第六屆虹橋國際經(jīng)濟論壇“智能科技與未來產(chǎn)業(yè)發(fā)展”分論壇

11月5日，第六届虹桥国际经济论坛“智能科技与未来产业发展”分论坛在上海举行。论坛围绕以人工智能、信息技术为代表的战略性新兴科技发展前沿，探讨通用人工智能、脑科学与类脑智能等未来产业前瞻布局的发展机遇与现实挑战，促进创新要素更大范围、更便利地跨境流动，加快形成新质生产力，增强发展新动能，支撑建设人类命运共同体。

2021年图灵奖获得者、美国田纳西大学电气工程和计算机科学系教授 杰克·唐加拉：
我叫杰克·唐加拉，是田纳西大学的教授，也是2021年图灵奖获得者，首先，我要感谢虹桥国际经济论坛秘书处的盛情邀请。
今天我们来谈谈高性能计算以及人工智能和机器学习的重要性。
我先谈谈智能技术，智能技术存在于各个领域，它连接了理论、技术研究和工业应用，实现了成本效益的智能技术进步，而工业发展则是个复杂的多层面过程，它涉及合作、细致规划与系统化方法，要注意的是，灵活性、适应能力，以及合作思维是这一充满活力的领域能够成功的关键所在。对未来几十年间智能技术和产业发展的理想愿景而言，技术进步、经济增长、社会效益和责任管理将会和谐地融为一体。智能技术发展迅速，要实现这样的智能技术和未来产业愿景，需要政策制定者、研究人员和科技公司在内的所有相关利益者共同努力，它要求在创新和道德考量之间取得平衡，特别是注重社会和地球的长远利益。合作、适应能力以及致力于负责任的发展是实现这一愿景的关键。（殷立勤/摄）

杰克·唐加拉：
我想接着谈谈模拟作为科学第三大支柱的想法，我们有三大支柱，前两个支柱是理论与实验，在理论方面，我们用纸笔进行计算，有了实验，我们能真正构建一些东西，或许能验证理论，而其中的一些验证结果也许又会对理论本身进行修正，因此，我们会有多年来一直沿用的实验理论，并通过科学过程开展实验。如今，我们正利用模拟来增强这两个非常重要的领域的价值。我们有了理论、实验和计算机模拟，它们是当今科学的三大支柱。
有时建造大型设备很困难，我们希望能用模拟来代替，有时候开展实验成本太高，我们可以用计算机实现，而成本则会降低很多，比如说，设计一辆车使其有很好的防撞系数，我们可以在计算机上完成这项工作，不必浪费大量汽车去进行碰撞实验。有时候这样做进度很慢，如果我们想让两个星系相撞，那是我们无法在实验室里完成的实验，有时候我们必须在计算机上进行模拟，因为有些实验太危险，比如说测试核武器，我们可以在计算机上模拟而不是真的去试验。

杰克·唐加拉：
因此这是三大支柱，第三大支柱模拟通常在计算机上完成，有些计算机性能到达了极限，我们不得不求助于高性能计算或超级计算机。通常来说，我们的超级计算机是由一块简单的芯片和一个通用处理器组成，我们使用这个简单的通用多核处理器，然后进行计算。当然，我们并不满足于单块芯片，我们考虑把芯片放在计算机主板上，我们在主板上配置了多块芯片，并考虑使用被称作GPU图形处理单元的技术来增强它的性能，因此，这些GPU旨在帮助提升通用芯片的性能，通过GPU减轻计算压力，GPU执行这些计算的速度非常快。将结果返回中央处理器并继续进行计算处理，我们现在要把主板放到机架上，机架上有很多主板，这样一个计算机机柜成为了我们超级计算机的一个单元，我们尝试把这个单元复制多个，填满整个房子。试想下两个网球场摆满这些计算机机柜。

