（編輯/呂棟）

大模型的爆火,，讓人工智能（AI）再度成為火熱的話題。4月19日，觀察者網(wǎng)在華為第20屆全球分析師大會上了解到,，華為戰(zhàn)略研究院院長周紅分享了在人工智能領域最新的觀點,。

他認為，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(zhí)行。除了通過規(guī)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(zhàn)：AI的目標定義,、正確性與適應性,、效率。

“缺乏共識的目標定義,，沒有定義清楚并達成共識，就很難確保AI發(fā)展的目標與人類一致,，也很難合理地分類和科學地計算?！敝芗t表示,，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,，缺乏共識的目標定義是重要的原因之一。

那該如何牽引人工智能發(fā)展,？周紅表示,，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，首先要通過理論和技術的不斷突破,，來實現(xiàn)萬物智聯(lián),，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(fā)展,，助力人類超越極限,，增強生命,，創(chuàng)造物質，控制能量,，跨越時空,，實現(xiàn)人類文明的進化。

周紅從經驗,、知識到智能,，提出面向智能世界的假設和愿景。他認為：“未來通信和未來計算是邁向智能世界需要解決的兩大核心問題,。在通信領域,，今天的我們有條件超越香農定理最初的假設和應用條件,，實現(xiàn)超越十年百倍的發(fā)展,。在計算領域,，方向是新的計算模式,、架構與部件,，提升對智能的認知水平和掌控能力,，并在AI for Industry和AI for Science等應用中不斷迭代發(fā)展”,。

華為首屆分析師大會于2004年舉辦,，至今已連續(xù)舉辦了20屆,。本屆大會以“躍升數(shù)字生產力,，加速邁向智能世界”為主題，與全球1000多名行業(yè)與產業(yè)分析師、財經分析師,、意見領袖及媒體等,，共同探討前沿趨勢、產業(yè)發(fā)展策略,、行業(yè)數(shù)字化方向,。

圖源：觀察者網(wǎng)

以下是周紅演講實錄：

女士們,、先生們，大家好,，歡迎參加第二十屆分析師大會,。今天我和大家分享的題目是,，建設智能世界的假設與愿景,，從經驗、知識到智能,。

上一屆大會上,，我們分享了走向未來智能世界的科學假設與商業(yè)愿景，ICT技術將可能對人的健康和幸福,、AI普及應用與自動和智能的機器,、綠色可持續(xù)發(fā)展的環(huán)境、虛實融合的數(shù)字世界等做出更大的貢獻,。

面向未來,，我們提出了十個問題和挑戰(zhàn)。在過去的一年中,，我們與學術界,、產業(yè)界溝通，與科學家,、客戶交流,，探討了邁向智能世界需要解決的兩大核心問題：未來通信和未來計算。

今天,，我將重點分享在這兩個問題上的一些思考,。

首先是在通信領域， 香農在75年前提出了3個定理,，第一定理是可變長無失真信源編碼,，第二定理是有噪聲情況下的信道編碼，第三定理是保失真度下的信源編碼,。在第一和第三定理中,，香農假設信源是離散無記憶的，當時通信采用的是經典極化電磁場,，傳播環(huán)境比較簡單，沒有考慮高樓大廈林立的場景,。

上個月,，我和香農獎的獲得者，Erdal Arikan教授討論,，在香農定理提出后,，又有很多新的發(fā)現(xiàn)，比如：

第一是1987年Durnin發(fā)現(xiàn)具有自愈性的非衍射波束可以繞過障礙物而繼續(xù)傳播,；2007年,，人們第一次在實驗室觀察到中心能量可以轉彎的艾里波束,。

第二是1992年，Allen發(fā)現(xiàn)軌道角動量OAM電磁場傳播是螺旋相位光束的自然屬性,，理論上在同一方向上有無數(shù)個正交量子態(tài),。

第三是1994年，Jerome Faist等人做出來第一個量子級聯(lián)激光器,，一個量子級聯(lián)激光器現(xiàn)在可以同時產生三百多個波長,，如果每個波長可傳800Gbps的話，一個激光器就可以提供超過200Tbps的傳輸能力,；2018年,，Gerard Mourou因為發(fā)明飛秒激光器獲得了諾貝爾獎，飛秒激光器以及后續(xù)可能實現(xiàn)的阿秒激光器,，在理論上每秒可能發(fā)出1000T的脈沖,。

第四是2016年AlphaGO推出之后，人們發(fā)現(xiàn)可以通過大模型來很好描述具有先驗知識的世界,，這個世界的很多信息并不是離散無記憶的,。目前學術界已經有一些這方面的探索，比如這兩年比較熱的語義通信,。

第五是2018年,，5G的MassiveMIMO規(guī)模商用后，在城市高樓林立的復雜傳播環(huán)境中,，可以通過利用很多獨立傳播通道來大大提升通信的容量,。

所有這些新的現(xiàn)象、新的工程能力和新的應用環(huán)境,，都是75年前人們不了解的,、也不在假設中。因此我認為,，在未來的通信上還有很大的發(fā)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(xiàn)超越十年百倍的發(fā)展,。

