智能计算新进展、挑战与未来：9位院士12位专家联合撰文

2023年1月，一篇由海内外9位院士及12位专家联合署名的长篇综述论文，发表在Science合作期刊《Intelligent Computing》上。这篇论文系统梳理了智能计算的理论基础、技术融合、关键应用，也直面了这个领域面临的重大挑战和未来走向。对于关注计算前沿的人来说，这篇文章基本上可以当作一份全景式的参考地图来读。今天，我们就来拆解一下这篇论文的核心内容。

1 简介

人类社会正在经历一场深刻的转型——从信息社会迈向智能社会，而计算，已经成为驱动这一切向前发展的核心引擎。在万物互联的数字文明时代，传统那种基于数据的计算模式，已经远远跟不上人类对更高智能的追求了。

最近这些年，计算和信息技术发展得像坐了火箭一样快。深度学习的爆发式成功，让AI站上了探索机器智能的最前沿。从Yann LeCun提出的卷积神经网络，到Yoshua Bengio在因果推理领域的探索，一系列突破性的成果相继涌现。

2016年3月，DeepMind的AlphaGo与围棋世界冠军李世石那场对决，堪称一个标志性事件。那场人机大战以AI的压倒性胜利收场，也成了将整个AI浪潮推向新高度的催化剂。

另一个重要的推动力，来自大型预训练模型。这些模型已经开始广泛应用于自然语言处理和图像识别领域，借助迁移学习来处理各种不同的任务。最典型的例子就是GPT-3，它向世人证明：模型结构越复杂、参数规模越大，深度学习的性能天花板就越高。

说到计算能力，这始终是支撑智能计算的关键一环。面对信息社会里海量的数据源、异构的硬件配置和不断变化的需求，智能计算主要通过垂直和水平两种架构来满足算力要求。垂直架构的核心是同质化的计算基础设施，通过引入智能方法提升资源利用效率；而水平架构则更侧重于协调和调度异构的、广域的计算资源，让协作计算的效果最大化。一个很经典的案例是：2020年4月，为了应对全球COVID-19研究的计算需求，Folding@home在三周内联合了40万名计算志愿者，实现了2.5 Exaflops的计算量，这已经超过了当时世界上任何一台超级计算机。

不过，尽管在智能和计算两个领域都取得了巨大成就，我们面临的挑战依然严峻：

智能方面的挑战。目前基于深度学习的AI，在可解释性、通用性、可进化性和自主性上都还有明显的短板。跟人类智能比起来，大多数AI技术的能力还很“弱”，只能在特定领域或任务中发挥作用。想要从数据驱动的智能，升级为更丰富的智能形态——比如感知智能、认知智能、自主智能甚至人机融合智能——在理论和技术上都是巨大的难题。

计算方面的挑战。数字化浪潮带来了应用、连接、终端、用户和数据量的空前增长，这些都对计算能力提出了前所未有的要求。要满足这种指数级的增长，难度越来越大。智能社会中的巨型任务，往往依赖于多种特定计算资源的高效组合。更麻烦的是，传统的硬件架构已经很难适配智能算法，反过来制约了软件的发展。

到现在为止，智能计算还没有一个被普遍接受的定义。考虑到人类社会空间、物理空间和信息空间这三个基本世界正在日益紧密地融合，我们从解决复杂科学和社会问题的角度，可以给出一个新的定义：智能计算，是支撑万物互联的数字文明时代中，新的计算理论方法、架构体系和技术能力的总称。它的目标是：根据具体的实际需求，以最小的代价完成计算任务，匹配最合适的算力，调用最优的算法，获得最好的结果。这个定义本质上是为了响应“人、物理世界、信息空间”三元融合所催生出的巨大计算需求。它强调以人为本，追求高算力、高能效、智能和安全，最终目的是提供通用、高效、安全、自主、可靠、透明的计算服务，去支撑大规模、复杂的计算任务。下面这张图展示了智能计算的整体理论框架，可以看作是支撑三元空间集成的计算范式总览。

