有一个判断正在成为行业共识：人类社会正在经历一场从信息社会到智能社会的根本性跃迁。在这股浪潮中，计算已经不再只是处理数据的工具，而是推动整个文明前行的核心引擎。万物互联的数字文明时代，传统基于数据的计算方法，已经远远不能满足人类对更高智能的渴求。

过去几年，计算和信息技术以令人眼花缭乱的速度进化。深度学习的大规模普及和成功，把人工智能推到了探索机器智能的前沿。一系列突破性的成果由此诞生，比如Yann LeCun提出的卷积神经网络，以及Yoshua Bengio在深度学习因果推理方面的开创性工作。

2016年3月，DeepMind的AlphaGo与围棋世界冠军李世石的对决，在世界范围内引发了前所未有的关注。这场人机大战以AI压倒性的胜利告终，它就像一个催化剂，把人工智能的热度推向了一个全新的高度。

另一个重要的推动者，是大型预训练模型的崛起。这些模型已经开始在自然语言处理和图像识别等领域大展拳脚，借助迁移学习的能力，它们可以被用在五花八门的应用场景里。最具代表性的就是GPT-3，它用事实证明，那些结构高度复杂、参数规模巨大的模型，确实能显著提升深度学习的表现。

那么，这一切的底层支撑是什么？计算能力。面对信息社会中爆炸式增长的数据源、五花八门的硬件配置，以及不断变化的计算需求，智能计算主要通过两种架构来满足任务对计算能力的要求。一种是垂直架构，它依赖同质化的计算基础设施，核心思路是通过应用智能方法来提升资源利用效率。另一种是水平架构，它负责协调和调度异构的、广域的计算资源，让协作计算的效果最大化。一个很有说服力的例子是：2020年4月，为应对全球COVID-19研究的计算需求，Folding@home项目在三周内联合了40万名计算志愿者，实现了2.5 Exaflops的计算量，这已经超过了当时世界上任何一台超级计算机。

尽管在智能和计算两个维度都取得了巨大成功，但我们依然面临着严峻的挑战。

智能层面的挑战： 基于深度学习的AI，目前在可解释性、通用性、可进化性以及自主性上都有不小的短板。和人类智能相比，大多数AI技术目前还很“弱”，只能在特定领域或任务上玩得转。要从基于数据的智能，升级到更多元化的智能——比如感知智能、认知智能、自主智能乃至人机融合智能——这中间有巨大的理论和技术鸿沟要跨越。

计算层面的挑战： 数字化浪潮带来了应用、连接、终端、用户和数据量的空前增长，所有这些都在呼唤巨大的计算能力。满足这种指数级增长的需求越来越难。智能社会中的巨型任务，依赖的是各种特定计算资源的高效组合。此外，传统的硬件架构也很难完美适配智能算法，这反过来又制约了软件的发展。

至少到目前为止，智能计算还没有一个被普遍接受的统一定义。考虑到人类社会空间、物理空间和信息空间这三大基本空间正在日益紧密地融合，我们可以从解决复杂科学和社会问题的角度，给出一个新的定义：智能计算，是支撑万物互联的数字文明时代，一套全新的计算理论方法、架构体系和技术能力的总称。它的核心，是根据具体的实际需求，以最小的代价完成计算任务，匹配足够的计算能力，调用最好的算法，获得最优的结果。

这个新定义，正是为了响应人类社会、物理世界和信息空间三元融合后产生的快速增长的计算需求。它以人为本，追求高计算能力、高能效、智能和安全。目标很明确：提供通用、高效、安全、自主、可靠、透明的计算服务，来支撑大规模、复杂的计算任务。下图展示的是智能计算的整体理论框架，它体现了支持“人类社会—物理世界—信息空间”集成的多种计算范式。

图1：基于人类社会空间、物理空间和信息空间融合的智能计算总览

智能计算基础

简单来说，智能计算是数字文明时代支撑万物互联的新型计算理论方法、架构体系和技术能力的总称。借助它，我们可以实现许多经典和前沿研究领域的创新，来解决复杂的科学和社会问题。智能计算的基本要素包括人的智能、机器的能力，以及由万物组成的物理世界。

在这个理论框架里，人是核心，是智慧的源泉，代表着原始的、与生俱来的智能，我们称之为元智能。元智能包含了理解、表达、抽象、推理、创造和反思这些人类的高级能力，当然也包括人类积累的知识。它以碳基生命为载体，经过百万年的个体和群体进化而来，包含了生物具身智能、脑智能（尤其是人脑）和群体智能。所有的智能系统，归根结底都是由人类设计和建造的。

