4月19日，在华为第20届全球分析师大会上，华为战略研究院院长周红在谈到未来通信和未来计算时认为人工智能的下一步发展面临三个重要挑战；而未来计算要发展更好的计算模式，以及与之匹配的计算架构与计算部件。

AI能力快速提升同时带来三个重要挑战

　　“在过去的几年中，我们看到智能应用的迅速发展，尤其是通过AI模型优化可能帮助解决应用碎片化的问题，这也引发了模型规模的爆发式增长。过去十年，AI算法的算力需求提升了40万倍。”周红认为，“在AI能力快速提升的情况下，需要考虑AI的目标如何与人类一致、并且正确和高效地执行。除了通过规则和法律来加强AI的伦理和治理外，从理论和技术的角度看，要达到这些要求，目前还面临三个重要的挑战：AI的目标定义、正确性与适应性、以及效率。”

　　第一个挑战，缺乏共识的目标定义。如果没有定义清楚并达成共识，就很难确保AI发展的目标与人类一致，也很难合理地分类和科学地计算。人工智能在历史上有不同的流派，例如符号主义、贝叶斯主义、进化主义、行为主义，以及连接主义等，它们还没有很好地融合起来，我认为缺乏共识的目标定义是重要的原因之一。

　　第二个挑战，在应用中存在正确性和适应性的挑战。依靠大数据统计规律进行的学习，会依赖于采样的覆盖面和数据的正确性，如果错误使用，就可能导致结果不稳定和偏见的风险，出现“黑天鹅”事件。比如用统计和相关计算模式来识别香蕉，如果在香蕉边上放一些其他图片，识别结果可能从香蕉变成烤箱，中间还有一定的比例是鼻涕虫；熊猫图片加上一些小噪声，也可能被识别成长臂猿。这些图片用人眼来看一目了然的，但是人工智能会犯错，原因也很难解释。因为AI的能力分布在巨大的参数中，出了这些问题，我们既无法解释、也难以调试。

　　第三个挑战是AI的效率。从能源效率看，从2022年第60届全球超级计算机Top500中看到，排名第一的Frontier的计算性能约1102PFLOPS，能耗是2100万瓦，排名第二的Fugaku计算性能约442PFLOPS，能耗是3000万瓦，而相比之下，人脑只需要约20瓦就能等效实现30PFLOPS的计算性能。可见当前这些超级计算机单位能量的计算效率，要比人脑低3万倍~10万倍。从数据效率看，除了通过从大数据中得到统计规律来认识和理解世界外，能不能从小数据中进行思考，发现逻辑性形成概念，抽象出原则？

面对挑战，未来计算要寻求突破

　　周红认为，可以在近几年多位学者的研究思考基础上，发展感知与建模、知识自动生成、求解与行动三个核心部分。感知与建模是对外部环境以及自身的表征与抽象；知识的自动生成应该将吃穿住行、琴棋书画、数理化生等人类能表达与不能表达、能感知和不能感知的知识都考虑进来，将人已有的经验融入到策略模型或评价函数当中；求解与行动可以是在已有知识的基础上，结合内外部信息进行直接的演绎推理，或者通过与环境交互试错，来找到解决办法。

　　周红认为要发展更好的计算模式，以及与之匹配的计算架构与计算部件，来持续提升智能计算的效率。

　　“当前在视觉与空间计算上，往往采用像素点来表达物体，但是绝大部分物体的识别与其像素点的颜色没有直接的关系，甚至是毫无关系，它们在不同的光下呈现不同的颜色，因此建议增加几何流形来进行表达和计算，看看能不能用很小的数据量来抓住物体的不变性。”周红说。

　　从实现的角度看，周红表示当前很多AI计算面临存储瓶颈，往往要花比计算多上百倍的时间来读写与搬移数据：“今后能不能抛开传统的冯·诺依曼架构的处理器、指令集、总线、逻辑器件和存储器件，而是围绕先进AI计算模式的需要来重新定义新的架构与部件？”

　　周红表示，目前华为在工业领域、科学研究领域已经有很多AI应用实例。在软件编程上，也在发展科学的模型驱动和形式化方法，如Vsync方法，实现了操作系统内核的自动化验证和并发代码优化，在提升性能的同时也确保可靠性。

　　“在走向智能社会的过程中，可能有超过百倍，甚至千倍的信息需求增长，现有的很多理论和技术已经遇到瓶颈，难以支持未来的发展，因此我们积极推动科学假设与商业愿景牵引的创新，在通信上，大胆探索有别于香农定理的前提条件和应用场景；在计算上，进一步明确人工智能的目标定义，提升正确性、适应性和高效性。”周红表示，“我们正在快速奔向智能社会，面对无穷的可能性，我们所有的想象都是保守的。”