人工智能时代技术创新四大重要的维度

UFO外星人爱好者

电子和信息技术正深入和触摸着我们生活的方方面面。从1958年开始的集成电路发明持续引导着电子革命，在很大程度上科技产业似乎都忠实遵守着这个个称为摩尔定律的东西。1965年，戈登?摩尔（Gordon?Moore）从一个化学家转型成电子工程师，注意到从第一块集成电路产生以来，每年芯片上集成的晶体管数量大约以两倍的数量增加。他还大胆预测，这些组件的缩小速度将持续至少十年时间，并于1965年4月19日正式提出。不过，当时并没有人把这个规律当作定律来看，只是认为是对芯片发展规律的总结。甚至他自己都认为：摩尔定律不是定律，只是一个机遇而已。不过，后来的发展却不断验证了这一说法，使其终于享有了定律的荣誉，并修正为为集成电路的集成度每18个月翻一番或者说三年翻两番。
   当前，人工智能、区块链、量子计算等技术正在飞速发展，通过今天这些科技创新，我们能够预测到未来的一些生活方式。那么未来科技将如何发展，未来信息技术发展的方向又将是什么？



　　指数级增长的时代
　　科技创新大致可以分为两类：一类是突破性的技术创新，另一类是持续性的技术创新。计算机历史上第一个硬盘的出现、第一个高级程序设计语言Fortran的产生、动态随机存取存储器DRAM的发明等，这些都是IBM在过去几十年中的突破性的技术创新，为当代计算机的发展奠定了基础。另一方面，我们也需要持续性的技术创新。举个例子，IBM在上个世纪50年代推出了全球第一个磁盘存储系统IBM 305 RAMAC，内部安装了50个直径为两英尺的磁盘，重量约为一吨。但是，这个系统的存储量只有5兆字节。如果没有后面持续性的技术创新，今天一个笔记本电脑的磁盘容量就需相当于一艘万吨巨轮的体积。
　　今天我们正处于一个指数级增长的时代。信息技术的发展很大程度上是摩尔定律的作用，持续性的技术创新使得晶体管的数目每18个月能够翻倍，及由此带来效率的提升和成本的下降。在互联网时代我们看到同样的指数效应在网络上发生，加入网络的用户数在呈指数型增长，网络的价值大致是与连接到网络中的结点数的平方是成正比的。今天面临的大数据时代，我们也看到这样的趋势，大数据本身正在以指数级增长。与此同时，未来人工智能技术的发展，使得我们可以从大数据中得到的商业洞察力也会呈指数级增长。我们把人工智能、区块链、量子计算放在这样一个指数级增长的时代中，可以设想到这些技术未来对我们生活的影响。



　　谈到信息技术未来的发展，首先是人工智能将变得无处不在。除了今天面向消费者的人工智能外，更多企业级、用于解决行业方案的人工智能也将被广泛应用。其次，今天已非常火热的区块链技术将飞跃发展。区块链技术将会重新定义交易，任何交易都会由于区块链技术的广泛使用而根本改变，变得更加安全与可靠。最后是量子计算。量子计算会从根本上改变我们对计算的理解，为行业创新带来无限可能。



　　未来的人工智能
　　迄今的人工智能大多数还是一种专用的人工智能（Narrow AI），我们看到的人工智能的解决方案大多数都是来解决单一的问题，虽然这个问题本身可能充满了挑战，它可能是语音识别的问题、图像识别的问题。那种通用的我们大家憧憬的能够解决所有问题的人工智能，应该说离今天还非常遥远。今天的人工智能更多的还是一种我们称之为面向消费者的人工智能。
　　我们正在迈入一个比较宽泛的人工智能（Broad AI）时代，这个时代重要的标志就是人工智能技术开始解决一个领域或者跨领域的多个问题。我们会看到人工智能从专用变得多用，变得更加宽泛，从完成单一任务的人工智能解决方案到完成多个任务甚至跨领域多个任务的解决方案。在不久的将来，企业人工智能会逐渐地兴起和发展，我们会看到更多的人工智能在垂直领域的应用。



　　与此同时，我们也会看到人工智能变得无所不在。特别的一点，人工智能会从云端向边缘端蔓延，因为我们很多时候的数据处理需要在边缘端来进行，比如说实时信息处理。不久前IBM发布的最小计算机，一平方毫米的面积，有几十万个晶体管，包括了计算、存储、通讯等功能。当人工智能从云端向边缘端扩展时我们会看到人工智能和物联网开始做一个深度的融合，它使得我们今天可以对物理世界做更好地管理、分析与优化。
　　人工智能改变行业
　　人工智能的成功需要商业的成功，而人工智能商业的成功必然需要与行业结合。从宏观来看，人工智能与行业来结合，大致提供这样两类价值：一是人工智能代替一部分人力，提高我们的效率；二是人工智能提供基于知识、基于数据的专家助手来帮助人类，使我们做更好的决策。



