周宏仁：“人類不可能瞬間無處不在但軟件可以”

編者按

信息化百人會顧問、原國家信息化專家咨詢委員會常務副主任周宏仁在2022年下一代DNS發展論壇上作了題為《智能技術與智能革命》的演講。他指出，計算科學和人工智能是新科學革命“一硬一軟”的兩輛馬車，將在發展中不斷相互滲透和融合，從而產生科學研究的新范式。計算科學正在改造包括物理學、化學等在內的傳統學科。科學家必須責無旁貸地研究怎樣利用計算科學和人工智能加快本學科的數字轉型，推動全社會的科學革命。本文根據其演講內容整理。

智能化發展推動專用計算走向前臺

1946年第一臺電子計算機發明以后，通用計算機一直統治著信息化的整體進程。但2010年前后發生的兩次重大技術變革——智能手機的發明和4G技術的普及、應用，促使計算、網絡、軟件、數據無處不在，為后續的智能化發展提供了基礎性支撐，同時帶來重大產業變革。

2016年第四季度出現了一個重要轉折點，智能手機的銷量超過平板電腦，桌面電腦和移動電話的銷量比約為4∶6，且差距逐步擴大。

芯片產業隨之發生巨變。隨著信息化向高端化、智能化發展，通用處理器技術越來越無法滿足市場和應用的需求。伴隨處理器技術走向5納米、3納米甚至1納米，制造成本急劇增加，融資困難度加大，帶來未來收益的不確定性，對產業界造成沖擊，從而形成“摩爾第二定律”，即芯片廠的成本每四年翻一番。通用芯片的發展愈加困難。

核心芯片技術面臨下一輪變革。目前，芯片的最大需求在物聯網。隨著物聯網向全聯網發展，芯片的需求也越來越大。未來25～30年，信息化將聚焦于智能技術的競爭，作為通用技術的計算機處理芯片，也將發生重大變革。其實這種變革已經發生，就是通用處理器技術（CPU）轉向以滿足智能化和智能技術需求為主的專用處理器技術（GPU+）。

當然，通用芯片還有發展空間。一方面，提高芯片性能的途徑很多，例如多核芯片、三維芯片以及各種算法增強技術等，而且通用計算機將不斷吸納、更新、利用人工智能和智能技術的發展成果，使其功能更廣、性能更高，比如翻譯、語音、圖像處理等技術在臺式機和平板電腦中已經日漸普及。

無論如何，通用計算機的市場大局已定，市場或將繼續萎縮，出貨量有可能繼續小幅度減少。但是，通用計算機有其不可替代的需求和功能。重要的是，如何應對計算機趨向“專用計算”發展的新方向。

與通用計算技術不同，影響和推動“專用計算”發展的引擎已經不是傳統處理器技術或計算機技術本身，而是與推動智能化發展的各種“專用技術”密切相關。

必須認識到，是“專用技術”特定的模型、算法、軟件等，催生了特定的“專用計算”功能需求，進而指導“專用芯片”的設計。這種“專用技術”，并非產生于軟件技術，而是科學數字化革命的結果，是包括人工智能在內的智能技術發展的結果，是計算科學與各傳統科學或學科融合發展的結果。

計算科學與不同學科的融合，正在驅動科學的數字革命

計算科學（Computational Science）與計算機科學（Computer Science）只有一字之差，卻是內涵完全不同的兩個概念。

計算科學是一種融合性的科學，因為它包含三類不同元素的“融合”。

第一類元素是建模、算法與模擬軟件。需要注意的是，這里不是指通用的模型、算法與軟件，而是針對特定科學（如生物學、物理學、社會學等）、工程以及人文科學中需要解決的各種問題的模型、算法與軟件。

第二類元素是計算機與信息科學。目的是利用計算機與信息科學的成果，發展和優化各種特定的系統硬件、軟件、網絡及數據管理等要素，以解決計算中需要解決的各種問題。

第三類元素是計算的基礎設施，即完成各種科學和工程領域計算的計算機系統和網絡。

顯然，在這三類元素中，第二和第三類可以被看作與信息（計算機和網絡）科學和技術成果密切相關。唯獨第一類元素，與特定的學科或工程問題有非常強的相關性和針對性，并不屬于信息科學與技術范疇，是計算科學的真正“內核”。

因此，計算科學基于信息科學而發展，但絕不等同于信息科學。特別學科和工程領域的建模，需要對相關的科學或物理系統有非常深刻的認識和理解，要有豐富的知識和經驗，這是計算科學真正的難點。

計算科學與不同學科的融合，正在驅動科學的數字革命和數字轉型，形成許多新興的分支學科，即融合學科，如計算物理學、計算化學、計算金融學、計算考古學、計算法律學等。幾乎任何一門學科前都可以加上“計算”二字，但內容和方法卻發生了重大變化。計算科學正在改造傳統科學或學科，包括物理學、化學都有幾百年的歷史，但一定會被計算科學所改造。