通信網(wǎng)絡是建設智能世界的基礎,，我們要實現(xiàn)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,。

其次是計算。在過去的幾年中,，我們看到智能應用的迅速發(fā)展,，尤其是通過AI模型優(yōu)化可能幫助解決應用碎片化的問題，這也引發(fā)了模型規(guī)模的爆發(fā)式增長,。過去十年,，AI算法的算力需求提升了四十萬倍,。

麻省理工的Max Tegmark教授在《生命3.0》書中，給出了一個AI能力地圖,。目前在山腳處很多能力上,，AI已經超越人類，比如死記硬背,、智力問答和下棋,，大家知道，1997年AI打敗了國際象棋世界冠軍卡斯帕羅夫,，2011年AI獲得了《危險邊緣》智力節(jié)目冠軍,，2016年AI打敗了前圍棋世界冠軍李世石。在山腰上的一些能力上,，人們還在不斷研究提升中,，例如自動駕駛、圖像識別,、語言文字處理等,，當前AI在語言文字的學習、理解和生成上表現(xiàn)出來的能力,，超出了很多人的想象,。在接近山頂?shù)哪芰ι希畿浖幊?、科學研究,、定理自動驗證和自動證明等，學術界和產業(yè)界已經有一些探索,。,，隨著計算模式的不斷優(yōu)化、算力的不斷提升,、有了更多和更準確的數(shù)據(jù),，AI將能更好地服務于人類社會的進步。

在AI能力快速提升的情況下,，我認為需要考慮AI的目標如何與人類一致,、并且正確和高效地執(zhí)行。除了通過規(guī)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(zhàn)：AI的目標定義,、正確性與適應性、以及效率,。

圖源：觀察者網(wǎng)

AI面臨的第一個挑戰(zhàn),，是缺乏共識的目標定義。杜克大學的物理學家Adrian Bejan教授在《生命的物理學》書中,，列出了對智能的二十多種目標定義,，有的強調理解和認知能力、有的強調學習和思考能力,、有的強調適應和行動能力等等,。

如果沒有定義清楚并達成共識，就很難確保AI發(fā)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，我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(zhàn),。

依靠大數(shù)據(jù)統(tǒng)計規(guī)律進行的學習,，會依賴于采樣的覆蓋面和數(shù)據(jù)的正確性，如果錯誤使用,，就可能導致結果不穩(wěn)定和偏見的風險,，出現(xiàn)“黑天鵝”事件。

比如用統(tǒng)計和相關計算模式來識別香蕉,，如果我們在香蕉邊上放一些其他圖片,，識別結果可能從香蕉變成烤箱，中間還有一定的比例是鼻涕蟲,；熊貓圖片加上一些肉眼幾乎不可見的小噪聲,，也可能被識別成長臂猿。這些圖片用人眼來看是一目了然的,，但是人工智能為什么會犯錯,，這很難解釋。因為AI的能力分布在巨大的參數(shù)中,，出了這些問題,，我們既無法解釋、也難以調試。

第三個挑戰(zhàn)是AI的效率,。

首先我們看看能效,。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(xiàn)30PFLOPS的計算性能,。可見當前這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,，比如烏鴉大腦只用0.2瓦的能量,，就聰明到將核桃銜到高空扔到水泥地上砸開，有一次我在柏林的阿爾伯特?愛因斯坦大街上逛,，差點被烏鴉從高空扔下的核桃砸中,，在這張照片上，作為補償,，我搶了烏鴉的半個桃仁來吃；烏鴉還會將鐵絲掰彎做成鉤子來鉤東西吃,，它在觀察環(huán)境,、適應環(huán)境、解決問題上的能力,，遠不是當前的AI能比擬的,。

其次是數(shù)據(jù)效率。我們除了通過從大數(shù)據(jù)中得到統(tǒng)計規(guī)律,，來認識和理解世界外,，能不能從小數(shù)據(jù)中進行思考，發(fā)現(xiàn)邏輯性,，形成概念,，抽象出原則？

面對這三個挑戰(zhàn),，如何進一步尋求突破呢,？我建議從實用的角度,，來發(fā)展知識和智能。如何通過從外部環(huán)境和我們自身的事實和現(xiàn)象中,，歸納抽象出概念和屬性,、及其關系和運行規(guī)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(fā)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(huán)境和有限的資源下達成目標,。我們要通過智能來認識環(huán)境、適應環(huán)境,，甚至改造環(huán)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(shù)據(jù)中提取概率分布來進行擬合和推演,，是實現(xiàn)智能的一種手段，除此之外,，我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(chuàng)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(xiàn)從部分到整體,，類似人類的感知系統(tǒng)；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(jiān)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(guī)劃,；Richard Sutton提出基于經驗的AI,，通過與環(huán)境的交互而獲取經驗，構建AI的目標和整個世界的狀態(tài),，使得智能體可以學會與環(huán)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(shù)理邏輯,。