　　我们把人工智能的视频分析用在工业制造中产品质量的缺陷检测和质量控制；我们开发人工智能的医生助手，为医生提供实时的诊疗建议；我们构建人工智能的律师助手，为律师提供基于相关法律条文和相关案例的建议。
　　谈到人工智能与行业的结合，我们需要构建平台和基于平台之上的解决方案。用人工智能时代的医疗来做一个例子。我们需要构建一个人工智能的数据平台，在这个平台上可以对医疗数据，无论是结构化数据还是非结构化数据，进行安全有效的管理。在这个基础上我们来构建各种垂直领域的解决方案。这些解决方案可能是为医院的，可能是为医生的，可能是为政府监管部门的，可能是为制药公司的，也可能是为医疗保险公司的。我们再把视角聚焦到为医生服务的人工智能解决方案。可以是为专科医生来做肿瘤诊断的决策支持；也可以是帮助社区医生来做慢性病的规范化管理。从技术维度来看，一方面我们需要基于医疗指南来做知识驱动的系统，另一方面我们也需要根据医疗数据（包括电子病历，医疗影像等）来构建数据驱动的系统，并把知识驱动和数据驱动做有效的整合。



　　人工智能面临的挑战
　　首先是人工智能的算法层面。一是如何从小样本、弱标识的数据中进行学习。相对每一个要解决的行业问题，数据或者标识好的数据往往不是那么多。在这种情况下，我们如何能够很好地从小数据中进行学习就变得非常重要。另外一点，人工智能的算法或者人工智能的解决方案需要能够对结果进行解释。比如我们把人工智能应用在医疗中，不但要给医生提供建议，还要能够给医生解释为什么给出这样的建议。人工智能算法的开发者也需要理解这样的模型是如何工作的。
　　其次是人工智能的模型。我们需要构建更多的可以重复使用的基础人工智能模型。这是经过数据训练的，能够独立完成一些基本功能的模型。用这样的模型来构建更复杂的人工智能模型，再往上一步步构建行业的应用。我们可以设想一个人工智能模型的交易市场（Marketplace），人工智能模型的开发者和使用者能够在这样的平台上对模型进行交易。
　　第三是人工智能的应用场景。这是今天企业级人工智能面临的巨大挑战。行业专家并不完全理解人工智能技术，包括未来的发展。技术人员并不完全理解行业。如何选择应用场景，使得今天的技术或者我们预计未来三五年可能出现的技术能够对这个场景提供合适的解决方案，是一个很大挑战。特别是，这对人工智能领域的领军人物提出不一样的要求，不仅需要是人工智能专家，还需要对行业有一定的理解，并对商业创新有一定的感觉。
　　最后是人工智能的安全和伦理。人工智能技术本身的发展可能会给我们带来全新的挑战。一方面，人工智能技术可能被用来对我们计算机系统进行攻击；另一方面，数据可能被污染，如果我们使用了被污染的数据，可能使构建的人工智能解决方案产生偏差。比如，如果我们用被恶意改变了的数据来训练交通标志识别系统，它可能会对一些重要的交通信号产生错误的解读。再比如，我们构建一个信用卡申请审核解决方案，如果数据是有偏见的，无论是有意还是无意，可能对某一类申请人给出不合适的判断。如何一方面保护我们的数据，另一方面保护人工智能的模型免于受到攻击就变成一个非常重要的技术问题。与此同时，我们也需要新的行业标准，可以对人工智能模型进行安全和伦理的测试与鉴定。
　　未来的交易
　　区块链技术将会从根本上改变未来的交易系统。今天的商业交易有很多身份验证、授权许可、文档审核。举一个例子，今天一个海运运单可能需要几十人的审核与上百个文件的签署，这中间任何一个文件的丢失或者延误都会造成问题。许多这些人为的成本都可能会因为区块链技术的出现而消除。
　　IBM这些年来一直专注于企业级区块链技术。我们非常重视安全开放的平台与生态的构建。与此同时，我们把区块链技术引入不同的行业和不同的领域。
　　比如说在食品安全领域。建立可信的食品供应链需要多方共同的参与，包括出厂方、配送方、消费者等。区块链提供了这样一个平台，把供应链的各方汇集在一起，并且提供了去中心化、可追溯的解决方案，最终实现了食品供应链的透明、安全、有效和可追溯性。区块链提供了这样一个平台，把供应链的各方汇集在一起，并且提供了去中心化、可追溯的解决方案，最终实现了食品供应链的透明、安全、有效和可追溯性。
　　我们也尝试把区块链技术应用在其他领域，比如去中心化的跨行支付。IBM开发了全球第一个基于区块链技术的去中心化跨行支付系统，通过分布式账本在网络参与者之间构建可追踪、可审计和可证明的交易记录，降低了中央银行的成本、避免单点故障，并提供了灵活性来处理不同银行之间的不同结算规则。



