【新智元导读】从现在看十年后的未来，人工智能的边界会走到哪一步？在越来越多的智能设备接入互联网时，人的智能与机器智能要如何共生？在10月18日举办的AI World2019世界人工智能峰会上，英特尔中国研究院院长宋继强发表主题演讲，带领我们一起探索智能的边界。欢迎来新智元 AI 朋友圈与大咖一起讨论～

10 月 18 日，以“AI 元力，重启未来”为主题的 AI World 2019 世界人工智能峰会在中国北京中关村展示中心成功举办。峰会由海淀区政府、中关村科学城管委会主办，新智元、海淀园管委会、智源研究院承办。

在峰会现场，英特尔中国研究院院长宋继强发表以《探索智能的边界》为主题的演讲，分享了英特尔在智能硬件研发上的探索和最新进展。

英特尔中国研究院院长 宋继强

据第三方统计，到2020年将有500亿智能设备接入互联网，数量已经是人使用智能设备的10倍，而这些接入互联网的设备都具有数据采集能力、处理能力、联网能力和感知能力。

我们怎么和这些智能机器一起共生？宋继强的演讲围绕这一命题展开

人的智能的边界在于如何与机器连接，机器智能呢？

机器的运动能力在逐渐提升，感知外界能力也在提升，交互能力也在提升，而且联网是它的天然的优势。宋继强表示，他相信机器的智能必将超越人类智能，但未必一定像“奇点论”一样，机器智能会在某一年超越人类智能，而且一路以指数级上升让人追不上；但机器智能肯定会逐渐超越人的智能，这是一个大的、不变的趋势。

那么在这种大的假设之下，作为人类，我们的智能和机器智能是什么关系？如何与它共生？这是我们这一代科技工作者必须面对和思考的问题。

先看下人类智能的发展。“奇点论”用一条平缓的曲线描述了人类智能的发展，无论是时间维度还是空间维度，都无法达到十倍以上的增长。而历史上人类能力的大幅度提升都是结合了新的科技、新的工具，也就是称为ICT硬件通讯能力的提升。

那么，未来人类智能的边界在哪里？人的智能边界就在于我们如何与机器连接，搭上机器发展的快车，人的智能边界就能得到很好的扩展。

那么，机器智能的边界又在哪里？得益于深度学习的快速发展，机器智能的感知能力已得到大幅提升，未来发展的要点在哪里？宋继强院长在峰会上表达了三个要点：

一是认知能力，即能否深刻理解这个场景，而不只是看到和听到；

二是持续学习的能力，不一定需要很大量的数据和标注，而是自己可以通过小数据、根据场景逐渐学习，具备适应服务对象、适应服务环境的能力；

三是处理不确定性的能力，这一点恰恰是人类现在最强的，我们有很好的预判、假设、验证、改进，也就是处理不确定性的能力。

几级能力逐步递进，很难跳跃，当自主的系统具备处理不确定性的能力时，它才可以较好地服务普罗大众。

机器在认知能力上的优势在于比人拥有更多的感官。人的感官通常是视觉占了80%的信息输入，然后是听觉和触觉。但机器拥有超越人的可视范围的视觉，包括红外、激光雷达，可以感知距离，也可以用毫米波去感知很多微动。这就意味着机器的感知模态是比人更多的。

那么人比机器强在哪里？人有先验知识，机器无法从场景中学到人类日常学习获得的知识。因此在做认知框架时要同时考虑多模态输入融合和知识图谱，把先验知识加入进去，从而能够让机器做更准确、置信度更高，并且有效的分析和理解。

下一步再结合空间智能构造更好的知识图谱，实现从短时认知到形成时空记忆。举个例子，假如想让一个机器人在家里服务老人，老人向机器人提了一个问题，“昨天早上我吃药的药瓶放在哪里了？能不能找一下？”当前的深度学习是帮不到你的，只能看到那个场景，并不知道昨天你吃药把药瓶放在什么位置，甚至没有这样的信息。那么怎么做呢？要把场景理解语义化以后形成知识图谱。

上面的视频展示了一个例子：机器人用深度摄像机扫描这个环境，形成了三维的点云图，然后又变成了语义分割，里面可以有桌子椅子，有书有人，这些信息很结构化地存储到语义网络里面，然后再加上一个时间的维度就可以被搜索、被查询，构建起一些关系。即使想查一星期、一年之前的东西也是可以查到的，因为我们把短时的认知形成了时空的记忆。