杰克·唐加拉：
计算机芯片和图形处理单元连接在一起用于传输信息，在这个设备上进行非常重要的计算，设备占地约有两个网球场的大小，面积非常大，结构非常复杂。在进行计算时需要大量的电，大约需要20兆瓦的电力。我们如今拥有的最快计算机是以浮点运算来进行衡量的，最快的计算机能够进行ExaFLOP级（百亿亿次）的计算，我们提出了一个浮点运算指标，这是64位操作数的加法或乘法，那么ExaFLOP是指每秒百亿亿次浮点运算，计算机需要每秒进行10位至18位的浮点计算。如果我们从地球上人口的角度来考察这一计算量，相当于我们让地球上的每个人每秒进行一次计算，这样的计算方式需要花费四年，才能完成一次ExaFLOP计算，这就是超级计算机在一秒钟内所能完成的计算量，非常强大的计算能力。

杰克·唐加拉：
我们有顶级计算机的排名，我举了前十大超级计算机，排名第一的超级计算机由橡树岭国家实验室研制，它叫做Frontier，计算机由惠普公司制造，它有860万个内核，即860万个处理器，执行率达到1.19 ExaFLOP，这相当于理论峰值性能的71%，达到这个算力所需的功率约为23千兆瓦，这台机器性能非常强大。
我们从这个前10列表发现，美国研发的计算机占据了五席，日本占据一席，芬兰占据一席，中国有两台计算机入围Top 10超级计算机。前10的计算机所发挥的性能占到了排名前500的机器的总性能的52%。因此，Top 10的超级计算机发挥着自身强大性能。

杰克·唐加拉：
如今高性能计算的执行通常是通过输入少量数据和输出大量数据，但并非所有计算都是如此。对于许多计算来说，这就是我们所能实现的，在计算密集型计算中输入少量数据，然后得到大量的数据输出，例如气候模型，这正是我们现在做的，我们使用少量的数据进入到这个模型中，完成计算后基本能预测会出现什么样的气候，我们得到了这个视频，展示了气候如何很长的一段时间内发生演变，如果我们观察一些数据更密集型的计算，比如人工智能或机器学习，我们有大量的数据进入模型，计算是为了构建神经网络，甚至为了提取少量数据，一旦我们对这个模型本身提出问题，但同样地，这不具有排他性。高性能计算与人工智能与机器学习有着区别，前者使用少量数据进行大量计算，而得到大量数据结果，而人工智能与机器学习的数据量则是在输入端输入大量的数据进行计算，之后输出少量的数据，这两种技术的之间存在的另一个典型区别在于对于数据密集型计算。我们通常希望使用我们在解决方案中无法获得的最佳保真度的最高精度来执行计算，这与机器学习相当不同，在我们的计算中确实可以依赖较低的准确性得到期望的结果。

杰克·唐加拉：
对于数据密集型计算，或者说对于数字密集型计算，我们考虑64位浮点运算，而对于数据密集的计算，我们考虑的可能是16位浮点运算，因此对于机器学习程序，我们确实可以使用更低的精确度进行计算。
最近，我们见到了人工智能和机器学习的兴起，人工智能和机器学习已经存在了很长一段时间，问题是为什么现在会发生这种情况？
首先，我们有大量的数据可以用于人工智能和机器学习的训练，我们可以使用整个互联网的数据进行模型训练，我们的超级计算机具有越来越强大的计算能力，这来自于使用图形处理单元等技术赋能计算。我们在机器学习和人工智能的算法和理论方面取得了越来越大的进步。人工智能确实有助于自身的计算处理，我们也得到了业界和学界越来越多的支持，我们可以考虑将其细分为现在人工智能广泛应用在各个工作领域，机器学习、自然语言处理专家系统或视觉系统、语音或规划机器人等领域，它们都属于我们所认为的人工智能领域。

杰克·唐加拉：
因此，机器学习在当今世界十分重要。在计算科学领域它应用于许多方面，对我们处理问题的方式和了解了问题背后的答案产生了很大的影响。我们在气候建模、生物学、药物设计、材料学、高能物理中都有应用。所有这些领域都使用机器学习来帮助获得所需要的解决方案。
正如我刚刚提及，机器学习仅需要较小的矩阵运算能以较低的精度完成计算。许多公司已经开始着手设计并安装硬件来开展机器学习，同时我们可以考虑使用它的方法。我们有像亚马逊这样的传统公司，像谷歌这样的公司也参与其中，还有英特尔等一些新的企业参与者，像Cerebrus、联想等等，百度已经推出了一种处理开发功能，允许人们使用机器学习和进行高性能计算。

