陳左寧表示，經典的HPC的算力環境可支持現有人工智能的模型算法，但性能功耗比和性價比都較低，並非最適合的，需要創新體系結構和軟件架構。
>>>>
據介紹，人工智能的發展經歷了三個歷程。從符合主義到連接主義再到行爲主義。符號主義主要是用公理和邏輯體系搭建一套人工智能系統。連接主義源於仿生學，主張模仿人類的神經元，用神經網絡的連接機制連接人工智能。行爲主義控制論意爲假設智能取決於感知和行動。
陳左寧稱，三大流派日趨融合，協同發展，人工智能的核心特徵之一是“關係”。
據介紹，“關係”計算的表現形式有三種。一是連接關係，神經網絡中神經網元間的連接。反向傳播算法中的梯度傳播；進化算法中的變異。二是邏輯關係。RNN中的循環連接以及知識圖譜中的關聯關係。三是因果關係，貝葉斯、決策樹以及強化學習中的控制連接。
在演講中，陳左寧詳細介紹了人工智能模型和算法發展的七大趨勢。
趨勢一、向無監督的方向發展。主要表現爲：適應“小數據”，減少標註需求，減少計算開銷。要向無監督方向發展要經歷幾個階段。人工智能主動學習階段，算法主動提出標註請求，將一些經過篩選的數據提交給專家標註。遷移學習階段，增強訓練好的模型，解決目標領域中僅有的少量有標籤樣本數據的問題。強化學習階段，用agents構成系統來描述行爲並給予評價和反饋學習。
趨勢二、可解釋（XAI）越來越重要。深度學習如何進一步設計算法和參數，提高泛化能力，需要模型算法可解釋。對抗樣本導致模型失效，訓練數據不可理的被局部放大。模型愈加複雜，失去了可調式性和透明度。
“此時，對於技術的需求就是將可解釋技術融入軟件環境中去。有兩個方法。第一爲現有軟件框架增加可解釋技術接口。提供事後解釋的基本技術，比如可視化能力，局部數據分析，特徵關聯等。現有的軟件原生支持多種可解釋算法。提供算法或指標評估模型的可解釋能力。第二是“人—AI”系統結合。以人爲中心，由決策理論驅動的XAI的概念框架。” 陳左寧表示。
趨勢三、人工智能的自學習、自演化。這個過程有三個階段。一是自動化機器學習，主要是利用數據驅動方式來做決策。而是限制約束條件的AutoML。三是不捨初始條件，搜索空間極大豐富的自演化AutoML。這一趨勢對於技術的需求有計算框架支撐、大算力支撐以及輔助設備支撐。
趨勢四、多種算法、模型的有機結合。單一的算法或模型難以解決實際問題。比如問題分解和多種模型有機組合。人工智能模型的發展希望融入多種技術來解決已有問題。比如，通過貝葉斯技術增強因果關係分析；通過數據生成技術減少標註數據需求；通過AutoML技術提高搜索和挖掘能力。與此同時，人工智能的應用流程也越來越複雜，如，不同流程設計的設備以及環境多樣；需要不同的算法和模型組合。多種算法、模型的有機組合的需求是計算存儲等可拓展能力。基礎軟件能力提升，支持複雜模型，不同類型軟件的協同和交互。
趨勢五、人工智能應用需求需要關注全生命週期。全週期不同人物具有不同時間，空間和計算需求。全生命週期都要考慮可解釋、公平等需求。
趨勢六、分佈式、分散式的需求越來越突出。首先，大型、複雜模型，海量數據需要並行，分佈式計算。其次，聯邦學習等分散場景需要分佈式ML原生算法。使多個參與者可以在不共享數據的情況下構建通用的，健壯的機器學習模型，從而解決關鍵問題。不同節點上的數據集異構（分佈不相同），大小可跨越幾個數量級。節點可能不可靠，節點之間的互聯可能不穩定。類別優集中式、分散式以及迭代式。這一趨勢對安全性、架構、提升效率和效用、健壯性有需求。
趨勢七，深度推理。從計算到感知再到認知和意識，人工智能模型和算法的發展趨勢七是認知理論的進一步突破。這一趨勢的需求有效應對多種形式的不確定性。其中概率計算根據不同精度計算需求設計硬件。根據數據和計算的稀疏分佈設計。另外，這一趨勢的需求還有類腦、仿腦體系結構以及模擬計算。
陳左寧總結說，總體來說，AI趨勢對算力的需求主要是對軟件棧的需求。從AI發展趨勢的特點來看，關係、概率、近似計算更突出；不要求高精度、高容錯；節點上計算簡單；人在環路中需求明顯。因此，對軟件棧的需求更加多樣，比如複雜、動態、分佈式和分散；支撐新場景以及架構創新。目前AI算法仍在基本計算模式中。
陳左寧坦言：“未來的複雜問題可能會超越此模式，目前的模型和算法主要是低精度張量計算。”
—THE END—
編輯 ∑Gemini
來源：C114通信網、北京物聯網智能技術應用協會
文章推薦
☞曲面論