图1：基于人类社会空间、物理空间和信息空间融合的智能计算总览

2 智能计算基础

智能计算的底层逻辑，离不开三大基本要素：人的智能、机器的能力，以及由万物构成的物理世界。

在这个理论框架里，人是核心，也是智慧的源泉，代表着一种原始、与生俱来的智能，论文里称之为“元智能”。

元智能包括人类的高级能力——理解、表达、抽象、推理、创造和反思，其中也包含了人类积累下来的知识。它以碳基生命为载体，是经过百万年进化才形成的，具体包括生物具身智能、脑智能（尤其是人脑）和群体智能。说到底，所有智能系统都是人类设计和建造的。所以，在智能计算的理论体系里，人类的智慧是源头，计算机只是人类智能的“放大器”。

与之对应，我们把计算机的智能称为“通用智能”。

通用智能代表计算机解决复杂问题的能力，它以硅基设施为载体，由个体和群体计算设备产生。生物智能可以在四个层次上“移植”到计算机上：数据智能、感知智能、认知智能和自主智能。元智能和通用智能的关系，可以看看下面这张图。

图2：元智能和通用智能

智能计算面临的挑战，可以总结为大场景、大数据、大问题和泛在需求。算法模型越来越复杂，对算力的需求也越来越高。目前来看，计算资源甚至已经成为提升计算机智能水平的瓶颈。随着智能算法的发展，那些拥有丰富计算资源的机构，很容易形成技术垄断。经典的超级计算机已经难以满足AI对算力的需求了。

虽然通过算法优化可以在一定程度上降低算力需求，但这治标不治本。要从根子上解决问题，还得从架构、加速模块、集成模式、软件栈等多个维度进行系统性优化。具体可以参考图3。

图3：智能计算的计算能力

从理论和技术上看，智能计算有几个鲜明的特点（如图4所示）：理论上的自学习和可进化性；架构上的高算力和高能效；系统方法上的安全性和可靠性；运行机制上的自动化和精确性；服务性上的协作和泛在性。

智能计算包含两个本质方面：智能和计算，两者相辅相成。

一方面，智能技术推动了计算技术的发展；另一方面，计算能力又是智能的基础。我们把“用高级智能技术提升计算系统性能”的范式，叫作“智能驱动的计算”；而把“用高效、强大的计算技术支撑计算机智能发展”的范式，叫作“面向智能的计算”。这两种基本范式，从计算能力、能源效率、数据使用、知识表达和算法能力五个方面进行创新，最终目标是实现泛在、透明、可靠、实时、自动化的服务。

图4：智能计算的特征

3 智能驱动的计算

如何让计算更具普适性，是智能计算的一个关键目标。现实场景中的问题——比如模拟、图计算（图5）等等——本身就要求进行各种不同类型的计算。另一个关键点，是如何提高计算本身的智能化水平。我们常说，要向自然界的智能生物学习，计算领域也不例外。像人工神经网络（图6）、模糊系统和进化计算这三大经典智能方法，最初都是从生物智能中受到启发的。当然，智能计算的理论远不止这些，它的目标是要实现更高程度的泛在化和智能化。

图5：图计算的技术架构

图6：典型神经元的结构和人工神经元的结构

智能系统在开始工作之前，首先要进行智能感知。可以说，感知智能是所有智能系统的基石。它的研究重点集中在哪里？多模态感知、数据融合、智能信号提取和处理。

这方面的应用场景非常丰富，典型的例子包括智慧城市管理、自动潜水系统、智能防御系统和自主机器人。感知智能研究中最热门的领域，莫过于模仿人类的五种感觉——视觉、听觉、嗅觉、味觉和触觉。当然，智能感知远不止这些，还包括温度、压力、湿度、高度、速度、重力等物理量的感知，这些都需要大量的计算或数据训练来提升性能。

