英特爾實驗室主管談量子計算、概率計算與神經形態計算

去年年底接掌英特爾實驗室的Rich Uhlig，暢談英特爾公司對於未來計算的發展願景。

英特爾公司一直在努力尋找讓CPU更快、更高效的途徑，出色的表現也使其贏得了「晶元巨頭」這一美譽。然而，隨著摩爾定律的終結，英特爾公司開始探索利用英特爾實驗室創建新型擴展計算架構的方法。

量子計算正是其中的一項核心舉措。英特爾實驗室一直在測試自己的49量子比特處理器。除此之外，英特爾實驗室也在神經形態計算（一種模擬結構，希望通過晶元中的人工神經網路模擬一部分人腦功能）以及概率計算也被納入日程，旨在幫助用戶量化人工智慧應用所帶來的一系列不確定性需求。

自2018年12月以來，Rich Uhlig一直擔任英特爾實驗室主管。雖然看似時間不長，但他自1996年加入英特爾之後就一直為晶元巨頭效力（最近晉陞為英特爾實驗室系統與軟體研究主管），因此他對於各項基礎性工作顯然相當熟悉。我們與Uhlig討論了量子、神經形態與概率計算，並詢問這些系統將如何幫助我們管理AI，包括這些技術可能帶來的衍生成果中又有哪些值得引起我們的關注。

記者：根據英特爾公司的量子計算時間表，我們目前處於「系統階段」。這到底是什麼意思，我們又將如何從系統階段過渡至商業階段？

Rich Uhlig:在英特爾公司，我們專註於開發具備商業可行性的量子計算機，這要求我們在量子比特方面提高到新的水平。我們已經成功製造出一塊49量子比特的超導晶元，這意味著我們能夠著手將量子處理單元（簡稱QPU）集成到系統當中，並利用這套系統構建一切需要的元件，最終實現各量子比特之間的同時協作以改善效率及可擴展性。我們正在努力創建一套真正可行的量子系統，確保其能夠由實驗室環境下的50量子比特擴展至商業系統所需要的數百萬量子比特——是的，實際可用最重要，而非專註於量子比特的一點提升進行大肆宣傳。

那麼，利用神經形態計算模擬人類大腦的作法，能夠帶來怎樣的好處？

人類大腦的魅力，在於它能夠實時處理高度複雜的信息，而且能量消耗很低。我們的目標不一定在於模仿大腦，而要希望了解是哪些規則為大腦帶來了如此令人印象深刻的高效功能，而後將這些規則應用於我們的晶元構建設計。目前，眾多關於細粒度並行性、動態計算、信息時間編碼、事件驅動型操作等規則給我們帶來了重要啟示，讓我們意識到這些新我有望在計算系統的功能性與效率性方面實現雙重突破，最終打造出新的架構與演算法。

那麼，為什麼概率計算能夠與量子及神經形態計算一道，得到英特爾公司的高度關注？

概率計算使我們能夠處理周遭環境中自然數據的不確定性，並通過理解數據與模型中的不確定性來預測世界上的事件。只有當我們了解如何利用概率分布模擬周圍的世界時，人類才能真正預測實際場景中接下來將會發生什麼，以及這一切對我們行動造成的影響。通過利用概率方法增強深度學習，由此帶來的不確定性測量能力將打開理解AI系統如何做出決策的大門。最終，這將幫助我們解決AI系統中常見的偏見等重要問題。

我們對於概率計算的研究，其核心實際上在於建立一種能夠評估下一波AI方案性能的新方法——即一種能夠對「雜訊」數據進行實時評估的方法。第一波AI系統仍然主要關注邏輯，即預編程規則。但第二波AI將旨在提高認知水平與感知信息的能力，包括利用神經網路隨時間推移進行不斷學習。然而，這些解決方案尚無法做到人類在接觸真實世界時自然而然就能完成的事情。它們無法根據手頭的現有數據考量多種潛在情景，同時也無法充分利用手頭沒有直接提供的潛在背景數據。

要解釋這一概念的重要性，我想舉個例子。假設您正在開車並看到一個足球滾到街上，這時大家最直接、最自然的反應肯定是儘快制動，因為可以想像很可能有個孩子會追著球很快衝到街上，且時間間隔不會太長。這就是人類的延拓分析能力，目前的AI顯然不具備這種思維方式。