杰克·唐加拉：
因此，高性能计算的硬件不断在变化，我们已经从标量处理时代转向矢量处理时代，再到分布式计算时代，使用图形处理单元加速了计算时代发展，我们已经能够使用进行涵盖64位到16位浮点计算的混合精度，我们在计算领域确实经历了许多革命，我们已经看到，高性能计算
对我们科学研究、人们的学习产生了巨大的影响。因为它根据我们的使用情况逐步发展而边缘计算和人工智能确实有助于将它们连接在一起。
我们有很多领域正使用人工智能和机器学习，我们必须意识到硬件已经准备就绪，我们需要算法和软件来进一步提升硬件在这方面的性能，我们有时会忘记需要提升算法和软件，这两者需要大量的时间，特别是当我们有新的硬件即将推出时。
所以最近在《科学杂志》上发表了一篇论文叫作《顶层还有发展空间吗：摩尔定律之后，计算机的性能将何去何从》，这有点像理查德·费曼在谈论量子计算时的经典论述，我们的底层硬件还有发展空间吗，这是一篇有趣的论文，它让我们探索了高性能计算的未来与我们将来的发展方向。

中国科学院院士、美国科学院外籍院士、中科院脑科学与智能技术卓越创新中心学术主任、上海脑科学与类脑研究中心主任 蒲慕明：
今天我想和大家谈一谈脑科学的进展，和未来人工智能，尤其是类脑人工智能可能的进展。
脑科学做什么的呢？脑科学的目标是三个：理解大脑工作原理，大脑是怎样的复杂网络怎样进行各种脑功能；希望从脑功能模拟大脑，希望做类脑研究，希望对人工智能有所贡献；保护大脑，希望大脑出毛病的时候，我们诊断治疗。这三个方向，是中国2030重大科技项目“脑科学与类脑研究”这一项目的内容。（殷立勤/摄）

蒲慕明：
项目的中心是对脑科学的基本原理的基础研究。“两翼”，一是对未来产业有贡献的，像有认知功能的障碍诊断与治疗，对未来脑健康与医疗产业有贡献；二是是大脑与机器之间协同工作新的技术，包括脑机接口，还有就是我们从大脑受启发的原理，怎样应用于下一代人工智能，帮助人工智能更有能力做通用人工智能的计算，包括脑科学计算，包括唐加拉教授所说的机器学习的算法是否从大脑有所启发。类脑器件和机器人，这对未来类脑人工智能有非常大的贡献。
人类的大脑是非常复杂的，包在外面的是大脑皮层，这是灵长类动物尤其是人类最复杂的，有很多复杂的结构，有上千亿细胞的结构。不单是数量多，种类也多。不光是简单的几种细胞，而是数百种类型的神经细胞，各种不同的形态和传递信息的功能。在这一复杂的网络产生的连接有上百万亿的连接点造成了这样一个网络。
网络中有很多的环路和通道，我们叫“神经环路”，环路是进行各种功能所需要的。要理解大脑，必须要理解大脑的整个结构和网络结构。第一个我们要知道大脑有多少细胞，细胞分布是怎样的。你们会很吃惊，我们现在还搞不清楚。最新的工作是国际上数据最大的灵长类大脑单细胞空间分布的结构，是最近以上海中科院为主的很多团队共同做出的一个图谱，（见图）这是猕猴全脑皮层空间细胞分布的图谱。

蒲慕明：
不同皮层的脑区，不同种类的细胞，皮层有很多层，每一层有不一样的细胞。对将来脑疾病是哪些细胞出了问题，他们之间有什么样的变化，这个会做出很大的贡献。而且我们要知道细胞与细胞间的连接，连接的复杂性在这里我们显示的只是50几个细胞，我们将它的连接绘制出来，叫“显微追踪”。
50几个细胞这么复杂，人脑有上百亿个细胞，复杂性更是不可想象。我们现在估计小鼠模式动物的全脑连接图谱可能5—10年内完成。国际上有很多的工作要做，国内也有很多在做，这是一个竞争激烈的领域。在人类的大脑，以猕猴为标准的需要20年的时间才能完成。
但是在这一过程中，我们大脑有相当多的理解，这些理解帮助我们做很多的工作。比如说现在的基础理解的我们要知道怎样摄取信息，利用大脑的信息控制外面的器件，这就是所说的“脑机接口”。

