華為戰略研究院院長周紅博士在第20屆華為全球分析師大會期間做了主題為“建設智能世界的假設與愿景-從經驗、知識到智能”的主題演講。面向未來的假設和愿景，周紅拋出觀點，邀請大家探討。他認為人類正在快速奔向智能社會，未來有無窮的可能性，目前的想象可能都是保守的。大家要攜起手來，開創更美好的明天。
以下是周紅博士發言精簡內容
在去年的分析師大會上，我分享了邁向未來智能世界的科學假設與商業愿景，并提出了十個問題和挑戰。在過去的一年中，我們與學術界、產業界科學家做了廣泛交流，探討了邁向智能世界需要解決的兩大核心問題：未來通信和未來計算。
今天，我將重點分享在這兩個問題上的一些思考。
首先是在通信領域。75年前，香農提出了3個定理。第一定理是可變長無失真信源編碼，第二定理是有噪聲情況下的信道編碼，第三定理是保真度下的信源編碼。在第一和第三定理中，香農假設信源是離散無記憶的，當時通信采用的是經典極化電磁場，傳播環境比較簡單，沒有考慮高樓大廈林立的場景。
這些年學術界發現一些新的物理現象，比如自愈性的非衍射波束、軌道角動量OAM電磁場傳播等，以及出現一些新技術，比如飛秒激光器，人工智能等。這些都是香農當年視野之外的，所以我認為，在未來的通信上還有很大的發展空間。通信網絡是建設智能世界的基礎，需要考慮敢于打破既有理論與技術瓶頸的條條框框，實現成百上千倍的提升，才能大踏步前行。
其次是計算。智能應用的迅速發展，過去十年，AI算法的算力需求提升了四十萬倍。
麻省理工的Max Tegmark教授在《生命3.0》書中，給出了一個AI能力地圖。目前在山腳處很多能力上，AI已經超越人類，比如象棋、圍棋等。在山腰上的一些能力上，人們還在不斷研究提升中，例如自動駕駛、圖像識別、語言文字處理等。在接近山頂的能力上，例如編程、科學研究、定理自動驗證和自動證明等，學術界和產業界已經有一些探索。隨著計算模式的不斷優化、算力的不斷提升、有了更多和更好的數據，AI將能更好地服務于人類社會的進步。
在AI能力快速提升的情況下，我認為AI目前還面臨三個重要的挑戰：AI的目標定義、正確性與適應性、以及效率。
第一個挑戰：缺乏共識的目標定義
對于AI，除了通過規則和法律來加強AI的倫理和治理外，缺乏目標定義也是一個關鍵挑戰。杜克大學的物理學家Adrian Bejan教授在《生命的物理學》書中，列出了對智能的二十多種目標定義，有的強調理解和認知能力、有的強調學習和思考能力、有的強調適應和行動能力等等。
如果沒有定義清楚并達成共識，就很難確保AI發展的目標與人類一致，也很難合理地分類和科學地計算。人工智能在歷史上有不同的流派，例如符號學派、貝葉斯學派、進化學派、行為學派，以及聯結學派等，它們還沒有很好地融合起來，缺乏共識的目標定義是重要的原因之一。
第二個挑戰：正確性和適應性挑戰
依靠大數據統計規律進行的學習，會依賴于采樣的覆蓋面和數據的正確性，如果錯誤使用，就可能導致結果不穩定和偏見的風險，出現“黑天鵝”事件。
比如用統計和相關計算模式來識別香蕉，如果我們在香蕉邊上放一些其他圖片，識別結果可能從香蕉變成烤箱，中間還有一定的比例是鼻涕蟲；熊貓圖片加上一些肉眼幾乎不可見的小噪聲，也可能被識別成長臂猿。這些圖片用人眼來看是一目了然的，但是人工智能為什么會犯錯，這很難解釋。因為AI的能力分布在巨大的參數中，出了這些問題，我們既無法解釋、也難以調試。
第三個挑戰：AI的效率
2022年第60屆全球超級計算機Top500排名第一的計算機是Frontier，計算性能約1102PFLOPS，能耗是2千1百萬瓦；而相比之下，人腦只需要約20瓦就能等效處理約30PFLOPS的計算。可見當前這些超級計算機單位能量的計算效率要比人腦低大約三萬倍到十萬倍。
除此之外還有數據效率。我們除了通過從大數據中得到統計規律，來認識和理解世界外，能不能從小數據中進行思考，發現邏輯性，形成概念，抽象出原則和規律？
面對挑戰，如何突破？周紅提出了自身見解。
首先，建議從實用的角度，來發展知識和智能。比如通過從外部環境和我們自身的事實和現象的經驗中，歸納、抽象、驗證其概念、屬性、關系和運行規律，來發展知識。通過感知與交互、計算或者試錯，在復雜的環境和有限的資源下達成目標，來發展智能。