根據自然數據帶來的經驗與人類行為推斷，駕駛員會決定停車。但是，傳統計算機恐怕無法實時給出相同的結論，因為目前的系統還沒有立足編程層面有效挖掘雜訊數據並根據環境認知做出決策。然而，對於自動駕駛這樣的實際應用，其中可能需要一套概率系統以供調用，從而快速評估情況並立即採取行動（停下車輛）。只有這樣的系統，才能真正安全地被應用於現實場景。

我們是否需要新型設備才能承載這些神經形態與概率計算？如果是，那麼這些設備需要具備哪些屬性？

就目前來講，我們相信受到這些新型計算範例啟發的創新成果有望為使用現有工藝技術製造出的晶元提供有意義的指導。但在未來幾年，如果要繼續保持發展，我們必然需要設備層級的進步。以神經形態計算為例，我們將需要更為密集的存儲器技術以及具備非易失性塑性動力學的新材料。而在概率計算方面，則要求我們擴展現有AI解決方案以納入能夠以概率分布方式進行計算的新型、有效的實現系統。面對神經形態與概率計算，要達成效率提升這一最終目標，我們可能需要使用包含物理雜訊源的設備與電路以直接體現其中的隨機動態屬性。

英特爾實驗室主管Rich Uhlig

這些新型設備是否會影響到英特爾公司所關注的計算類型，或者指導未來新設備中採用的計算類型？

這其實會以一種相互作用的方式體現。設備技術與摩爾定律的發展使得新型架構成為可能，而新架構中的理念也將推動市場對於未來設備技術的需求。然而，二者面臨的真正驅動力，在於我們立足現實世界收集指數級增長中的客觀新數據的要求。這些數據的收集、存儲與分析等需要配合新的計算模型，並有可能給我們所有人帶來令人難以置信的新奇體驗。

AI的未來是否在於脈衝神經網路？

脈衝神經網路（簡稱SNN）可以說是當今用於深度學習的人工神經網路的天然繼承者。通過將時間動態直接集成至操作當中，脈衝神經網路非常適合處理真實感官數據，例如聲音或視頻，特別是在需要快速響應與適應的情況之下。從演算法的角度來看，脈衝神經網路為構建神經網路提供了一種原則性方法，其能夠及時處理事件，例如支持一次性學習或做出決策。而從實現角度來看，脈衝機制的存在則允許神經形態架構利用這些演算法的高稀疏度活動提高能效。這些優勢將為邊緣設備提供巨大的價值——包括在製造車間、自動駕駛車輛或者機器人等應用場景當中，它們所面對的不可預測的數據需要得到實時處理與消化。

在您看來，能夠為大多數人帶來實際收益的第一種量子與神經形態計算應用會是什麼？

量子計算能夠解決傳統計算機需要數月甚至數年才能解決的問題，甚至攻克不少目前完全無法解決的問題。其中可能包括藥物研發、財務建模以及氣候預測等等。而在神經形態晶元方面，第一種應用可能來自那些需要實時定製訓練功能的應用，具體取決於特定設備所處的實際環境。舉例來說，神經形態晶元可以讓語音識別系統得以自主適應具有濃重口音的用戶，或者在動態環境下控制機器手臂。

有沒有人擔心這些計算技術的出現，將導致我們更難理解未來的計算系統究竟如何做出其判斷？這些決策的可解釋性處於怎樣的程度，我們又該如何加以改進？

這確實是個值得關注而且相當活躍的研究領域，您可以將其稱為「可解釋AI」議題。例如，如果工程師無法清晰闡述某種設備如何或者為什麼做出某些行為，那麼我們絕對不會允許推出這些可能危及人類安全的方案。我們認為概率計算在這一領域有可能帶來一些優勢，因為其構建起一套框架，可用於理解答案中的潛在錯誤。這可能將支撐起更高級別的策略，這些策略將決定系統本身最終如何參與到物理世界中來。

最後一個問題，這項技術的發展是否有可能出現偏差？您最擔心其出現怎樣的偏差？

與任何一種新興技術一樣，這些前所未有的計算方式當然可能產生意想不到的後果，因為其中既有優勢也有缺陷。舉例來說，量子計算的一類潛在應用就是破解目前廣泛使用的加密演算法，這將導致敏感數據直接處於風險當中。雖然我們還沒有達成這一目標，但需要強調的是，我們也還遠沒有開發出能夠在後量子計算世界當中繼續保護數據安全的強大新型加密技術。另外，同樣需要強調的是，AI的進步將真正改變我們與數據的關係以及我們制定決策的具體方式，也將使我們難以判斷何時適合將某些決策委託給機器。因此，當下我們面對的真正挑戰並不僅僅是讓這一切成為現實，而是以理智的方式做出選擇。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！