《科創(chuàng)板日報》（上海，記者 黃心怡）訊，人工智能已經(jīng)走過了60多年的歷程，當前正處于第三次發(fā)展浪潮之中。各類科技企業(yè)、互聯(lián)網(wǎng)巨頭、初創(chuàng)公司等都紛紛投入人工智能產業(yè)之中，也吸引了大量資本的涌入。但在人工智能的熱潮之下，同樣需要冷思考。

近日，英特爾院士、大數(shù)據(jù)技術全球CTO戴金權接受了《科創(chuàng)板日報》記者的專訪，探討人工智能和大數(shù)據(jù)的應用瓶頸、拓展方向以及數(shù)字經(jīng)濟所帶來的機遇。

他表示，人工智能當前還處于一個比較早期的階段，從開發(fā)者和實驗室走到現(xiàn)實的生產環(huán)境，在這個過程中存在一定的脫節(jié)。如何針對不同的場景做適配，以及如何實現(xiàn)整個端到端的流水線打通，都有比較大的挑戰(zhàn)。

但戴金權依然對人工智能未來表示看好。他認為，除了安防外， AI在制造業(yè)、數(shù)據(jù)中心智能運維、互聯(lián)網(wǎng)業(yè)務等領域都有很大的應用空間。

在談到數(shù)字經(jīng)濟的機遇時，戴金權認為，人工智能和大數(shù)據(jù)是數(shù)字經(jīng)濟的基石。在數(shù)字化之后，必然會產生大量的數(shù)據(jù)。首當其沖的是需要對這些數(shù)據(jù)進行管理。其次，在擁有大量的數(shù)據(jù)資產后，便可以利用大數(shù)據(jù)、AI技術對其進行分析，并以此來進行一些預測，甚至幫助人們做出決策。

▍以下是《科創(chuàng)板日報》整理的專訪實錄：

人工智能尚處于早期階段

《科創(chuàng)板日報》：當前，AI賦能各行各業(yè)的時候遇到了很多難點，例如，AI在中長尾場景的應用非常碎片化，這意味著需求大量的定制化，較難實現(xiàn)大規(guī)模應用，不知道您如何看待這個問題？

戴金權：我同意你的說法，今天AI還處于比較早期的階段，雖然我們看到在實驗室里、研究環(huán)境里有很多的創(chuàng)新成果出來。但這些技術要落到現(xiàn)實的應用里，仍舊存在許多挑戰(zhàn)。

比如，從數(shù)據(jù)到處理再到AI模型，怎么實現(xiàn)整個端到端的流水線打通；AI模型能否更好地針對各種場景進行優(yōu)化，以及AI依賴于定制化的軟硬件平臺難以擴展，如何做到普適化，讓更多人方便地應用AI。這些都是目前我們所遇到的難點。

雖說挑戰(zhàn)很多，但是我們依然很有信心。AI是一種技術，也是一個產業(yè)發(fā)展的方向，在未來必定大有可為。

《科創(chuàng)板日報》：國內企業(yè)正在研發(fā)預訓練大模型，試圖解決上述問題，您多年在英特爾從事全球性技術研發(fā)工作，從全球角度來看，大家會有哪些應對舉措？

戴金權：這取決于不同的技術路線。比如您剛剛提到的預訓練大模型，這是最近兩三年大家非常關注的一個方向——首先利用像Transformer這樣的新模型架構，在大量的模型上進行預訓練，之后再在下游的任務上進行適配和調優(yōu)。目前無論是國內還是國外，大家都在做很多這方面的探索，其范圍涵蓋了自然語言處理領域、計算機視覺領域等。

去年，我們和漢堡王有一個合作，利用Transformer架構做了推薦系統(tǒng)上的一些嘗試，也達到了很好的效果。當然，這其中存在技術難點。當模型越來越大，所需要的數(shù)據(jù)量和對計算的需求也越來越大。除此之外，在進行部署的時候，對資源和計算速度的高要求都造成很大挑戰(zhàn)。