蒲慕明：
我们常说的脑机接口两类：
一个是大脑解码，大脑内部的信息更活动，怎样知道它什么意思，这就是解码。然后把解出的信息控制外界的器件，我们叫做“脑控”方向。但是外界器件和外界互动，然后回来控制大脑，改变大脑控制模式，这是控脑这一端，怎样利用外界信息调控大脑的活动。大脑信息的解码就是如何要知道大脑神经细胞的活动，它的规律和代表的意义，这叫解码。
二是控制大脑，知道你要刺激什么位置要产生什么样的功能，你要对调控大脑相应的神经环路，这个环路你怎样通的，你怎样刺激应该刺激的环路，这是脑科学未解决的难题，很多脑科学的工作就是针对这两个工作来做。
做的过程中，我们希望对脑疾病治疗和对类脑人工智能有所贡献。比如说脑机接口应用于机器人上，在医疗上的应用，第一个就是说你可以摄取，像瘫痪的人想运动，想操纵外界的器件想拿什么东西，可以转到机械手，让机械手来做这样的工作，因为他瘫痪了。也可以用非侵入性刺激的模式改变大脑的状态，帮助我们学习，希望我们改变掉病态时不正常的活动，有非侵入性的外界物理刺激、磁刺激改变大脑的活动，这是目前发展迅速的。

蒲慕明：
我国在这一领域最近进展迅速，包括我们怎样刺激大脑内部的信息，我们需要把电极放入大脑，能够准确地刺激各种部位的环路。这些新型的电极，在国内有中科院的单位，国家纳米中心研发的柔性电极，你输送进去数千个通道刺激神经大脑的神经元不产生创伤，这些工作最近在上海的神经所的团队有非常重要的进展，也是松江的脑智科创基地做工作。就是新型电极长期刺激猕猴，知道猕猴想做什么事，猕猴想操纵游戏玩游戏时它可以解码让机械手应用这一逻辑。这个已经在医院临床应用来帮助我们解码临床病人的意图来控制器件，这都是进展非常迅速的领域。
还有一种是非侵入式，除非是很麻烦了要用侵入式，非侵入式也有很好的例子。很多科研单位和企业界都在研发物理药，怎样以非侵入式调节大脑的活动以及调控睡眠。已经有一些产品上市，但是效果还不是很好。但是最近大家努力的方向是想做闭环调控，每个人的大脑情况不一样，状态不一样，必须记录大脑的活动，以活动为准来决定你做什么样的刺激。活动刺激后产生什么样的变化也能够实时反馈，调节你刺激的参数。闭环非侵入式的活动，相信三年以内市面上会出现一种头戴式的帮助你睡眠的产品，睡眠有问题的朋友们可以关注这方面领域发展。我相信进来会有很大的进展。

蒲慕明：
最后讲到人工智能，最重要的内容是机器学习，当然了它有其他的功能，知识表征、搜索。但是机器学习是能够把外界信息学习一套程序，这套程序处理一套新的信息。过去十年来，这一领域发展非常迅速，尤其是深度网络学习，最近出现了语言大模型，这些都是机器学习的新算法，利用大量的算力，各种参数，非常复杂的网络，或者是参数很多可调控的网络来做这样的处理。而大数据我相信很多在座的都是玩过ChatGPT，就是一个大数据。
但是这个大数据是现在只有大公司可以做这样的模型，我们可以去使用。但是将来这一模型算力的需求，是非常大的，不是一个可以持续的人工智能，将来真正的人工智能我们是要学习人脑有效处理信息的网络结构，现在机器学习的结构是比较简单的，人脑的结构是复杂的。人脑的结构怎么来的？演化过程中以及发育过程中不断修正的结果，我们讲20W的能量就可以做各种通用人工智能。所以将来我们需要从大脑的学习架构，以及大脑的学习算法，大脑信息活动的运算方法来加入到人工智能的架构和算法上，包括硬件的架构。所以这是我们讲类脑人工智能，到了什么地步才叫类脑，就是和人很相近的。