所以，在智能计算的理论体系中，人类的智慧是智能的源泉，而计算机是人类智能的赋能者。我们把计算机的智能称为通用智能。它代表计算机解决具有广泛外延的复杂问题的能力，以硅基设施为载体，由个体和群体计算设备共同产生。生物智能可以在四个层次上被移植到计算机上：数据智能、感知智能、认知智能和自主智能。元智能与通用智能的关系，可以参考下图。

图2：元智能和通用智能

智能计算面临的挑战是“大场景、大数据、大问题、泛在需求”。算法模型越来越复杂，需要超级计算能力才能支撑起越来越大的模型训练。眼下，计算资源已经成为提升计算机智能研究水平的瓶颈。随着智能算法的发展，那些拥有丰富计算资源的机构，甚至可能形成系统性的技术垄断。经典的超级计算机已经很难满足AI对计算能力的胃口。

虽然通过算法优化能在一定程度上降低算力需求，但坦白说，这并不能从根本上解决问题。我们需要从架构、加速模块、集成模式、软件栈等多个维度进行全面优化，才能找到出路。

图3：智能计算的计算能力

智能计算在理论和技术上具有鲜明的特点：理论技术上的自学习和可进化性，架构上的高计算能力和高能效，系统方法上的安全性和可靠性，运行机制上的自动化和精确性，以及服务上的协作和泛在性。智能计算包括两个本质方面：智能和计算，它们相辅相成。智能促进了计算技术的发展，而计算是智能的基础。我们把“提高计算系统性能和效率的高级智能技术范式”称为智能驱动的计算，把“支持计算机智能发展的高效、强大的计算技术范式”称为面向智能的计算。这两种基本范式从五个方面进行创新——提升计算能力、能源效率、数据使用、知识表达和算法能力，最终实现泛在、透明、可靠、实时、自动化的服务。

图4：智能计算的特征

智能驱动的计算

提高计算的普适性，对智能计算来说至关重要。现实场景中的问题——比如模拟、图计算——都需要进行各种各样的计算。智能计算的另一个关键点，是如何提高计算的智能化水平。从经验上看，我们常常需要向自然界的智能生命学习，计算也不例外。典型的例子就是三大经典智能方法：人工神经网络、模糊系统和进化计算，它们都受到生物智能的启发。智能计算理论远不止这些，它的目标是实现高度的泛在化和智能化。

图5：图计算的技术架构

图6：典型神经元的结构和人工神经元的结构

智能系统在开始工作之前，首先要进行智能感知。所以，感知智能在所有智能系统中都扮演着核心角色。它的重点是多模态感知、数据融合、智能信号提取和处理。典型的应用场景包括智慧城市管理、自动潜水系统、智能防御系统和自主机器人。感知智能研究中最热门的领域，是模拟人类的五种感觉能力：视觉、听觉、嗅觉、味觉和触觉。当然，智能传感还包括温度、压力、湿度、高度、速度、重力等，这些都需要大量的计算或数据训练来提升性能。

近年来，随着模式识别和深度学习技术的全面应用，机器的感知智能在某些方面已经超过了人类，在语音、视觉和触觉识别上取得了重大进展。由于其重要性日益增长，应用领域不断拓宽，智能传感器也受到了广泛关注。它们有着各种各样的形态，以满足不同应用的需求，而且更新更好的型号正在被不断开发出来。

图7：工业中需要连接到物联网的各种传感器类型

认知智能，指的是机器像人一样具备逻辑理解和认知能力，特别是思考、理解、总结和主动应用知识的能力。它描述的是智能体在真实环境中处理复杂事实和情况的能力。数据识别是感知智能的核心功能，需要对图像、视频、声音等各类数据进行大规模采集和特征提取，完成结构化处理。相比之下，认知智能需要理解数据元素之间的关系，分析结构化数据中的逻辑，并根据提炼出的知识做出响应。

认知智能计算主要研究机器的自然语言处理、因果推理和知识推理等领域。通过研究人脑的神经生物学过程和认知机制，可以启发我们提升机器的认知水平，让机器获得辅助、理解、决策、洞察和发现的能力。

图8：知识推理概述

机器从被动输出到主动创造，有两个关键要素：一个是强泛化模型，另一个是与外部环境的持续交互。自主智能的发展路径，是从学习单一任务开始，然后举一反三，逐步达到与环境动态交互的主动学习，最终实现自我进化的高级智能。目前，我们可以通过迁移学习、元学习和自主学习等技术，探索通往自主智能的可行路径。尽管在数据智能、感知智能、认知智能、自主智能这四个层面都取得了重大进展，但坦白说，仅靠计算和统计模型，还很难从极其复杂的场景中实现完全的智能。