為此，英特爾對模型進行了各種各樣的優(yōu)化。例如把浮點數(shù)運算轉換為整型運算，并且利用諸如VNNI、DL Boost等加速指令來幫助模型進行量化，以提高它的速度；對模型進行稀疏化等，使其在各種不同的硬件平臺上，從筆記本到嵌入系統(tǒng)，到邊緣服務器，再到云端的大算力，都能夠很好地進行部署，真正拓寬其應用。我們希望，通過硬件的加速，訓練模型架構上的創(chuàng)新，以及軟件的優(yōu)化，綜合起來達到更好的效果。

從實驗室走向產業(yè)應用存在脫節(jié)

《科創(chuàng)板日報》：在碎片化的AI應用場景，數(shù)據(jù)量比較少，是導致模型訓練存在困難的原因，您對此怎么看？

戴金權：這其實存在兩個問題，一是數(shù)據(jù)量不多，我們可以通過預訓練，或者通過遷移學習、多任務學習、元學習等各種方法來解決。

二是，有數(shù)據(jù)但沒有標簽，這是經(jīng)常會遇到的情況。我們和合作伙伴工作的過程中會發(fā)現(xiàn)有數(shù)據(jù)，但給數(shù)據(jù)打標簽本身的代價非常高。迄今為止，我們本質上還處于“監(jiān)督學習”，仍舊需要在標簽上做更多努力。

目前有很多探索方向，比如大家都在積極探索的“無監(jiān)督學習”、“自監(jiān)督學習”等技術。至于是否到了非常成熟的階段呢？可能還沒有，但是我們仍舊認為這個方向是大有可為的。

《科創(chuàng)板日報》：除了碎片化需求， AI在落地和實施方面還存在哪些痛點？

戴金權：從開發(fā)人員的角度來看，在開發(fā)機上完成開發(fā)后，要在大規(guī)模的數(shù)據(jù)集群上試驗，進行生產化部署，整個過程在今天來說還是有非常大的瓶頸。

特別是很多的開發(fā)人員，就是一個數(shù)據(jù)科學家，并非專門做高性能計算、分布式計算的開發(fā)人員。為了把AI成功應用到生產環(huán)境當中，這些數(shù)據(jù)科學家就需要在分布式大規(guī)模的場景上進行實際的部署，在整個過程中是有一些脫節(jié)的。

在這方面我們做了一些初步的工作，包括推出開源大數(shù)據(jù)項目BigDL 2.0。通過構建“數(shù)據(jù)+AI”的可擴展平臺，把AI應用或者流水線，能從筆記本無縫地擴展到分布式大規(guī)模的云集群當中去，做到在筆記本開發(fā)和在云上開發(fā)是一樣的體驗。

這樣，數(shù)據(jù)科學家可以更加集中在自己想做的模型、算法的創(chuàng)新上，而不用管底層大規(guī)模分布式如何進行，也不用管怎么從筆記本遷移到云里。

數(shù)據(jù)是數(shù)字經(jīng)濟發(fā)展的關鍵要素

《科創(chuàng)板日報》：中國正在大力發(fā)展數(shù)字經(jīng)濟，今年兩會的政府工作報告上也提出要培育人工智能等數(shù)字產業(yè)。近年來，AI主要在安防、公共安全等領域有一定應用，大量的公司也都集中在這個領域競爭。您是否看到，AI在其他行業(yè)有新的機會？