近年来，随着模式识别和深度学习技术的全面应用，机器的感知智能在很多方面已经超越了人类，在语音、视觉和触觉识别上取得了重大突破。智能传感器也因其日益重要的地位而受到广泛关注。如图7所示，智能传感器形态各异，以满足不同应用的需求，而且在不断迭代升级。

图7：工业中需要连接到物联网的各种传感器类型

认知智能就不一样了。它是指机器像人一样拥有逻辑理解和认知能力，特别是思考、理解、总结和主动应用知识的能力。它描述的是智能体在真实环境中处理复杂事实和情况的能力。如果说数据识别是感知智能的核心，那么认知智能就更进一步——它需要理解数据元素之间的关系，分析结构化数据中的逻辑，并根据提炼出来的知识做出相应的决策。

认知智能计算研究的主要方向，包括机器的自然语言处理、因果推理和知识推理（图8）。通过对人脑神经生物学过程和认知机制的启发式研究，可以逐步提升机器的认知水平，让它获得理解、决策、洞察和发现的能力。

图8：知识推理概述

从被动输出到主动创造，机器要想迈出这一步，有两个关键要素：一是强泛化模型，二是与外部环境的持续交互。自主智能的发展路径，大致是从学习单一任务开始，然后举一反三，逐步过渡到与环境动态交互的主动学习，最终实现自我进化的高级智能。目前，研究者们正在通过迁移学习、元学习和自主学习等技术，寻找通往自主智能的可行路径。不过，实话实说，尽管在数据智能、感知智能、认知智能和自主智能这四个层次上都取得了不少进展，但仅靠计算或统计模型，还是很难从极其复杂的场景中实现完全的智能。在这样复杂的场景中，人类仍然需要在解决问题和决策中扮演不可或缺的角色。未来的方向，将是聚焦于人机交互、人机融合和脑机接口等技术。

4 面向智能的计算

AI领域的突破之所以层出不穷，很大程度上要归功于计算能力的持续增长。当然，新的思想或革命性理论也是重要推手。通常，最先进的大模型往往依赖于更大的神经网络和更强大的处理系统。

OpenAI的研究人员在2018年做过一项有意思的研究，他们追踪了基于计算能力的最大模型的增长情况。通过分析AI研究史上一些最著名模型所需的计算量，他们发现了两个截然不同的趋势：

在2012年之前，开发突破性模型所需的计算能力，其增长速度大致与摩尔定律相当。也就是说，单个微芯片的计算能力大约每两年翻一番。但2012年AlexNet的发布，彻底改变了局面。它像一剂强心针，刺激了顶级模型对计算需求的急剧膨胀。从2012年到2018年，这种需求每3到4个月就翻一番（如图9所示）。

图9：过去十年计算能力需求的增长大大超过宏观趋势

当摩尔定律开始失效后，超大规模算力的获取，主要依赖于海量计算、内存和存储资源的并行叠加。举个例子，高性能计算就是把大量计算机快速联网，构成一个“集群”进行密集计算，让用户能够比传统计算机更快地处理海量数据，从而获得更深入的洞察力。再加上云计算的普及（图10），用户现在还可以选择扩展高性能计算程序的容量，进一步突破算力瓶颈。

图10：云、雾和边缘计算的表示

推进智能计算架构创新的目标，包括更高效的能源管理、更低的功耗、更便宜的芯片成本，以及更快的错误检测和纠正。当遇到某些CPU无法高效执行的AI操作时，AI翻跟斗可以显著减少训练和执行时间。从短期来看，翻跟斗的架构专业化将是维持计算能力增长的最有效方式。图11展示了一些已公开发布的AI翻跟斗和处理器的峰值性能与功耗对比。

