编者按：在第二届中国人力资源智能化论坛上，清华大学智能产业研究院院长张亚勤以《智能计算新趋势》为题做了主旨发言。以下为演讲实录：

张亚勤：目前全球局势虽然复杂多变，但中国经济继续表现强劲，特别是中国智能产业目前保持了28%的增长，其背后的重要因素就是人才和技术。那么智能计算的未来趋势如何发展?

1 新一轮数字化是翻天覆地之变

当然，人工智能是影响最大的领域之一，除此之外有三大行业也影响巨大，即生命科学、绿色计算和自动驾驶。

过去三十年最重要的就是数字化，而我们进入的新一轮数字化是3.0时代，就是说物理世界在全方位数字化，如汽车、道路、交通灯、城市发展、工厂，甚至是家庭(电网)等都在数字化。

同样，生物世界也在数字化，例如大脑、器官、DNA、蛋白质、细胞等，以及基因组学、蛋白质组学、转录组学、代谢组学，都是数字化的表征。

新一轮的数字化和前两轮数字化大相径庭：

第一轮数字化是内容的数字化，比如图像、视频、声音、音乐等，都是自然的内容。

第二轮数字化是企业的数字化，即信息化。

第三轮数字化不同之处在于，第一是数据规模天文级的指数型上升，比如无人驾驶每天的数据量是3-5(T)，基因测序的数据量是3T，而蛋白质三维结构的数据量有10的300次方左右数量级，所以数据量比起图像数字化或企业ERP、HR等都是天文级的。第二是现在的数据主要是给机器做决策的，不是给人做决策的，所以这是很大的不同。

美国学者尼葛洛庞帝(Nicholas Negroponte)在1996年出版的《数字化生存》一书中提出，“我们的内容在数字化，所以原先是从原子到比特，(原子是物理世界的单位，比特是信息世界的单位)，现在我们又从比特回到了原子。”其实比特世界和原子、分子世界在相互映射，这就是数字孪生的概念。

同样，人工智能过去六十年也经历了很多变革，曾经历过两次寒冬。但现在人工智能处于新的黄金时代，其中最重要的就是数字化和大数据。而最早的人工智能是知识，以当时的符号、逻辑和推理为起点的知识，但仅仅知识是不够的，所以就出现了很多问题。

到了专家系统的发展阶段，包括现在的深度学习(机器学习)，其实都是以数据驱动为中心的。如果是知识和数据相结合，那么人工智能的3.0也好，4.0也好，就都是新的发展趋势。

2 是时候需要新算法和新架构了

深度学习的十年，的确改变了很多技术和产业：

感知：语音识别、人脸识别，包括物体识别和分类(即感知层基本达到人类的水平)。

认知：如对语言的理解、视频的理解、内容的理解，包括翻译、知识图谱等，还是与人类有一定距离。

挑战：主要包括隐私安全、数据保护、治理、伦理和法规，以及透明性和可解析等。整体来讲，人工智能自己不应该有伦理体系，其价值观、伦理体系也不必追随人类。

深度学习主要包括：一是需要大量的数据，二是需要算法方面的演进，三是需要算力。其中，算力的要求基本上超越摩尔定律，可能每年是10倍的增长。

我不完全同意Jeff Dean和Google Fellow所说的数据要加上100倍的算力。算力的确十分重要，全区唯一标识磁盘分区表(GPT)从1、2发展到3，如今有上千亿的参数，可以处理上万台的图形处理器(GPU)。

这在中国应用场景中需要更大的模型来运行，包括鹏程盘古、致远悟道、浪潮1.0等，包括微软地图，基本都比GPT 3的模型大差不多10倍左右的数量级，所以需要更多的数据和计算。

而计算必须要突破这些限制，过去有三大定律在制约着整个产业的发展，即相同定律、冯诺依曼架构和摩尔定律。那么现在都需要去突破，实现人工智能进一步发展，所以需要用到新的架构，比如新的感知，包括激光雷达、3D结构传感器、光传感、生物传感。

由于现在新的算法增加，所以架构需要改变。特别是冯诺依曼架构已经不再适用大部分场景，这需要更多异构的计算，也需要大量吸收举证的算法。所以现在出现的芯片，都有加速器，比如专用AI芯片的AC加速器。

过去不做芯片的公司也开始做芯片了，比如百度昆仑、谷歌TPU等，为什么?

因为这些互联网企业有大量的人工智能应用场景，以及工作流，所以需要有很强的算力，而芯片比传统的GPU甚至IPG的性能好十倍、百倍，甚至是千倍，因此芯片行业的发展目前一片繁荣。

长期来看，我们需要新的计算范式，目前就有很多研究，例如类脑计算、量子计算、光计算和生物计算。

同样，计算的架构也在变化。早期的大型机是完全中央处理，所有的计算和数据全部在IBM大型机中运作，直到PC机出现后才完全分布处理，到了云计算时代又开始集中处理，而现在又走向分布式处理，这就是云+边+端的协同智能。预计在未来五年左右，95%以上的智能和计算都在边缘端，而不在云端。

3 生物世界的数字化和智能化

首先影响最大的可能是生命科学和医学，就是生物世界快速的数字化，产生天文级的组学数据。另外一个趋势是整个生物实验可以自动化运行，这是新的实验范式，即拿到样本后在机器上做实验，做完实验后得到数据再用人工智能的算法来进行计算。

还有AI科学计算，刚才讲过人工智能是数据驱动的，但在生物科学等很多地方其实是有科学原理的，包括量子层面也有确定的方程式。

第一，人工智能对基因编辑的加速发展。包括gRNA、Cas9和递送系统的设计与优化，疾病治疗靶点发现，精准基因编辑治疗等。

第二，在抗体、TCR、个性化疫苗方面快速发展。此领域的AI算法完全改变了过去发明药物的方法论。传统意义上的发明药物一般需要至少三年，然后做测试、临床，最后到批准需要很长的周期，但新药的发明周期大大缩短到3-6个月，甚至更短。