在这些复杂场景中，人类仍然需要在解决问题和决策中扮演不可或缺的角色。我们需要探索人类认知过程中涉及的要素，并将其与机器智能相结合。下一步，重点将聚焦于人机交互、人机融合和脑机接口等技术。

面向智能的计算

AI领域的发现层出不穷，这在很大程度上要归功于不断增长的计算能力。AI的快速变化，往往是由新思想或革命性理论推动的。一个值得注意的趋势是，最新的先进模型，几乎无一例外地依赖更大的神经网络和更强大的处理系统。

OpenAI的研究人员在2018年做过一项研究，追踪了基于计算能力的最大模型的增长情况。通过分析AI研究史上一些最著名模型所需的计算量，他们发现了两个明显的趋势。在2012年之前，开发突破性模型所需的计算能力增长速度，大致与摩尔定律相符——单个微芯片的计算能力每两年翻一番。但是，2012年图像识别系统AlexNet的发布，彻底改变了局面。它极大地刺激了顶级模型对计算的需求，从2012年到2018年，这种需求每3到4个月就翻一番。

图9：过去十年计算能力需求的增长大大超过宏观趋势

当摩尔定律开始失效后，超大算力主要依赖于海量计算、内存和存储资源的并行叠加。比如高性能计算，就是把大量计算机快速联网组成一个“集群”，进行密集计算，让用户能比传统计算机更快地处理海量数据，从而获得更深入的洞察力和竞争优势。此外，得益于云计算，用户现在可以灵活地增加高性能计算程序的容量，从而持续提升算力。

图10：云、雾和边缘计算的表示

推进智能计算架构创新的目标，包括更高效的能源管理、更低的功耗、更便宜的总芯片成本，以及更快速的错误检测和纠正。当涉及某些CPU无法高效执行的AI操作时，AI翻跟斗能大大缩短训练和执行时间。从短期来看，翻跟斗的架构专业化，是保持计算能力增长的最佳方式。下图展示了已公开发布的AI翻跟斗和处理器的峰值性能与功耗。

另外，内存计算是一个非常有潜力的方案。它能让内存单元直接执行原始逻辑操作，从而在没有处理器参与的情况下完成计算。这恰恰是内存和处理器之间速度差距不断扩大的主要原因。

图11：公开发布的AI翻跟斗和处理器的峰值性能与功耗散点图

图12：计算的三种概念方法：（a）传统数字计算，（b）近内存阵列计算（NMAC）和（c）内存阵列计算（IMAC）

复杂性是传统计算机进一步突破的瓶颈。当今高度复杂的AI模型（比如深度神经网络）在边缘设备中仍然难以普及。原因在于，运行这些模型需要高级GPU和翻跟斗，但它们存在功耗和带宽的短板，导致处理时间长、架构设计繁琐。这些问题促使研究人员开始探索全新的计算模式，主要包括以下几种：

• 量子计算： 利用纠缠等非经典相关性带来的量子优势，可以在许多复杂计算问题中实现指数级的速度提升。
• 神经形态计算： 其构造和操作受到大脑中神经元和突触的启发，以能源效率高著称。它是事件驱动、高度并行化的，这意味着只有一小部分系统同时工作，所以功耗非常小。
• 光子计算： 与电神经网络相比，拥有超高带宽、快速计算速度和高并行性等优势。这些优势都是通过使用光子硬件加速来计算复杂的矩阵向量乘法来实现的。
• 生物计算： 利用生物系统固有的信息处理机制发展起来的一种新计算模型，主要包括蛋白质计算机、RNA计算机和DNA计算机，具有并行和分布式计算能力强、功耗低的优势。

图13：显示复杂性等级之间关系的图表（a）以及用于识别和评估可能的量子优势的流程图（b）

图14：传统计算系统和类脑计算系统的结构

图15：深度神经网络，包括传统网络和电子光子网络

图16：生物计算可能提供优于传统计算机的性能

智能计算的应用

要想跟上当前科学的快速发展，持续革新是必须的。眼下这场正在进行中的计算机革命，正以前所未有的方式极大地推动着科学发现的进步。

几十年来，计算材料已经成为研究材料特性和设计新材料的有力手段。然而，材料和材料行为的复杂性给应用带来了诸多挑战，比如缺乏描述原子、离子及其相互作用的力场和电位，分子动力学模拟中不同的热力学相，以及优化材料成分和工艺参数时面临的巨大搜索空间。作为一种新的研究范式，AI集成到计算材料中，是对传统方法的一次革命，而且已经在多长度、多时间尺度、多物理场耦合计算方面取得了巨大成功。