另外，内存计算（图12）也是个非常有前景的方案。它让内存单元可以直接执行原始逻辑操作，无需与处理器频繁交互，这恰好弥补了内存和处理器之间不断扩大的速度差距。

图11：公开发布的AI翻跟斗和处理器的峰值性能与功耗散点图

图12：计算的三种概念方法：（a）传统数字计算，（b）近内存阵列计算（NMAC）和（c）内存阵列计算（IMAC）

复杂性是传统计算机进一步发展的主要瓶颈。现在那些高度复杂的AI模型，比如深度神经网络，在边缘设备中仍然很难普遍使用。原因就在于运行这些模型所需的高级GPU和翻跟斗，面临着功率和带宽的瓶颈，导致处理时间长、架构设计繁琐。

正是为了解决这些问题，研究人员开始探索新的计算模式，主要包括：

量子计算（图13）。依靠量子纠缠等非经典相关性带来的量子优势，可以在许多复杂计算问题中实现指数级的加速。

神经形态计算（图14）。它的构造和操作方式深受大脑神经元和突触的启发，最大的优势就是能源效率极高。神经形态计算是事件驱动且高度并行化的，这意味着每次只有一小部分系统在同时工作，所以功耗非常小。

光子计算（图15）。与电神经网络相比，光子计算具有超高带宽、快速计算速度和高并行性等优势。这些都是通过使用光子硬件加速来计算复杂的矩阵向量乘法来实现的。

生物计算（图16）。它是利用生物系统固有的信息处理机制发展起来的一种新计算模型，主要包括蛋白质计算机、RNA计算机和DNA计算机，优点在于并行和分布式计算能力强，功耗低。

图13：显示复杂性等级之间关系的图表（a）以及用于识别和评估可能的量子优势的流程图（b）

图14：传统计算系统和类脑计算系统的结构

图15：深度神经网络，包括传统网络和电子光子网络

图16：生物计算可能提供优于传统计算机的性能

5 智能计算的应用

如果科学想要跟上当前快速发展的步伐，变革就成了必然。而正在进行的这场计算机革命，正以前所未有的方式推动着科学发现的进步。

几十年来，计算材料（图17）一直是研究材料特性和设计新材料的有力手段。但材料的复杂性也给它带来了不少挑战——很多原子、离子的力场和相互作用电位缺失；分子动力学模拟中面临不同的热力学相；优化材料成分和工艺参数时，搜索空间又过于庞大。作为一种新的研究范式，将AI集成到计算材料领域，可以说是对传统方法的一场革命，并且已经在大跨度、多尺度、多物理场的耦合计算上取得了巨大成功。

图17：材料/分子科学范式的比较

天文学，作为最古老的观测科学之一，历史上就积累了海量数据。而望远镜技术的突破，更是让数据量爆炸式增长。天文学和天体物理学领域，本来就以数据丰富著称，再加上各种大口径的地面望远镜、即将推出的大型巡天望远镜和天基望远镜，数据收集变得更加高效，甚至高度自动化了。这也就意味着，我们需要更高效的数据分析手段，智能计算技术正好派上了用场。

药物设计同样从AI中获益良多（图18）。AI可以帮助科学家建立蛋白质的3D结构、模拟药物与蛋白质之间的化学反应，甚至预测药物的功效。在药理学中，AI可以用于创建靶向化合物和多靶点药物。利用AI还能设计合成路线、预测反应产率，并理解化学反应背后的机制。AI让重新利用现有药物来治疗新的适应症变得更容易了。此外，在识别不良反应、测定生物活性和获得药物筛选结果方面，AI也扮演着至关重要的角色。

图18：不同的基于深度学习的药物-靶点相互作用预测算法对应不同的输入特征。（a）基于配体的方法，（b）基于结构的方法，和（c）基于关系的方法

在大数据和AI技术的推动下，作物育种也开始了一场融合与突破（图19）。AI技术可以支持服务创建、模型识别，甚至在农业应用和供应链的决策过程中发挥作用。AI在农业中的核心目标，是准确预测结果并提高产量，同时最大限度地减少资源消耗。通过AI工具提供的算法，可以评估产量，预测难以预见的问题或事件，以及未来的发展趋势。从播种到收获再到销售，AI正在重塑整个农业价值链。

