之江实验室与Science《科学》联合发布智能计算领域十大科学问题

2

模拟计算是否存在统一的理论模型？

模拟计算用硬件来模拟算法，测量如电压、光强等连续信号。它在解决特定问题上具有耗能低、运算效率高的优势。但很多年前，随着数字计算的出现(计数取代了测量)，模拟计算就不再受追捧了，部分原因是当时很难扩大其规模，也很难验证模拟系统。

然而，因其能够模拟生物网络的组成部分（如突触和神经元）的特性，模拟计算又开始兴起。不同的算法和平台已经发展起来，都试图在模拟领域建立更有效的测量方法。

但是，目前使用多种物理载体和计算方法进行仿真和计算是一种不完善的实践。它需要一个统一的理论模型，以促进其标准化和大规模应用。

3

计算领域的重大创新将从何而来，量子计算的计算能力是否会接近人脑的计算能力？

硬件和软件的联合设计和共同进化很可能驱动重大的计算进步。创新来自各个层面：我们几乎每年都能看到具有独特性能的新兴设备取得突破。这些创新驱动着它们集成到电路中、分级系统中，以及被部署的算法和应用中；同时，如何进行集成也在驱动着创新。

一些新设备可能对传统计算没有用处，但可能使神经网络变得高效，而新的计算模型可能需要非传统的硬件支持。例如,需要新的架构来模拟星形胶质细胞的行为。星形胶质细胞被发现在认知中起着重要作用，与神经元有很大的不同。

量子计算机的操作方式与通用计算机不同。它们的发展仍处于早期阶段——目前它们主要用于大数分解等领域，如加密。他们是否有朝一日能够模拟认知计算，甚至人脑的情感能力，目前仍是一个热门的研究问题。

4

哪些新器件将被制造出来（晶体管、芯片设计和硬件范式：光子学、自旋电子学、生物分子、碳纳米管）？

在纳米尺度甚至更细微的尺度上，这些器件已经存在，或者正在被积极研究。关键是让它们变得更好，并更好地利用它们。

例如，有许多器件是基本的电阻，它们可以被编译成电平，这些电平被存储和传输。各种各样的技术——电子学、光子学等——都可以表现出非常相似的行为。这些行为很像大脑中的突触，通过它们信号可以被传输、放大或衰减，并且激发的信号可以被整合起来，产生突触波形。这将成为通用设备的基础。

一个问题是如何结合多个物理维度（如波长和偏振模式）来开发相应的光电互连器件。需要解决功率、性能、面积和成本问题，以扩大技术规模并使其逐步发展。

5

智能计算如何使智能机器成为可能？

专业术语“机器”是“计算”的基本概念。一台机器，无论智能与否，主要有三个组成部分:一个收集外部激励（数据）的传感器，一个储存传感器收集来的信息的存储器，以及一个从存储器收集数据并对其进行推理、采取行动或发送信号的逻辑单元。

智能机器将进行智能计算。接下来的问题是，我们是否可以创建一个智能计算范式。

6

如何基于数字孪生脑理解记忆存储与提取？

记忆存储与检索的时空动力学机制表明了记忆的高度可控性，为修复记忆的损伤带来新希望。然而，脑网络的协同性和动态性特征阻碍了对记忆复杂属性的探索。

研究人员已经创建了不同器官的数字孪生体，包括大脑在内。为研究阿尔茨海默病和癫痫等疾病，研究人员建模并仿真了它们的多尺度结构和功能。虽然这些被认为比模拟人的记忆要简单得多，但它们确实展现了概念上的可行性。数字孪生脑将使研究人员突破现有对记忆、及其病理和调制研究的时空尺度和准确性限制。

记忆是感官、情感、概念和运动之间的联系。即便我们成功复制了整个大脑，我们也不能忽视这些联系。

7

硅基计算和碳基计算最高效的融合途径是什么？

如今，硅基计算开始逐渐到达物理极限，需消耗大量电能且缺乏智能；生物大脑是目前所知碳基计算的最高级形式，聪明智能，但计算速度、准确度、可靠性不如硅基计算。碳基计算与硅基计算平台在很多方面都有不同。前者依赖于一个稀疏但高度连接的神经元网络，在信号处理方面很慢，但在某些应用方面很好；硅基计算则依赖于高度集成的二维布局，传输速度要快得多。

我们需要一种融合硅基、碳基计算的计算新范式。

研究人员正在探索至少两种路径以实现系统融合：一种路径是基于现有的硅基架构建立神经网络的数学模型；另一种路径是构建层层网络连接的深层神经网络。

在现有阶段，简单的互连不做计算。或许一条通往融合的道路将包括构建更像神经元突触的组件，整合信息并参与计算过程，而不仅仅是充当中继。

8

如何构建可解释的、高效的AI算法？

具有可解释性的高效人工智能（AI）算法一直是人们追求的目标。张量网络等新的数学方法，以及专家知识、逻辑推理和自主学习的有效整合，能否解决人工智能技术中可解释性与效率的困境？这种整合是否会打破深度学习作为“黑箱算法”的现状，建立可用于不同领域、不同场景（语音、图像、视频、数字孪生、元宇宙等）的新一代可解释方法体系？

9

能否实现具备自学习、可演化、自反思特征的强智能计算？

智能计算的目标是在人机物三元融合空间中，高效自主地解决大规模复杂问题。使用弱智能的方法能在一定程度上获得此类问题的良好结果，但本质上，这种方法严重依赖人工预设的物理符号系统、神经网络模型、行为规则集合等人类先验知识的定制化输入。

强智能计算可以根据输入和环境而动态变化。在不同的背景中，系统具有自学习能力可以避免重复输出先前的内部状态，具有可演化能力可以自适应地改进系统的架构模式，具有自反思能力可以根据历史任务求解的经验扩展模型的泛化性。因此，研究更高阶复杂度的计算理论，探索解决重大科学难题的自动化方法构造范式，让计算机自主进行任务理解和分解、动态优化路径构建、内核模型演化发展，是未来智能计算的重大科学挑战之一。

10

如何利用真实世界数据发现和归纳知识？

在计算领域有一个重要的争论，即机器学习是否能真正概括，或只是以更有效的方式简单重申已知的东西。能够识别测试集中的对象或标签可能是有争议的，无非是说这个对象与最初用来定义它的对象具有足够多的共同特征。

因此，智能计算需要以主动的、启发式的、开放的智能形式完成原本由人预定义逻辑执行的计算任务，同时，这类计算的效果需要在真实世界中得到验证。知识发现是知识驱动应用的前提，也是人工智能强弱区分的重要指标。真实世界数据的知识发现是智能计算要解决的重大科学问题。在开放世界的计算中主动式、启发式地感知异常、发现规律、归纳知识，通过有限状态机解决逻辑程序执行流程的局限性，是智能计算的重要任务和里程碑事件。