機器之心釋出
聯想創投2020 ceo年會
近日，在聯想創投 2020 ceo 年會上，清華大學講席教授、智能産業研究院院長、美國藝術與科學院院士、百度前總裁張亞勤先生帶來了《未來科技趨勢展望》。
張亞勤表示，數字化的 3.0 時期已經到來，數字化的範圍已從内容、社交和企業服務領域向實體和生物世界進行延伸，将我們熟悉的城市、工廠、電網、家庭向智慧交通、工業網際網路、智慧醫療等方向進行更新，為了完成實體世界的「數字化」，資料需要更清晰地讓數字世界和現實世界一一對應，通過深度學習，計算機不斷加深着對于人類世界的認知。
随着資料的海量爆發，如何突破目前的算力，成為了一代又一代科學家攻克的關鍵，香農定律、馮諾依曼架構和摩爾定律奠定了傳統計算與通訊範式，如何突破已經接近極限的三種理論？張亞勤表示，需要通過對資訊的重新定義，制定新的計算範式、計算體系和通訊架構，而他們又給産業帶來了新的機會。為此，中國需要抓住機會，引領數字化的 3.0 時代和第四次工業革命浪潮。
清華大學講席教授、智能産業研究院院長、美國藝術與科學院院士、百度前總裁張亞勤發表演講
以下為張亞勤演講全文：
大家下午好！非常高興能夠來到聯想創投 ceo 年會，作為中國 it 的 icon，聯想 36 年曆經坎坷，也取得很多進展，尤其是聯想的「3s」戰略，和我今天要講的内容「智能技術趨勢」非常吻合。
數字化程序的演變與 3.0 時代的到來
回顧 it 産業 30 年發展曆程，最大的特征就是數字化。第一波數字化開始于 80 年代中期，也是聯想成立的時期。圍繞自然界的内容表述，數字化的範圍包括音樂、視訊、聲音、圖像等，算法和标準有 mp3/4、h.26、avs 等；随着 pc 的推出，又出現了 ppt、excel、word 文檔數字化。
第二波數字化開始于 90 年代中期，在内容數字化的基礎上加上網際網路、htdp、html 的産生，進而催生消費者網際網路，從早期的 pc 網站、門戶，到搜尋、電商、社交，再到後來的共享經濟、zoom 等視訊通訊、數字貨币和移動支付。從産品體驗和規模等方面來看，中國在移動網際網路時代下的消費互聯領域整體領先于世界。
與此同時，企業也在數字化方向不斷細化與革新，比如 erp、crm、hr、supply chain、bi、workflow 等管理系統的誕生。在雲領域，中國已在逐漸追趕基礎設施雲的建設，逐漸縮小與其他國家在規模效應上的差距。
我認為，中國軟體的發展跳過了以「軟體作為産品」的時代，直接進入以「軟體作為服務」的時代。網際網路本身就是「軟體作為服務」的一種符号，作為一種新軟體模式，我認為大量 saas 公司會在 5 年之後陸續出現，未來 saas 平台會有很大的機會。
現在，我們進入了數字化 3.0 時期，也即智能感覺時代，這個階段發生了兩方面轉變：一是實體世界的數字化，我也把它叫做「網際網路的實體化」——工廠、電網、機器，乃至所有移動裝置、家庭、城市都在向數字化發展。在這個過程中出現了相較于過去上千甚至上萬倍的海量資料，比如一輛無人車每天産生的資料量大約 5-10t；相比于資料主要提供給人員輔助決策的 1.0 和 2.0 時代，數字化 3.0 時期 99% 以上資料在機器間傳輸，到最後一環節才傳遞給人員。
第二個方面的轉變生物世界的數字化，人們的細胞結構、所有器官乃至整個身體都在數字化，整體數量級比實體世界大上千倍。從虛拟、宏觀到微觀，整個數字資訊世界、實體世界和生物世界正在走向融合。此外，「數字孿生」技術可以讓我們更加清晰地将實體世界和生物世界進行一一對應。
有了大資料之後，我們還要實作資料的結構化和智能化。在人工智能的 60 年發展過程中，有「冬天」也有「春天」。人工智能根據不同算法大緻分為兩類：一種是邏輯推理，是以知識為驅動的算法；另一種是以大資料為驅動的算法，兩者都運用到了人類大腦的基本認識、基本模型和決策模型。
過去十年裡最流行的深度學習，基本是以大資料、大計算、大模型算法來驅動，其中包括 alphago、alphazero。深度學習确在過去一段時間取得很好的進展，比如 gan、transfer learning，到現在的 gpt-3 等等。未來，深度學習還有很大發展空間，其算法需要結合符号邏輯、知識型推理和更多模型的因果關系和新的範式，目前對于産業來講，未來五至十年，深度學習還會是最重要的算法。