图19：大数据与AI在植物育种中的结合

智能计算正在加速社会的转型，并引发经济和社会秩序的变革。技术的进步正在深刻改变商品和劳动力市场，一个数字社会正在逐渐成形（图20）。AI应该成为数字经济中每一个数据驱动战略的核心，工业4.0也不例外。比如，AI可以应用于预测性维护——通过分析来自生产线或运营线的传感器数据，帮助降低运营费用或停机时间。再比如，AI可以应用于城市治理，开发新策略和方法，让城市变得更“智慧”。智慧城市治理的目标，是利用最先进的信息技术来同步数据、程序、权限等，从而造福城市居民，主要涉及四个方面：智慧决策、智慧城市治理、智慧行政和智慧城市合作。

图20：数字社会的组成部分

6 展望

从新兴产业生态的角度来看，智能计算产业依然面临着一系列挑战，而这些挑战也将决定它未来的走向。

第一，与传统计算理论相比，智能计算是语言和生物学驱动的计算范式的应用与发展。这意味着机器可以根据不同场景，模仿人脑解决问题和决策的能力。但这里有一个根本性的问题：硅基和碳基运算的逻辑存在本质差异，而大脑智能的运行机制目前仍有很多未解之谜。智能计算下一步要做的事情，是通过深入探索类人智能的基本要素，弄清它们在宏观层面的相互作用机制，以及在微观层面上支撑不确定性生成的计算理论，来进行一次彻底的变革。

第二，探索人类如何学习，并将其应用于AI研究，具有非常重要的意义。知识驱动的机器智能，可以从人类活动中学习，模仿人脑的决策能力，让机器能够像人一样感知、识别、思考、学习和协作。这条路需要探索多知识驱动的知识推理和持续学习的理论及关键技术，最终让智能系统拥有类人的学习、感知、表示和决策能力，逐步推动智能计算从数据驱动向知识驱动演进。

第三，软硬件适配面临着巨大的挑战，比如精度损失、调用困难、协作效率低下等问题。未来的计算机，必须突破冯·诺依曼体系结构下固定的输入和处理范式，大力发展交叉学科的智能计算和仿生学。我们需要从算法层面进行设计，突破现有架构的局限，以更低的计算和硬件设计成本，尝试更灵活、更人性化的数据处理方式。此外，开发高性能、低能耗的新型组件设计方案，提升软件和硬件的计算能力与效率，以满足智能计算应用日益增长的需求，同样至关重要。

第四，智能计算的理论技术架构本身就是一个复杂的系统，包含多个与其他学科相互作用的子系统。系统中的各种硬件，需要更复杂的系统设计、更好的优化技术，以及更大的系统调优成本。高维计算理论复杂性的缺乏，是目前大规模计算系统面临的一个主要挑战。

7 结论

我们现在正站在人类发展的第四次浪潮的潮头，正处于一个关键转型期——从信息社会迈向一个“人类社会-物理世界-信息空间”三者深度融合的智能社会。在这个转变过程中，计算技术本身也在经历着变革，甚至是碘伏性的变化。

智能计算，被认为是未来计算的发展方向。它既不是单纯的“面向智能的计算”，也不是“智能驱动的计算”，而是两者的融合与升华。它的目标是提供通用、高效、安全、自主、可靠、透明的计算服务，去支撑当今智能社会中大规模、复杂的计算任务。

这篇文章全面回顾了智能计算的理论基础、智能与计算的技术融合、重要应用、面临的挑战和未来的发展方向。希望它能作为一份系统性的参考，为研究人员和从业者提供有价值的指引，并推动智能计算领域未来的理论和技术创新。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：智能计算新进展、挑战与未来：9位院士12位专家联合撰文要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题