圖靈獎教授Joseph Sifakis提出自主系統(tǒng)概念,。

我建議在這些思考的基礎上，發(fā)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(tài)感知融合與建模,，到“知識+數(shù)據(jù)”驅動的決策,，實現(xiàn)更高正確性與適應性的自主智能系統(tǒng)。感知與建模是對外部環(huán)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(shù)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(shù)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(huán)境交互試錯,，來找到解決辦法,。

希望未來的自主智能系統(tǒng)，更好地支持自動駕駛網(wǎng)絡,、自動駕駛汽車,、云服務等領域。

其次是發(fā)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(xù)提升智能計算的效率。

我和菲爾茲獎教授Laurent Lafforgue討論,，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(xiàn)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(shù)據(jù)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(wǎng)絡架構,，會不會比深度網(wǎng)絡更高效？

另外,，從實現(xiàn)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(shù)據(jù)，今后能不能拋開傳統(tǒng)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,？

接下來我和大家分享華為在AI領域所做的一些探索。首先是AI4Industry,，通過行業(yè)大模型促進價值創(chuàng)造,。我們在視覺、語言文字,、圖網(wǎng)絡,、多模態(tài)等專用L0基礎大模型之上，形成L1行業(yè)專用大模型,，來降低開發(fā)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(yè)化升級,，幫助電力、煤礦,、交通,、制造等重要行業(yè)，提升作業(yè)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(xiàn)瓦斯?jié)舛鹊某邦A警,、作業(yè)序列的風險防范、以及作業(yè)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(xiàn)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(xiàn)代化智聯(lián)。

圖源：觀察者網(wǎng)

另一方面,，AI4Science的發(fā)展也可以極大幫助提升科學研究的能力。

比如,，我們通過構造新型的,、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(shù)據(jù)中提取出全球氣象先驗知識,，代替?zhèn)鹘y(tǒng)科學計算的超大規(guī)模偏微分方程的時序求解，從而可以實現(xiàn)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,。在這兩張臺風軌跡圖中，藍色軌跡是歐洲中期天氣預報中心給出的預測,，實際路徑是黑色軌跡,，我們的預測的路徑是紅色軌跡，可以看出,，這個預測非常接近實際情況,。

再比如制藥領域，藥物靶點發(fā)現(xiàn)是藥物研發(fā)過程的關鍵問題,。傳統(tǒng)的分子對接計算方法效率高,，但是沒有考慮蛋白質的柔性，導致搜索空間小,，尋找到的靶點少,；而分子動力學模擬考慮了蛋白質的柔性，但是計算量非常大,。我們的專家與北大教授一起提出了基于元動力學的靶點發(fā)現(xiàn)和構象搜索算法,，加速小分子遍歷蛋白質的過程,，對同樣的構象搜索，傳統(tǒng)方法需要37天,，我們只需要6個小時,，提升了150倍效率。

在軟件編程上,，除了用傳統(tǒng)AI在大量已有代碼中進行檢索和推薦外,，我們也在發(fā)展科學的模型驅動和形式化方法。尤其是在大規(guī)模并行化的情況下,，很多處理是相互糾纏和前后關聯(lián)的,，我們探索出了一套名為Vsync的方法，實現(xiàn)了操作系統(tǒng)內核的自動化驗證和并發(fā)代碼優(yōu)化,，在提升性能的同時也確?？煽啃浴?015年Linux社區(qū)發(fā)現(xiàn)了一個很難的內存屏障Bug,，社區(qū)專家花了兩年多才修復,，而使用我們的Vsync方法，僅用20分鐘就發(fā)現(xiàn)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(qū),，對Kernel版本的補丁修改貢獻上,，我們在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。

圖源：觀察者網(wǎng)

我們也通過新的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(tǒng),、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(tài)爆炸問題和自動模型抽象問題,，增強形式驗證能力。

我們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(yè)界目前還不知道復雜度能降到什么程度,。兩個二進制數(shù)相加，可能面臨不確定次數(shù)的進位問題,，從而消耗大量的時間和能量,。早在一千多年前,，南北朝時期的《孫子算經》，南宋時期的《數(shù)書九章》中提到過余數(shù)定理,，現(xiàn)代數(shù)學家也在60多年前提出過將普通的數(shù)變換為MSD數(shù)來進行計算,，避免進位的發(fā)生，但是這個思想因為有一些實際問題而沒有被產業(yè)界接受,。我們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(xiàn)有的很多理論和技術已經遇到瓶頸,，難以支持未來的發(fā)展，因此我們積極推動科學假設與商業(yè)愿景牽引的創(chuàng)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,，我們首先要通過理論和技術的不斷突破,，來實現(xiàn)萬物智聯(lián)，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(fā)展，助力我們超越極限,，增強生命,，創(chuàng)造物質，控制能量,，跨越時空,，實現(xiàn)人類文明的進化。

我們將這些面向未來的思考放在黃大年茶思屋網(wǎng)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(chuàng)新，重構基礎理論,、重構架構,、重構軟件。同時我們也贊助青年學者,，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(zhàn)和方向,、贊助學生訓練營、激勵和培養(yǎng)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,。期待和大家一起應對挑戰(zhàn),，共同開創(chuàng)更美好的明天！

謝謝大家,！