最近几天，新冠疫情在北京再次升级，使总体向好的国内抗疫形势变得严峻。刚刚重启的生产生活被再次打乱，我们或许在未来较长一段时间内都不得不面对防疫常态化这一现实。本周，我又开始切换到“云办公、云生活”的状态。远程办公、视频会议已成习惯，孩子的课业交给了在线教育平台，消费和娱乐的方式也变成了看网络直播、听云演唱会。在疫情这一特殊的场景下，一系列新型AI应用需求被全面激活，AI真正渗透到了我们日常生活的方方面面。
作为一个科技从业者，我深知这些AI新应用的爆发绝非一日之功。从量变到质变的过程，是长期的科研布局与数字化基础设施建设的结果。瞄准长远的目标与价值，坚持长期的科技研究，是我们面对“疫情”这样不确定事件时唯一确定的事情。这不仅需要前瞻性的视野与布局，还需要有不为眼前利益所动摇的决心与意志。
从AI的发展进程看，人类对于AI的探索已经持续了70多年。回望AI的发展历程，我们可以清晰地捕捉到几个关键的节点。AI第一波浪潮，是通过由人制定的各种规则去做理论性的推理。虽然在推理方面表现不俗，但仅限于几个严格定义的问题，且没有学习能力，无法处理不确定性问题。而真正令AI渐入佳境的，则源于由深度学习所触发的AI第二波浪潮。互联网、移动互联网等所产生的海量数据，给机器提供了学习、挖掘和试错的对象，让系统得以自发地找到“规律”，作出预测、判断和决策。数据的增长，外加算力的提升以及基于深度学习构建的算法演进，这三张“王牌”让一些典型的深度学习应用达到甚至超越了人的能力。这使得越来越多的乐观主义者深信，深度学习是极具价值且值得产业界大规模跟进的方向。
然而，深度学习就是AI的终极答案吗？随着对于深度学习的研究深入，我们发现还有一些问题亟待解决。首先，“能耗”是最大的挑战。有研究报告显示，采用服务器级别的CPU加上GPU集群去训练一个大型AI模型，其所消耗电力产生的碳排放量，相当于5辆美式轿车整个生命周期所消耗的碳排放量。试想，如果各行各业都沿用这样的AI计算模式，人类的生态环境将会遭到何等的破坏。然后，“数据量”是又一大挑战。目前的深度学习过于依赖大数据，在一些小数据量的场景下，深度学习使用会非常有限。AI应该像人类大脑那样，通过小数据进行自我学习。在训练过程中，如何在保证AI模型能力的情况下，大幅降低能耗并减少所需花费的时间和数据量？这是AI继续向前发展的重要方向。但现在看来，基于大规模GPU并行计算去加速深度学习训练的方式，并不能满足这个条件。
一个真正的智能系统，应该是环境自适应性的“自然智能”。首先，它不仅能处理确定性的问题，还能处理不确定性问题。第二，它不仅能够做事，还必须是可解释的。第三，它不完全依靠大数据驱动，即便少量数据也可实现更高效能的持续学习。第四，它应具备高可靠性，或者说符合人类给它设定的伦理道德。这是我们对于AI技术下一发展阶段——AI 3．0时代的展望。
目前，我们正处于从AI 2．0到AI 3．0时代的转折点。那么，究竟什么有望成为穿透AI未来的“利刃”呢？从目前看，作为一种前沿的计算模式，神经拟态计算最有可能开辟出一条从AI 2．0到AI 3．0的崭新赛道。神经拟态计算，是在传统半导体工艺和芯片架构上的一种尝试和突破。它通过模拟人脑神经元的构造和神经元之间互联的机制，能在低功耗以及少量训练数据的条件下持续不断自我学习，大幅提高了能效比。显然，神经拟态计算的特点非常符合AI3．0的发展需求。因此，神经拟态计算也被寄予厚望，有可能在人类迈入下一代AI的进程中发挥重要作用。
英特尔是一家立足长远、推动底层技术创新的公司，以此来帮助客户取得商业应用上的成功。为此，我们不断对前沿技术领域加大研究，即便这些领域在短期内无法看到实际成效。围绕神经拟态计算，我们从很早就开始积极探索这一崭新的计算模式，并取得了令人瞩目的成就。英特尔的神经拟态计算芯片Loihi已经具备了嗅觉的能力，神经拟态系统Pohoiki Springs已经拥有1亿神经元的计算能力，这已经相当于一个小型哺乳动物的大脑。
当然，神经拟态计算还处于非常早期的阶段，要想将这项技术真正应用于AI，我们还有很长的路要走。但我相信，底层技术的创新必须坚持长期主义，长时间地专注于一个方向与赛道，以这种确定性去对抗发展过程中的一切不确定性，才有可能最终取得成功。