假如我们要训练机器人和无人驾驶汽车，真实操作的话是有风险的，要是没有做好就会有人身伤害、财产损失，那么应该在模拟环境当中反复训练学习。未来考虑到多个智能体的合作、非智能体和智能体之间的互动，我们要让多个主体一起学习，就是越来越依赖于在虚拟的世界进行智能的训练和提升。

上面的视频展示了研究员通过抓住机器人胳膊的方式教它怎么把一个小球倒到碗里，抓和倒的姿势教它一遍就够了，然后它自己在模拟器当中训练。首先是可以完成这个动作，自己产生运动规划的路径，其次就是要能够扩展，假设已经开始看到地上的小碗在哪里，我们把这个目标的位置移动一下，它仍然可以快速地适应。

“‘模仿学习+强化学习’具有巨大的潜力”，宋继强院长说。

机器智能发展的硬件基础

相比认知和学习能力等软件上的提升，机器智能的发展也离不开硬件基础。作为芯片领域的老大，英特尔在智能硬件开发上拥有独一无二的优势，英特尔人工智能硬件矩阵，针对不同任务的多架构创新，可将标量、矢量、矩阵和空间等不同架构整合到系统级平台和系统级封装，全方位提升性能和灵活性。

传统的CPU是以标准通用计算的方式，可以很好地以理论讲述计算的逻辑，以流程图为基础做出代码；中间是现在最流行的基于深度学习、强化学习的应用，是把脑的神经元结构做了非常简单的抽象，抽象成了一个感知机，然后通过简单的网络模型大规模连接起来，主要的计算机理就是矩阵运算，通过专门设计这种矩阵加速硬件进行加速。但这未必是符合人脑的计算方式，因为需要很高的功耗、很大的计算强度，而人脑只需很低的功耗就可以做事，而且可以学习很多不同的东西。

再往前进一步，如果我们能够更好地模拟脑的工作方式，我们希望能够做到神经拟态计算这种方式，能够更好地模拟人脑神经元的结构，不仅是多路的输入和强度，同时还有时间先后的延迟顺序。一个脑当中可以同时学习多种任务，包括语音任务、视觉任务、决策任务、操作控制等等，它是多功能的。硬件上可以具备一边工作一边学习的能力，也就是片上的学习能力，这些都需要突破式的发展才能做到。

在智能芯片研发上，英特尔的Loihi神经拟态芯片实现了计算和存储功能的整合：单芯片中的128个小核各包含1000个神经元硬件设计架构，模拟多个“逻辑神经元”，支持多种学习模式的可扩展的片上学习能力，实现多种不同的神经网络突破。

今年5月，英特尔发布了64片集成在一起的基于Loihi互联的系统，内部含有接近800万神经元，约等于一条小热带鱼的脑容量，支持机器更灵活的学习。

宋继强表示，这样的系统继续下去还可以堆得更大，但我们要看怎么支持它做更灵活的学习，不是简单的堆砌系统的尺寸。因为有摩尔定律的继续发展，未来十年密度还会增加，所以这个不担心。

量子计算：架构创新的新探索

作为计算架构创新的典范，英特尔的计算架构革命实现了从49量子位超导量子测试芯片、用100纳米以下的工艺制造的硅电子自旋量子比特芯片，到推出全球第一台低温晶圆探测仪量子计算测试工具，与学术界、产业界共同推动量子计算产业化的发展。

关于量子计算的早期应用，当现在发展到50个左右量子比特的规模时，其实只能做一些简单算法的概念验证。真正要解决小规模的问题，例如材料研究，至少需要1000个量子比特，而且指的是逻辑的量子比特。一个稳定的逻辑量子比特需要数十个物理量子比特纠错构成，因此需要的量子比特数是很大的。

真正的商业应用需要，比如加解密和机器学习、容错系统，通常需要百万级的物理量子比特构造，宋继强认为达到那个程度还需要8~10年左右。

而对量子计算的定位，宋继强院长认为最好的定位是作为良好的协处理系统，放在云端增强现有经典计算处理不好的事情。而不是取代现有的经典计算。

未来最好的智能发展趋势在于，人通过脑机接口或植入芯片可与机器连接，也可以通过携带的手机、眼镜等穿戴设备和机器连接。总之要有一个办法和机器连接起来，然后就可以借助于边缘智能和云智能，进一步扩展人类的智能边界。