图17：材料/分子科学范式的比较

天文学作为最古老的观测科学之一，历史上积累了海量数据。望远镜技术的突破，让收集到的数据呈爆炸性增长。该领域的特点是数据丰富，拥有各种大口径的地面望远镜，比如即将推出的大型巡天望远镜和天基望远镜。高分辨率相机和相关工具的使用，让数据收集更高效、更自动化，但随之而来的是对数据分析效率的更高要求。因此，需要智能计算技术来解释和评估这些庞大的数据集。

药物设计同样受益于AI。AI可以帮助科学家建立蛋白质的3D结构、模拟药物和蛋白质之间的化学反应、预测药物的功效。在药理学中，AI可以用于创建靶向化合物和多靶点药物。利用AI还可以设计合成路线、预测反应产率，并理解化学合成背后的机制。AI让重新利用现有药物治疗新适应症变得更容易。此外，AI对于识别不良反应、测定生物活性和获得药物筛选结果也至关重要。

图18：不同的基于深度学习的药物-靶点相互作用预测算法对应不同的输入特征。（a）基于配体的方法，（b）基于结构的方法，和（c）基于关系的方法

在大数据和AI技术的推动下，作物育种也开始走向融合与突破。AI技术可以支持服务的创建、模型的识别，以及农业食品应用和供应链阶段的决策过程。AI在农业中的核心目标是准确预测结果并提高产量，同时最大限度地减少资源使用。AI工具提供的算法可以评估产量，预测难以预见的问题或事件及其发生趋势。从种植到收获再到销售，AI正在促进整个农业价值链的升级。

图19：大数据与AI在植物育种中的结合

智能计算正在加速转型变革，导致经济和社会秩序的转变。技术进步正在深刻改变商品和劳动力市场，数字社会正在逐渐形成。AI应该成为数字经济中每一个数据驱动战略的核心，包括工业4.0。例如，AI可以应用于预测性维护。预测性维护通过使用来自生产线或运营线的传感器数据，帮助降低运营费用或停机时间。

另外，AI也可以应用于城市治理。通过开发新的策略和方法，让城市变得更智能。智慧城市治理的目标是，利用最先进的信息技术同步数据、程序、权限等，造福城市居民。它主要包含四个方面：智慧决策、智慧城市治理、智慧行政和智慧城市合作。

图20：数字社会的组成部分

展望

从新兴产业生态的角度来看，智能计算产业仍面临着一系列挑战，这些挑战将决定其未来的走向。

第一，与传统计算理论相比，智能计算是语言和生物学驱动的计算范式的应用和发展。这意味着机器可以根据不同的场景，模仿人脑解决问题和决策的能力。但问题在于，硅基和碳基运算的底层逻辑存在根本差异，大脑智能的机制仍有待进一步探索。智能计算的下一步，需要深入探索类人智能的基本要素、它们在宏观层面的相互作用机制，以及在微观层面上支持不确定性生成的计算理论，才能实现彻底的改革。

第二，探索人类如何学习，并将其应用到AI的研究中，具有重大意义。知识驱动的机器智能可以从人类活动中学习，模仿人脑的决策能力，让机器像人一样感知、识别、思考、学习和协作。我们需要探索多知识驱动的知识推理和持续学习的理论和关键技术，让智能系统具备类人的学习、感知、表示和决策能力，从而推动智能计算从数据驱动向知识驱动演进。

第三，软硬件适配面临着巨大的挑战，比如精度损失、调用困难、协作效率低下等。未来，计算机必须突破冯·诺依曼体系结构下固定的输入和处理范式，大力发展交叉学科的智能计算和仿生学。需要在算法层面进行设计，突破现有架构的局限，以更低的计算和硬件设计成本，尝试更灵活、更人性化的数据处理方式。此外，开发高性能、低能耗的新型组件设计方案，提高软件和硬件的计算能力和效率，以满足快速增长的智能计算应用需求，同样至关重要。

第四，智能计算的理论技术架构是一个复杂的系统，包含多个与其他学科相互作用的子系统。系统中的各种硬件需要更复杂的系统设计、更好的优化技术，以及更大的系统调优成本。高维计算理论复杂性的缺乏，是大规模计算系统面临的主要挑战。

结论

当前，我们正迎来人类发展的第四次浪潮，正处于从信息社会向“人类社会-物理世界-信息空间”融合的智能社会转型的关键期。在这种转变中，计算技术正在经历深刻的变革，甚至可能是碘伏性的。

智能计算被认为是未来计算的发展方向。它不只是“面向智能的计算”，更是“智能赋能的计算”。它将提供通用、高效、安全、自主、可靠和透明的计算服务，以支撑当今智能社会中大规模、复杂的计算任务。

本文全面回顾了智能计算的理论基础、智能与计算的技术融合、重要应用、挑战和未来方向。希望这篇综述能为研究人员和从业者提供一个有价值的参考，并促进未来智能计算领域的理论和技术创新。