未來的人工智能由基于直覺的System1模型和基于邏輯與歸納的System2模型組成；Yan LuCun建議以自監督的方式來學習世界模型，然后利用這些模型進行預測、推理和規劃；Richard Sutton提出基于經驗的AI，通過與環境的交互而獲取經驗，構建AI的目標和整個世界的狀態，使得智能體可以學會與環境溝通、合作和競爭。
哈佛大學Howard Gartner教授把人類的智能分類成八大類，包括語言文字、視覺與空間、自然理解、自我認知、人際關系、音樂、運動和數理邏輯。
圖靈獎教授Joseph Sifakis提出自主系統概念。
周紅建議在這些思考的基礎上，發展感知與建模、知識自動生成、求解與行動三個核心部分，通過從多模態感知融合與建模，到“知識+數據”驅動的決策，實現更高正確性與適應性的自主智能系統。感知與建模是對外部環境以及自身的表征與抽象；知識的自動生成應該將吃穿住行、琴棋書畫、數理化生等人類能表達與不能表達、能感知和不能感知的知識都考慮進來，要考慮Human in the loop，將人已有的經驗融入到策略模型或評價函數當中；求解與行動可以是在已有知識的基礎上，結合內外部信息進行直接的演繹推理，或者通過與環境交互試錯，來找到解決辦法。希望未來的自主智能系統，更好地支持自動駕駛網絡、自動駕駛汽車、云服務等領域。
其次是發展更好的計算模式，以及與之匹配的計算架構與計算部件，來持續提升智能計算的效率。
他表示，在和菲爾茲獎教授Laurent Lafforgue討論中提到，當前在視覺與空間計算上，往往采用像素點來表達物體，但是絕大部分物體的識別與其像素點的顏色沒有直接的關系，甚至是毫無關系，它們在不同的光下呈現不同的顏色，因此建議增加幾何流形來進行表達和計算，看看能不能用很小的數據量來抓住物體的不變性。EPFL的Gestner和Kistlei等寫了一本《神經動力學》的書，介紹了大腦皮層的功能柱、以及功能柱中的六層連接情況，這樣的淺度神經網絡架構，會不會比深度網絡更高效？
另外，從實現的角度看，在當前的很多AI計算上，面臨存儲瓶頸的問題，我們往往要花比計算多上百倍的時間來讀寫與搬移數據，今后能不能拋開傳統的馮·諾依曼架構的處理器、指令集、總線、邏輯器件和存儲器件，圍繞先進AI計算模式的需要來定義新的架構與部件？
他還分享了華為在AI領域所做的一些探索。
首先是AI4Industry，通過行業大模型促進價值創造。華為在視覺、語言文字、圖網絡、多模態等專用L0基礎大模型之上，形成L1行業專用大模型，來降低開發門檻、提升泛化能力，解決應用碎片化的問題，推動從“作坊式”走向工業化升級，幫助電力、煤礦、交通、制造等重要行業，提升作業效率、提升安全性。比如，在煤礦場景，華為幫助客戶通過模型訓練與推理，來實現瓦斯濃度的超前預警、作業序列的風險防范、以及作業質量的智能驗收；華為的智慧港口方案，已經在天津、青島、上海、深圳等港口實現智慧化應用。機場與軌道軍團在呼和浩特、武漢與深圳與伙伴們一起探索機場、鐵路與地鐵的現代化智聯。
另一方面，AI4Science的發展也可以極大幫助提升科學研究的能力。比如，華為通過構造新型的、地理信息3D Transformer編碼結構，以及層次化時域聚合方法，推出盤古氣象大模型，通過更精準、高效的學習與推理機制，從大自然歷史運轉出來的數據中提取出全球氣象先驗知識，代替傳統科學計算的超大規模偏微分方程的時序求解，從而可以實現快速完成全球未來1小時到7天的天氣預報，預測精度比歐洲中期天氣預報中心高20%以上。
在軟件編程上，除了用傳統AI在大量已有代碼中進行檢索和推薦外，華為也在發展科學的模型驅動和形式化方法。尤其是在大規模并行化的情況下，很多處理是相互糾纏和前后關聯的，華為探索出了一套名為Vsync的方法，實現了操作系統內核的自動化驗證和并發代碼優化，在提升性能的同時也確?？煽啃?。2015年Linux社區發現了一個很難的內存屏障Bug，社區專家花了兩年多才修復，而使用華為的Vsync方法，僅用20分鐘就發現并修復了這個Bug。歐美一些學校和公司都來尋求Vysnc方法的合作。
在Linux社區，對Kernel版本的補丁修改貢獻上，華為在2020年的5.10版本，2021年的5.14版本，以及2022年的6.1版本上，做到全球貢獻第一。
華為也通過新的AI計算模式，來研究定理自動證明問題。比如拓撲斯理論有助于探索范疇證明、同余推理系統、自動理論導出，提升定理證明器的水平，希望解決形式驗證中的狀態爆炸問題和自動模型抽象問題，增強形式驗證能力。
華為也在探索基礎計算部件的重構。比如加法和乘法在學術界和產業界目前還不知道復雜度能降到什么程度。兩個二進制數相加，可能面臨不確定次數的進位問題，從而消耗大量的時間和能量。華為希望解決實際應用中的變換效率以及溢出等問題，重構最基本的加法和乘法，提高計算的效率。
在走向智能社會的過程中，可能有超過百倍、甚至千倍的信息需求增長，現有的很多理論和技術已經遇到瓶頸，難以支持未來的發展，因此華為積極推動科學假設與商業愿景牽引的創新，在通信上，大膽探索有別于香農定理的前提條件和應用場景；在計算上，進一步明確人工智能的目標定義、提升正確性、適應性和高效性。
在通信和計算兩大基石的驅動下，從狹義人工智能，到通用人工智能與超級人工智能的過程中，華為首先要通過理論和技術的不斷突破，來實現萬物智聯，促進社會的進步；其次要勇于拓展思想的邊界，增強對智能的認知和掌控能力；最終，用正確的目標和有力的手段，牽引人工智能的發展，助力我們超越極限，增強生命，創造物質，控制能量，跨越時空，實現人類文明的進化。華為將這些面向未來的思考放在黃大年茶思屋網站上，促進開放的探討交流，希望能與伙伴們一起，開展相關的基礎科學研究與技術創新，重構基礎理論、重構架構、重構軟件。同時華為也贊助青年學者，并在ICPC、IMC、以及其他全球學生奧林匹克競賽中，分享這些挑戰和方向、贊助學生訓練營、激勵和培養更多的未來領軍人才。
“我們正在快速奔向智能社會，面對無窮的可能性，我們所有的想象都是保守的。在征服星辰大海的道路上，一切的不可知和不確定性，都會使我們變得更加強大?！敝芗t最后說。
