最近幾天，新冠疫情在北京再次升級，使總體向好的國內抗疫形勢變得嚴峻。剛剛重啟的生產生活被再次打亂，我們或許在未來較長一段時間內都不得不面對防疫常態化這一現實。本周，我又開始切換到“云辦公、云生活”的狀態。遠程辦公、視頻會議已成習慣，孩子的課業交給了在線教育平臺，消費和娛樂的方式也變成了看網絡直播、聽云演唱會。在疫情這一特殊的場景下，一系列新型AI應用需求被全面激活，AI真正滲透到了我們日常生活的方方面面。

作為一個科技從業者，我深知這些AI新應用的爆發絕非一日之功。從量變到質變的過程，是長期的科研布局與數字化基礎設施建設的結果。瞄準長遠的目標與價值，堅持長期的科技研究，是我們面對“疫情”這樣不確定事件時唯一確定的事情。這不僅需要前瞻性的視野與布局，還需要有不為眼前利益所動搖的決心與意志。

從AI的發展進程看，人類對于AI的探索已經持續了70多年。回望AI的發展歷程，我們可以清晰地捕捉到幾個關鍵的節點。AI第一波浪潮，是通過由人制定的各種規則去做理論性的推理。雖然在推理方面表現不俗，但僅限于幾個嚴格定義的問題，且沒有學習能力，無法處理不確定性問題。而真正令AI漸入佳境的，則源于由深度學習所觸發的AI第二波浪潮。互聯網、移動互聯網等所產生的海量數據，給機器提供了學習、挖掘和試錯的對象，讓系統得以自發地找到“規律”，作出預測、判斷和決策。數據的增長，外加算力的提升以及基于深度學習構建的算法演進，這三張“王牌”讓一些典型的深度學習應用達到甚至超越了人的能力。這使得越來越多的樂觀主義者深信，深度學習是極具價值且值得產業界大規模跟進的方向。

然而，深度學習就是AI的終極答案嗎？隨著對于深度學習的研究深入，我們發現還有一些問題亟待解決。首先，“能耗”是最大的挑戰。有研究報告顯示，采用服務器級別的CPU加上GPU集群去訓練一個大型AI模型，其所消耗電力產生的碳排放量，相當于5輛美式轎車整個生命周期所消耗的碳排放量。試想，如果各行各業都沿用這樣的AI計算模式，人類的生態環境將會遭到何等的破壞。然后，“數據量”是又一大挑戰。目前的深度學習過于依賴大數據，在一些小數據量的場景下，深度學習使用會非常有限。AI應該像人類大腦那樣，通過小數據進行自我學習。在訓練過程中，如何在保證AI模型能力的情況下，大幅降低能耗并減少所需花費的時間和數據量？這是AI繼續向前發展的重要方向。但現在看來，基于大規模GPU并行計算去加速深度學習訓練的方式，并不能滿足這個條件。

一個真正的智能系統，應該是環境自適應性的“自然智能”。首先，它不僅能處理確定性的問題，還能處理不確定性問題。第二，它不僅能夠做事，還必須是可解釋的。第三，它不完全依靠大數據驅動，即便少量數據也可實現更高效能的持續學習。第四，它應具備高可靠性，或者說符合人類給它設定的倫理道德。這是我們對于AI技術下一發展階段——AI 3.0時代的展望。

目前，我們正處于從AI 2.0到AI 3.0時代的轉折點。那么，究竟什么有望成為穿透AI未來的“利刃”呢？從目前看，作為一種前沿的計算模式，神經擬態計算最有可能開辟出一條從AI 2.0到AI 3.0的嶄新賽道。神經擬態計算，是在傳統半導體工藝和芯片架構上的一種嘗試和突破。它通過模擬人腦神經元的構造和神經元之間互聯的機制，能在低功耗以及少量訓練數據的條件下持續不斷自我學習，大幅提高了能效比。顯然，神經擬態計算的特點非常符合AI3.0的發展需求。因此，神經擬態計算也被寄予厚望，有可能在人類邁入下一代AI的進程中發揮重要作用。

英特爾的神經擬態計算芯片Loihi已經具備了嗅覺的能力，神經擬態系統Pohoiki Springs已經擁有1億神經元的計算能力，這已經相當于一個小型哺乳動物的大腦。當然，神經擬態計算還處于非常早期的階段，要想將這項技術真正應用于AI，我們還有很長的路要走。但我相信，底層技術的創新必須堅持長期主義，長時間地專注于一個方向與賽道，以這種確定性去對抗發展過程中的一切不確定性，才有可能最終取得成功。