当然，其中也有很大的挑战，就是做计算机、做人工智能的人，如何与做生命科学的人有共同的语言?所以我们现在做的一件事就是AI for life science，即破壁计划。如何把两个行业打通?其实定义一个好的问题、学习任务、数据集和最佳实践是能具体操作的，包括基础设施、芯片架构、数据平台，以及人工智能的算法引擎。

从一维序列到三维结构本身就是一个科学问题。同样，比如我们每年解析出蛋白质后，其数据集就越来越多，可参考和研究的样本量就越来越多。所以一个好的科学问题，加上数据量的不断增加，以及新的人工智能算法不断推出，相互融合后的准确度就会不断增加。

现在我们处在后AlphaFold2时代，但也是AI和大分子制药的黄金时代，现在科研大部分都在小分子阶段，像TCL最近有许多新的研究进展，包括抗体抗原的发现，还有干湿融合等等。

4 AI + IoT助力“碳中和”

其次影响最大的领域是绿色计算。现在的气候、能源都面临巨大的挑战，原先从煤炭时代到油气时代，现在要进入碳中和时代，所以这就是中国持续发展的必然选择。

但同时也是整个产业结构调整的大机遇，尤其人工智能在其中还有很多可助力的地方，主要有三个方面：

首先是智能感知，即多源多维异构感知融合。

然后是智能决策，即数据驱动+AI优化引擎。

最后是配置优化，即多参数全链系统配置优化。

在能源融合方面，其实有很多物联网(IoT)感知应用场景，包括从发电(火电、核电、水电、风电或太阳能)融合到主电网里，如何储能?以及对碳排放的监测、智能机组控制优化、智能载荷感知、智能负荷预测、智能调峰与调度均衡、线网故障检测及预警、用电系统节能优化等，都有很多作用。

计算机和通信这两大行业的碳排放要降下来，大数据中心其实是一个很大的排放源。到2035年，中国数据中心的排放耗电量就是4500亿度。另外是通讯行业，5G虽然是特别好的一项通信技术，但缺点是功耗比较高，因为基站多的原因，要把功耗逐步降下来。还有就是人工智能算法本身的运算也在排放，通过NAS训练Transformer(big)模型将产生约284吨二氧化碳的排放，所以也要降下来。

随着更多的数据、更好的算法出现，排放量一定会减得更多。

5 自动驾驶是人工智能集大成者

第三影响最大的领域是自动驾驶。百度的自动驾驶产业目前是最大的开放平台，也是技术方面最先进的平台。

为什么要关注自动驾驶?

自动驾驶最重要的是解决安全问题，比无人驾驶之后的安全程度至少会提高10倍，否则不能上路，现在90%以上的交通事故是人为的，而人工智能可以避免这些事故的发生。

自动驾驶未来是大产业，在未来10年会有万亿美金的投资新机遇，对科技工作者来讲也是一次技术方面的挑战。

自动驾驶融合了很多方面的技术，包括环境感知、决策控制、虚拟仿真、高精地图、高精定位、车载系统、车载硬件、智能互联、人机交互和系统安全。

当然，自动驾驶有很多关键问题，有技术性的也有非技术性的，有市场性的也有非市场性的。在技术方面，自动驾驶等级在L4、L5级时是无人驾驶的，L4以下还是有人驾驶的等级，自动驾驶到底是否可以实现?答案是一定可以实现。其中，自动驾驶是以视觉为主，通过各种各样的传感器进行道路判断，比如激光雷达可以根据人工智能来判断是否需要。

在路线图方面，到底是单车智能为主还是车路协同?是需要渐进式还是需要跳跃式L4+?简单来讲，自动驾驶等于模拟人类的大脑感知、认知、决策和执行等，而且还要实时安全。

所以要从一开始去采集各种各样的数据，然后有视觉的感知、激光雷达感知，以及有动态或静态的定位系统，最后很好、很快、很安全的融合在一起做决策，决策后再回到角色进行驾驶，驾驶后回到云端平台，其中有仿真的、有数据的各种车辆的平台，最后又回去做采集数据的工作。

其实人们在开车时构建出一个三维实时的模型，如果算上时间是四维，这需要驾驶员去预测Dealt T值，即碰撞的概率，所以驾驶车辆本身是很复杂的行为。

视觉也可以做到无人驾驶，但本身的安全性和稳定性会有限制。比如用激光雷达后，会出现一个新的维度，驾驶时可以直接感受到三维立体的信息，包括车辆方位、速度，以及驾驶员位置等，主动信息和深度信息相结合才是最佳结果。

当然，单车智能或车路协同，本身一定是智能的，有了更多道路信息，无人驾驶才会开的更好。

比如无人驾驶车辆正常行驶中偶遇救护车，如果是单车智能的话，就无法准确避让，但如果道路或路灯中有摄像头，那车辆的激光雷达就可以掌握救护车的信息，两组信息相融合后就会增加安全性。

我们现在的研究为的是把智能发挥到极致，当然这一前提是要找到厉害的人和正确的人。当年我和李开复一起组建微软亚洲研究院，其中80%的工作就是在找人，现在仍然是在找人。

所以现在我们的确处在一个黄金时代，第一次工业革命是蒸汽时代，第二次工业革命是电气时代，第三次工业革命是信息时代，而前三次中国所扮演的角色虽然不同，但基本都是旁观者或跟随者。

第四次工业革命是智能时代，而且智能将成为技术的引擎。中国研发的投入、经济的体量、政策的优势等，都可以让我们成为第四次工业革命的领军者。