機器之心發布
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、智能產業研究院院長、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，數位化的 3.0 時期已經到來，數位化的範圍已從內容、社交和企業服務領域向物理和生物世界進行延伸，將我們熟悉的城市、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升級，為了完成物理世界的「數位化」，數據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，計算機不斷加深著對於人類世界的認知。
隨著數據的海量爆發，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，需要通過對信息的重新定義，制定新的計算範式、計算體系和通訊架構，而他們又給產業帶來了新的機會。為此，中國需要抓住機會，引領數位化的 3.0 時代和第四次工業革命浪潮。
清華大學講席教授、智能產業研究院院長、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，和我今天要講的內容「智能技術趨勢」非常吻合。
數位化進程的演變與 3.0 時代的到來
回顧 IT 產業 30 年發展歷程，最大的特徵就是數位化。第一波數位化開始於 80 年代中期，也是聯想成立的時期。圍繞自然界的內容表述，數位化的範圍包括音樂、視頻、聲音、圖像等，算法和標準有 MP3/4、H.26、AVS 等；隨著 PC 的推出，又出現了 PPT、EXCEL、WORD 文檔數位化。
第二波數位化開始於 90 年代中期，在內容數位化的基礎上加上網際網路、HTDP、HTML 的產生，從而催生消費者網際網路，從早期的 PC 網站、門戶，到搜索、電商、社交，再到後來的共享經濟、Zoom 等視頻通訊、數字貨幣和行動支付。從產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於世界。
與此同時，企業也在數位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，中國已在逐步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「軟體作為產品」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」的一種符號，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 平臺會有很大的機會。
現在，我們進入了數位化 3.0 時期，也即智能感知時代，這個階段發生了兩方面轉變：一是物理世界的數位化，我也把它叫做「網際網路的物理化」——工廠、電網、機器，乃至所有行動裝置、家庭、城市都在向數位化發展。在這個過程中出現了相較於過去上千甚至上萬倍的海量數據，比如一輛無人車每天產生的數據量大約 5-10T；相比於數據主要提供給人員輔助決策的 1.0 和 2.0 時代，數位化 3.0 時期 99% 以上數據在機器間傳輸，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位化，人們的細胞結構、所有器官乃至整個身體都在數位化，整體數量級比物理世界大上千倍。從虛擬、宏觀到微觀，整個數字信息世界、物理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將物理世界和生物世界進行一一對應。
有了大數據之後，我們還要實現數據的結構化和智能化。在人工智慧的 60 年發展過程中，有「冬天」也有「春天」。人工智慧根據不同算法大致分為兩類：一種是邏輯推理，是以知識為驅動的算法；另一種是以大數據為驅動的算法，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，基本是以大數據、大計算、大模型算法來驅動，其中包括 AlphaGO、AlphaZero。深度學習確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，其算法需要結合符號邏輯、知識型推理和更多模型的因果關係和新的範式，目前對於產業來講，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，人工智慧的三大要素是數據、算法和算力，實際上是數據加上 100 倍的算力，並且算力比數據更重要 100 倍。這個觀點我不完全同意，但我同意在目前深度學習框架下，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模塊加上程序存儲原理，是圖靈意義下最好的一種實現，但它的瓶頸在於數據和計算的分離。在深度學習中，龐大數據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，我們需要對信息做一個重新的定義，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用戶資訊理論，但真正的理論框架並沒有太大進步，所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係和模型。
目前，圖像視頻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。傳感器能夠獲取各種各樣的數據，所以非常重要。有觀點認為，人用「小數據」就可以做決策，但我認為大數據是機器的優勢，雖在決策方面與人相比稍有欠缺，但在獲取各種不同數據時比人更有優勢。
同時，需要新模態。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現，通過研發 GPU、ASIC 等技術加速並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，在新架構產生之後，就會隨之產生更多新算法、新模型、新型晶片，這將是一個非常大的機會。
這是一個我在百度啟動的項目：崑崙晶片，這是一個大型晶片，主要用於大型訓練，已經在百度部署。第一代崑崙晶片能在 150 瓦的功率下實現 260 TOPS 的處理能力。第二代崑崙晶片採用 7nm 先進工藝，相對於第一代晶片而言，性能提高了 3 倍。
核心基礎設施「ABCD」帶來智能時代的顛覆性改變
計算、通訊、新架構、新算法，它們給產業帶來的新機遇，就像聯想的「3S 戰略」，在 IT 行業不斷升級的背景下，為整個產業帶來了新機遇甚至是顛覆性的改變。
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、智能化和產業化的智能產業研究院（AIR）。我們有三個方式達到這個目標：最重要的是吸引一流人才，特別是擔任過 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並逐步將其發展為公司。
目前，我們剛剛起步，除我之外，還有兩位聯合合伙人，一位是馬維英博士，他是電氣電子工程師學會院士，字節跳動副總裁、人工智慧實驗室主任，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。這兩位聯合合伙人非常符合我剛才的描述，不僅發表很多學術文章，同時又有豐富的產業經驗。
我們聚焦於三個研究領域：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產業帶來巨大的影響，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慧解決自身的難題。我們還聚焦工業網際網路、IoT、智能感知，因為他們是數字世界和物理世界的接口；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產業，不局限於 AI 機器人針對病人和醫護人員的協助性工作，還包括製藥、蛋白質結構預測等，實現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持。
在 AIR，我們採用完全開放的模式，希望和整個產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，大家齊力構建更大的生態圈。
Amazon SageMaker1000元大禮包
ML訓練成本降90%，被全球上萬家公司使用，Amazon SageMaker是全託管機器學習平臺，支持絕大多數機器學習框架與算法，並且用 IDE 寫代碼、可視化、Debug一氣呵成。
現在，我們準備了1000元的免費額度，開發者可以親自上手體驗，讓開發高質量模型變得更加輕鬆。