近幾年學術界有很多跳出Transformer之外的新型AI架構的思考。我建議發展感知與建模、知識自動生成、自動化求解三個核心部分，通過從多模態感知融合與建模，到“知識+數據”驅動的決策，實現更高正確性的自主智能系統。希望上述思想和技術能夠映射到未來的自主系統中，更好地支持自動駕駛網絡、自動駕駛汽車、云服務等領域。
其次，是發展更好的計算模式，以及與之匹配的計算架構與計算部件，來持續提升智能計算的效率。
我曾和菲爾茲獎教授Laurent Lafforgue討論，當前在視覺與空間計算上，往往采用像素點來表達物體，但是絕大部分物體的識別與其像素點的顏色沒有直接的關系，甚至是毫無關系，它們在不同的光下呈現不同的顏色，可以通過幾何流形來進行表達和計算，看看能不能用很小的數據量來抓住物體的不變性。
EPFL的Gestner和Kistlei等教授寫了一本《神經動力學》的書，介紹了人大腦皮層的功能柱、以及功能柱中的六層連接情況，這樣的淺度神經網絡架構，會不會比深度學習更高效？
在當前的很多AI計算上，面臨存儲瓶頸的問題，我們往往要花比計算多上百倍的時間來讀寫與搬移數據，今后能不能拋開傳統的馮·諾依曼架構的處理器、指令集、總線、邏輯器件和存儲器件，圍繞先進AI計算模式的需要來定義新的架構與部件？
華為在計算領域所做的一些探索
AI for Industry：
通過行業大模型促進價值創造
華為在視覺、語言文字、圖網絡、多模態等專用L0基礎大模型之上，形成L1行業專用大模型，來降低開發門檻、提升泛化能力，解決應用碎片化的問題，推動從“作坊式”走向工業化升級，幫助電力、煤礦、交通、制造等重要行業，提升作業效率、提升安全性。比如，在煤礦場景，華為幫助客戶通過模型訓練與推理，來實現瓦斯濃度的超前預警、作業序列的風險防范、以及作業質量的智能驗收；華為的智慧港口方案，已經在天津、青島、上海、深圳等港口實現智慧化應用。華為機場與軌道軍團在呼和浩特、武漢、西安、深圳、香港等地與客戶及合作伙伴們一起探索城軌、鐵路與機場的數字化轉型，不僅提升作業安全性與效率，還提升用戶體驗與滿意度。比如在深圳機場，通過基于云和大數據以及AI創新，實現了智能機位分配，每年可以節省260萬旅客免坐擺渡車，成為全球數字化轉型的標桿。
AI for Science：
極大幫助提升科學研究的能力
比如，我們通過構造新型的、地理信息3D Transformer編碼結構，以及層次化時域聚合方法，推出盤古氣象大模型，通過更精準、高效的學習與推理機制，從大自然歷史運轉出來的數據中提取出全球氣象先驗知識，代替傳統科學計算的超大規模偏微分方程的時序求解，從而可以實現快速完成全球未來1小時到7天的天氣預報，預測精度比歐洲中期天氣預報中心高20%以上。在這兩張臺風軌跡圖中，藍色軌跡是歐洲中期天氣預報中心給出的預測，實際路徑是黑色軌跡，華為盤古大模型的預測的路徑是紅色軌跡，可以看出，這個預測非常接近實際情況。
再比如制藥領域，藥物靶點發現是藥物研發過程的關鍵問題。傳統的分子對接計算方法效率高，但是沒有考慮蛋白質的柔性，導致搜索空間小，尋找到的靶點少；而分子動力學模擬考慮了蛋白質的柔性，但是計算量非常大。我們的專家與北大教授一起提出了基于元動力學的靶點發現和構象搜索算法，加速小分子遍歷蛋白質的過程，對同樣的構象搜索，傳統方法需要37天，華為只需要6個小時，提升了150倍效率。
在軟件編程上，除了用傳統AI在大量已有代碼中進行檢索和推薦外，我們也在發展科學的模型驅動和形式化方法。也通過新的AI計算模式，來研究定理自動證明問題。比如拓撲斯理論有助于探索范疇證明、同余推理系統、自動理論導出，提升定理證明器的水平，希望解決形式驗證中的狀態爆炸問題和自動模型抽象問題，增強形式驗證能力。
在走向智能社會的過程中，可能有超過百倍、甚至千倍的信息需求增長。我們將這些面向未來的思考放在黃大年茶思屋網站上，促進開放的探討交流，希望能與伙伴們一起，開展相關的基礎科學研究與技術創新，重構基礎理論、重構架構、重構軟件。同時我們也贊助青年學者，并在ICPC、IMC、以及其他全球學生奧林匹克競賽中，分享這些挑戰和方向、贊助學生訓練營、激勵和培養更多的未來領軍人才。