戴金權：安防當然是非常重要的一塊。英特爾也有物聯(lián)網(wǎng)事業(yè)部，在智能攝像頭、智能攝像機方面做了非常多的工作。

同時，中國是一個制造業(yè)強國，如何將這些AI計算機視覺技術應用到制造業(yè)之中，比如在缺陷檢測等方面，存在較大的發(fā)展空間。

此外，在電信運營商和數(shù)據(jù)中心領域，無論是基站還是數(shù)據(jù)中心的時序數(shù)據(jù)，都可以利用時序分析對其進行智能運維；在通訊網(wǎng)絡或者數(shù)據(jù)中心里，通過AI預測負載變化來省電，進行更合理的資源調度和任務分配等；在互聯(lián)網(wǎng)業(yè)務或者是在線服務當中，則可以利用AI進行各種各樣的推薦以及內容挖掘。這些都是非常重要的應用舞臺。

在我看來， AI開始把大量的數(shù)據(jù)處理分析和深度學習、機器學習技術結合在一起，對場景進行適配或應用，的確帶來很多不同的新應用機會。不管是針對更精準的匹配，還是更好的質量檢測，或是想要更加綠色、環(huán)保、節(jié)能的發(fā)展，AI都有著很多的可能性。

大數(shù)據(jù)分析也是應用非常廣泛的技術，無論在國內還是國外，各行各業(yè)都有非常廣泛的應用。從某種意義來說，大數(shù)據(jù)分析也是今天數(shù)字經(jīng)濟的一個基石。

《科創(chuàng)板日報》：您剛剛講到，大數(shù)據(jù)和AI技術都是數(shù)字經(jīng)濟的基石?，F(xiàn)在大家都很關注數(shù)字經(jīng)濟領域的機會。不知道您如何看待數(shù)字經(jīng)濟所涵蓋的上下游產業(yè)鏈，以及哪些技術應用更為核心關鍵？

戴金權：首先，無論是資產、運作、還是生產活動，都在越來越多地進行數(shù)字化。而數(shù)字化之后必然會產生大量的數(shù)據(jù)。比如一個大城市，會擁有幾十萬、上百萬的基站，這些基站中的設備每隔幾秒鐘就會產生大量的數(shù)據(jù)。首當其沖的便是如何對這些數(shù)據(jù)進行管理，包括存儲、處理等。

第二，在擁有數(shù)據(jù)資產之后，利用大數(shù)據(jù)技術，結合機器學習、深度學習的技術進行挖掘，得到所謂的“洞見”，即我們說的“有什么趨勢、模型是什么樣的”。在此基礎上我們便可以做預測，甚至幫助人們做一些決策。

像在電信行業(yè)，隨著5G網(wǎng)絡的發(fā)展，對網(wǎng)絡運維的要求越來越高，如何更好地分配帶寬和頻譜？對于5G網(wǎng)絡的功耗問題，如何通過智能調整來進行節(jié)能省電？這些都是在網(wǎng)絡數(shù)字化的基礎上可以做的事。

《科創(chuàng)板日報》：當下，人工智能算力需求的增長速度大大超過了芯片算力的進步，算力不足成為普遍現(xiàn)象，驅動計算架構從單一通用架構（CPU+GPU）到混合異構架構（CPU+GPU+FPGA+XPU），您對此的看法是？

戴金權：英特爾的策略是XPU。這是一個超異構的架構，包括像CPU的標量計算、GPU的矢量計算、FPGA這樣的空間計算以及各種各樣的加速器。英特爾已經(jīng)做了相應的技術規(guī)劃，在XPU超異構的架構上提供不同的計算架構來支撐不同的計算應用。

但是，當存在很多不同的異構架構時，對軟件開發(fā)人員來說是一個非常大的挑戰(zhàn)。所以，我們提出了oneAPI策略，希望從軟件層幫助用戶在跨不同架構時，都能進行同樣的編程。通過oneAPI這樣的工具加上底層的計算庫等，提供一個非常無縫的編程體驗。然后在上層，能夠在XPU硬件架構以及oneAPI的軟件支持下，構建一個可擴展的“數(shù)據(jù)+AI”的平臺，給用戶帶來計算效率、開發(fā)體驗、開發(fā)效率的多維度提升。