張金穎

隨著人工智能技術的廣泛應用和通信領域技術的演化邁進，均具有賦能效應的二者的相互融合共生發(fā)展成為必然趨勢，在通信網絡架構優(yōu)化及網絡傳輸效率提升的大背景下，人工智能得以在極短周期內完成海量數據傳輸、整合，及推理運算，整體技術發(fā)展呈現七大趨勢。

方向一：端-云芯片“并駕齊驅”。云端方面，英特爾推出Nervana NNP-T和Nervana NNP-I芯片，并在2020年推出獨立GPU Xe，寒武紀、比特大陸、燧原科技等國內企業(yè)紛紛從細分領域逐步切入云端AI芯片市場。終端方面，隨著AI推理任務向邊緣端轉移，英偉達、谷歌等云端AI芯片龍頭相繼發(fā)布面向邊緣端的AI芯片，英特爾也將在端云一體戰(zhàn)略下構建多元化AI芯片體系。

方向二：5G激發(fā)高通量計算發(fā)展活力。5G技術將計算和存儲能力前推至接入網，一方面通過邊緣計算實現AI在終端側的應用，打破以往數據處理主要集中在云端的制約，使終端與云端間實現良好銜接和互補，滿足AI對高通量計算力的需求;另一方面助力提升AI技術連接效率，使深度學習、數據挖掘、自動程序設計等在更多應用領域得以實現。

方向三：通用、邊緣端深度學習開源框架持續(xù)演進。當前主流深度學習開源框架TensorFlow和PyTorch性能持續(xù)發(fā)展完善，應用熱度大幅增長。谷歌在TensorFlow 1.0基礎上推出了升級版本2.0 Alpha，能夠與iOS系統(tǒng)集成，大大增強其移動性和可拓展性。據arXiv.org平臺數據，去年上半年發(fā)表的應用PyTorch框架的論文同比增長率高達194%，應用熱度實現強勁增長。

方向四：量子機器學習搭建量子計算與人工智能融合橋梁。隨著通信技術發(fā)展下的數據連接規(guī)模指數級增長，以及深度學習模型網絡參數的持續(xù)擴增，馮式體系計算結構框架瓶頸亟待突破。2020年3月，谷歌發(fā)布用于快速構建量子機器學習模型的開源庫（TFQ），為控制和模擬自然或人工量子系統(tǒng)提供助力。未來量子機器學習有望大幅降低機器學習計算復雜度，實現更高的計算效率。

方向五：存算一體等可重構架構將驅動芯片架構創(chuàng)新。隨著5G商用和云計算需求的迅猛增長，提升算力能力、降低算力成本成為各類大規(guī)模數據中心的核心訴求，而存算一體則被認為是突破AI算力瓶頸的關鍵技術之一。國內初創(chuàng)企業(yè)清微智能采用軟硬件可編程、混合粒度的可重構架構（CGRA），解決了傳統(tǒng)指令驅動的計算架構取指和譯碼操作的延時和能耗問題。

方向六：認知智能走向產業(yè)化。在新一代通信技術助推下，數據傳輸能力、計算力和存儲方式持續(xù)升級，圖像、語音、視頻、觸點等感知智能快速演進，在計算智能和感知智能發(fā)展基礎上，人工智能向具備分析、理解、推理、判斷等能力的認知智能延伸，并在反洗錢和安防領域逐步走向應用。安防領域，中國人民公安大學開發(fā)了基于犯罪者微觀行為和宏觀行為特征提取的犯罪預測、資金穿透、城市犯罪演化模擬等認知模型，助力安全事件預警和風險態(tài)勢感知。金融領域，中國銀行基于圖算法的跨境資金網絡可疑交易AI模型，已大面積替代反洗錢人工甄別。由此可見，認知智能正逐步圍繞不同場景服務于產業(yè)。

方向七：算力生產的底層物理邏輯有望顛覆。在當前通信技術飛速發(fā)展背景下，數據傳輸更為高效，但傳統(tǒng)硅基集成電路卻逼近物理極限，高介電常數介電層、鰭式晶體管等新材料和器件雖延展了傳統(tǒng)半導體性能并逐漸成為主流，但并未從源頭上改變傳統(tǒng)數據處理、存儲的底層物理邏輯，難以根本性解決人工智能的算力制約問題。當前碳基材料（碳納米管、石墨烯）、鍺和III-V族等硅基替代材料、分子和生物材料（分子、原子級存儲器件）、鐵電材料等晶體管低能耗介電材料、可導致3D堆集的二維納米材料等物理機制已逐步清晰，將為算力生產物理根基的顛覆性重塑、算力的指數級提升、數據高效處理與存儲帶來更多新的可能。例如，基于量子效應的強關聯材料和拓撲絕緣體，以及磷烯、硼烯、石墨烯等二維超導材料可導致無損耗的電子和自旋運輸，具有成為全新高性能計算邏輯、存儲器件的基礎。