根據 google ai 負責人jeff dean 的觀點，人工智能的三大要素是資料、算法和算力，實際上是資料加上 100 倍的算力，并且算力比資料更重要 100 倍。這個觀點我不完全同意，但我同意在目前深度學習架構下，算力十分重要。
突破香農、馮諾依曼、摩爾瓶頸，推動算力發展
怎麼突破目前的算力？過去 60 年，傳統計算與通訊範式有三個重要原理：香農定律、馮諾依曼架構和摩爾定律。
香農定律，定義了熵、信道容量和失真情況下壓縮極限，目前，我們距離這三個極限已比較接近。馮諾依曼架構是指五個最基本子產品加上程式存儲原理，是圖靈意義下最好的一種實作，但它的瓶頸在于資料和計算的分離。在深度學習中，龐大資料量本身就會形成一個瓶頸。最後還有摩爾定律的限制。
如何突破這三個瓶頸？
首先，我們需要對資訊做一個重新的定義，制定新的計算範式。另外，進入網際網路時代，香農理論從點對點通訊延伸到多使用者資訊論，但真正的理論架構并沒有太大進步，是以需要更多理論層面的模型更新，否則深度學習就很難引入因果關系和模型。
目前，圖像視訊編碼技術的發展已經達到性能極限，如何用 ai 徹底、大幅度地進行改善也需要我們的思考。
此外，還需要新計算體系和通訊架構，創新傳感器類型。傳感器能夠擷取各種各樣的資料，是以非常重要。有觀點認為，人用「小資料」就可以做決策，但我認為大資料是機器的優勢，雖在決策方面與人相比稍有欠缺，但在擷取各種不同資料時比人更有優勢。
同時，需要新模态。深度學習需要的 tensor products、線性代數、布爾代數等要素在傳統的馮諾依曼架構下不易實作，通過研發 gpu、asic 等技術加速并徹底形成新架構成為了大趨勢。除了傳統的英特爾、amd，谷歌、百度、地平線、寒武紀等公司也在做這件事，在新架構産生之後，就會随之産生更多新算法、新模型、新型晶片，這将是一個非常大的機會。
這是一個我在百度啟動的項目：昆侖晶片，這是一個大型晶片，主要用于大型訓練，已經在百度部署。第一代昆侖晶片能在 150 瓦的功率下實作 260 tops 的處理能力。第二代昆侖晶片采用 7nm 先進工藝，相對于第一代晶片而言，性能提高了 3 倍。
核心基礎設施「abcd」帶來智能時代的颠覆性改變
計算、通訊、新架構、新算法，它們給産業帶來的新機遇，就像聯想的「3s 戰略」，在 it 行業不斷更新的背景下，為整個産業帶來了新機遇甚至是颠覆性的改變。
抓住新的行業機遇，我們正在面臨第四次工業革命，如果說前三次工業革命中國是旁觀者，但在這一次，中國有機會在很多方面成為引領者。
面向第四次工業革命，我們希望能夠打造成一個國際化、智能化和産業化的智能産業研究院（air）。我們有三個方式達到這個目标：最重要的是吸引一流人才，特别是擔任過 cto、研究院院長的人才，另外還要有深厚的學術背景和豐富的企業經驗；其次，研究院還要培養目前我們還比較缺乏的、具備深度大系統思維能力和頂層設計能力的 cto 和頂級架構師；最後，我們要打造核心技術并逐漸将其發展為公司。
目前，我們剛剛起步，除我之外，還有兩位聯合合夥人，一位是馬維英博士，他是電氣電子工程師學會院士，位元組跳動副總裁、人工智能實驗室主任，也是微軟亞洲研究院前常務副院長；另一位是趙峰博士，他也是電氣電子工程師學會院士，還是前海爾集團 cto、副總裁，全球 lot 教科書編寫者。這兩位聯合合夥人非常符合我剛才的描述，不僅發表很多學術文章，同時又有豐富的産業經驗。
我們聚焦于三個研究領域：智慧交通、工業網際網路、智慧醫療。我認為，智慧交通能夠為整個社會和産業帶來巨大的影響，作為未來 5-10 年最有挑戰的技術，無人駕駛還能夠通過狹義的人工智能解決自身的難題。我們還聚焦工業網際網路、iot、智能感覺，因為他們是數字世界和實體世界的接口；在我們看來，ai 在未來十年還可以深層次地改變整個醫療健康産業，不局限于 ai 機器人針對病人和醫護人員的協助性工作，還包括制藥、蛋白質結構預測等，實作以上三領域的發展都需要基礎設施「abcd」，即 ai、big data、cloud、device，以及學者對基礎科學研究的支援。
在 air，我們采用完全開放的模式，希望和整個産業有多種形式的合作，比如聯合實驗室、聯合科研項目、共同孵化項目，我們也希望能夠通過這個機會認識更多創業者，讓大家更了解 air，大家齊力建構更大的生态圈。