蒲慕明：
什么叫通用人工智能标准？图灵是人工智能的鼻祖，他在50年代就提出有一个检测方法，我要和机器对话，它用程序和我对话，或者是人对话。然后中间是屏幕隔着，不知道是和机器对话还是和人对话，假如说我不能判断和我对话的对方是人还是机器，那机器就达到了人的水平，这就是图灵测试（Turing Test）的说法。
对话还有标准，要多长时间，一般的软件时间长了不能理解你的时候，你就知道这是一个机器。以前有一个传统的标准，我们给它5分钟的时间，你只要来我们测试判断是人还是机器，5分钟之内你还不能判断出对话的是人还是机器，我们认为机器赢了。这是非常简单的标准。当然了你讲10分钟、一个小时肯定搞得清楚它是机器还是人。
十年前，图灵逝世60周年有一个检测，那个时候发现有一个机器装着他，是一个乌克兰的男孩子和人对话，有1/3的人不能辨别是机器还是人，那时候认为图灵机器人能够达到了机器人达到的，但是5分钟是很短的时间。现在ChatGPT出来了，你现在和ChatGPT对话，对话久了你就知道它不是真人的对话，它的理解是有问题的。所以最后怎样定标准，我们的机器或者是软件达到智能，智能是什么样的标准还没有定，传统的标准已经破了，现在ChatGPT已经破了未来十年的标准。

蒲慕明：
我们怎样以机器达到人的标准，我们感觉到是多种组合，各种听觉、信息加在一起的语言，这些要整合，你如果有一个机器人做出来，它能够和一个真人玩游戏，你就不能判断它是真人还是机器人，他能对答和玩游戏，这就是多感觉整合的不光是语言的能力，而是通用的能力，这可能是一个图灵测试，我们还没有共识。还有团队合作，你只要机器人进去参加球队打球，他如果能够像人一样和人打球，他能够体会队友什么心计，它往那边跑和做，如果能够做到这就达到了新的标准。我相信三四十年之内，这两个标准达不到的，现在的进展非常缓慢。你看现在展览机器人的动作是非常粗浅的。
最后我们讲图灵1950年也是出来了一个说法，他说“与其尝试开发一个模拟承认大脑的算法程序和结构，为什么不去模拟一个儿童的大脑”，因为儿童学习很快，几年之间各种知识得到了。从儿童大脑的发育过程，它的算法怎样出现的，结构怎样出现的，我们以这个来设计机器不是更好吗？它叫“Children machine”，而我们应该做这个。我想他的讲话非常之对，未来类脑智能一定是考虑智力产生，就是从大脑的智力如何发生来做这样的事情，就是要达到不断改变网络结构的能力这样的人工智能。

蒲慕明：
最后，人工智能启发有各种可能性，其中我想大家都知道多感觉整合这是非常重要的，机器人最需要的是这个，还有反馈信息，怎样很快地能够设计新一代的计算，下一代的人工智能必须是高性能和绿色节能的的人工智能，不能以那么大的算力，超耗能的算力人类社会无法承受。所以类脑智能最大的贡献我认为是下一代高性能和绿色的人工智能。
最后人工智能什么时候取代一般的职业？十多年前有一个调查，很多人工智能的大会，科学家调查和投票，现在一般职业10%被取代什么时候会出现，大家投票。这是500个专家的投票，最后4个会议投票的平均值在下面。
说2022年，平均10%的职业会被取代。这个预测是在2015年做的，其实是非常准确的。你现在算一下，差不多10%的职业被取代了，包括医疗职业很多被取代了。50%的是多少？大家的平均数值是2040年，年轻人在你们的职业生涯中你会碰到50%的职业会被取代，我们的职业发展，我们的教育系统怎样应对这样（的情况），这是ChatGPT未出现前的预测，我相信现在大家去预测可能2035年，就是15年以后50%的职业都会取代。现在简单的程序员都不需要的，都是ChatGPT取代。但是90%是什么时候？2075年，但是我相信可能要往前移，到2050年，90%的都要取代，这是未来人工智能的前景，也是大家要考虑的。

高通公司中国区董事长 孟樸：
从产业发展的角度，我们正处于数字化转型影响千行百业的过程中，世界各国和各行各业大家都在做数字化转型，有很多的技术可以帮助我们做转型，所以从过去几年来说，我们也是一直在推动“5G+AI”人工智能能够赋能千行百业，能够加速数字化转型。（殷立勤/摄）