　　在可预见的将来，我们会看到人工智能技术和区块链技术的融合。虽然这两者看似分属两个不同的技术方向：人工智能是在封闭数据平台上训练中心化的智能；区块链则是在开放数据环境下构建去中心化的应用。然而，区块链的技术创新无疑是能够帮助人工智能的，尤其是区块链技术将会为数据的可信性和可追溯性提供支持与保证。
　　未来的计算
　　人工智能的发展需要强大的计算力的支持，而计算力在过去30年有了极大的提高。今天我们面临很多新的挑战，很多人认为摩尔定律可能会最终遇到物理的极限。我们来看一看有什么新的技术能够持续不断地提供我们需要的新的计算力。
　　今天的计算机系统在过去几十年虽然有非常大的性能提高，但其基本架构还是没有太多的改变，都是基于传统的冯诺依曼架构，而这种架构比较擅长逻辑运算，而不是特别擅长模式识别与形象思维。IBM在这方面做了很多的尝试，其中一个例子就是类脑计算。几年前IBM发布的TrueNorth芯片，是这个领域非常重要的探索。我们希望构建能够模仿人脑思维方式的全新的计算机系统。我们可以模拟100万个神经元，2.5亿个神经突触，而这样的类脑芯片仅有70毫瓦的功耗。我们也有一个长期的目标，希望能够构建模拟100亿个神经元，而功耗不超过1000瓦的新的类脑计算芯片。



　　谈到新的计算能力，我们必须谈一谈量子计算。量子计算在过去十年间取得了极大的进展。量子计算利用了量子的两个概念，一个是量子叠加，一个是量子纠缠。量子计算机之所以强大，是因为从理论上来讲，它可以同时计算指数级的路径。而经典计算机只能在这样一个指数级的空间中计算若干条路径。
　　今天IBM的科学家用低温超导来实现量子计算。2016年IBM首先发布了五个量子位的量子计算机。2017年先后发布了16个量子位的量子计算机，20个量子位的量子计算机，以及50个量子位的量子计算原型机。与此同时我们把量子计算用云平台的方式提供给用户。用户可以从远端实现量子的编程。到今天为止我们有超过7万的用户使用这个量子云平台，已经进行了超过300万的量子计算的实验。
　　量子计算机的计算能力不仅仅取决于有多少个量子比特位，还和其他一些因素有关。量子位的稳定性可能受到环境的影响，它们之间也会相互影响。我们用量子容量的概念来界定量子计算机的计算能力。作为一个长期的目标，我们需要改进的是量子容量，而不仅仅是简单地增加量子位。
　　接下来我们看一看量子计算在未来的应用前景。在不适合经典计算机解决的问题中，有一部分我们相信是适合量子计算的，可能是一些优化问题，可能是一些机器学习问题，可能是一些物理化学的模拟问题。如果我们能够利用未来的量子计算做高效的物流最优路线的设计，我们就可能为供应链管理提供新的优化方式。如果我们能够用未来的量子计算做更好的分子模拟，我们就可能以更低成本来发现新的材料或者发明新的药物。如果我们面对大数据能够用未来的量子计算来改进我们的机器学习，我们就可能让人工智能变得更加强大。
　　今天我们还是处在我们称之为量子准备的阶段。我们长期的目标是构建具有容错能力的通用量子计算机。量子计算机不是单独运行的，而是要和传统计算机做一个结合，一起解决我们今天需要解决的问题。



　　最后总结一下，在人工智能时代，人工智能代表了信息技术的未来。我们看到人工智能时代技术创新有四个重要的维度：一是人工智能的核心技术；二是人工智能与区块链的结合；三是新的计算力，包括量子计算；四是人工智能与行业的结合。可以这样讲，人工智能改变世界，最终还是要从改变每一个行业开始。