2021年10月5日，瑞典皇家科學院宣布將諾貝爾物理學獎授予三名科學家。其中，有兩名科學家——真鍋淑郎和克勞斯·哈塞爾曼，因“對地球氣候進行物理建模，量化可變性，并可靠地預測了全球變暖”而獲獎。這就是融合科學推動物理學發展的典型案例。

2013年10月9日，瑞典皇家科學院將諾貝爾化學獎授予美國科學家馬丁·卡普拉斯、邁克爾·萊維特、阿里耶·瓦謝勒，以表彰他們“在開發多尺度復雜化學系統模型方面所做的貢獻”。在20世紀70年代，這三位科學家設計的這種多尺度模型讓傳統的化學實驗走上了信息化的快車道。

這些科學家的研究都始于20世紀的六七十年代，那時計算機已經獲得廣泛應用。他們是走在時代前沿的科學家，直到21世紀一二十年代，他們的成就終于為世人所認識，從而獲得諾貝爾獎殊榮。

智能技術正在引起新的科學革命

人工智能的現代發展和人類進入智能化時代的標志性事件，是2016年3月阿爾法圍棋（AlphaGo）對弈韓國專業九段棋手李世石，并以4∶1的壓倒性優勢取得勝利。這個具有里程碑意義的事件，震撼了全球。

中國圍棋是一種充滿智慧的、復雜的二人博弈系統。據研究，圍棋總共有32940種不同的棋路，其中992種被視為較為常見的搶手棋。據估算，變幻莫測的棋局有10172 種不同的最終結果和10768種不同的走法。兩位高手對弈，通常在150手之內決定勝負。其間，每一手棋大約有250種不同的選擇。顯然，圍棋博弈是一個非常復雜的物理系統，要構造一個下圍棋的深度學習網絡，不是一般軟件人員能夠完成的任務，涉及很多的數學問題。

圍繞人工智能的未來發展，大約可分為初級和高級兩類。

現在我們看到的所有人工智能成果，基本停留在跟機器學習相當的初級水平上，而高級水平的人工智能如人腦模擬、類腦運算等，可能還需要幾十年的發展。

人工智能也可分為應用人工智能和通用人工智能。應用人工智能，也被稱為弱人工智能或者窄人工智能。2012年到2013年進行過數次民調，征求業內專家對人工智能未來發展的意見，涉及“何時可以實現通用人工智能”的問題，最樂觀的估計是2040年到2050年之間，而專家意見的平均值是2081年，也有16.5%的專家（以90%的自信）認為“永無可能”。

2022年6月，德國科學家布萊恩·麥克馬洪發表《人工智能正在引領一場新的科學革命》一文，仔細梳理了基于深度學習算法的人工智能，并基于2020年Google人工智能團隊解決的蛋白質折疊問題（AlphaFold），全面分析了人工智能對當代科學革命的影響。主要可以概括為五個方面：快速閱讀科學文獻、處理海量數據、提升儀器效能、輔助科學實驗、輔助建模等。

現在互聯網上查詢文獻涉及如何將數據變成信息、將信息變成知識、再將知識貢獻給讀者，這是很多人很多年努力的方向。據統計，2021年關于新冠病毒的文獻一共有18萬份，沒有一個學者能夠看得全，但Google的算法可以全部讀一遍，完成主要趨勢的分析、代表性觀點文獻的整理等；可以利用人工智能技術處理海量數據，提升科學儀器效能，特別是一些重大的科學儀器，并幫助科學家進行實驗和輔助建模。在此基礎上，麥克馬洪認為，人工智能正在引起一場科學革命。

這就涉及一個問題，科學家本身需要數字轉型，因為人工智能最后的建模一定是由科學家完成的。如果科學家不懂計算機、不懂網絡，想要推動科學的數字化革命就非常困難。

21世紀上半葉的這場科學革命的核心和主角是科學家，不是IT工程師，也不是AI工程師。科學家必須責無旁貸地研究怎樣利用計算科學和人工智能加快本學科的數字轉型，推動全社會的科學革命。

我感覺，當代科學革命最主要的社會阻力，來自科學家本身，因為多數科學家并不認為數字化屬于科學范疇，反而認為融合科學不是正統科學。這種觀點是完全錯誤的，從上面列舉的幾個諾貝爾獎獲獎者可以看出，國際社會對此并不茍同。

“重硬輕軟”的傾向不能再持續下去

智能技術可以定義為利用計算科學和人工智能拓展和增強人類智力的技術，涵蓋模型、算法、軟件和數據，缺一不可。

智能技術的科學基礎主要包括兩個方面。

一個是計算科學，通常是科學家根據針對各種問題的科學知識和理解以及現有的成果，建立模型（人工建模），然后設計算法，進行仿真模擬，再不斷修正、完善，最終得出想要的結果。計算科學是基于現有科學或學科的理論和實踐成果構造模型，看似科學性更強，但在很多復雜的大系統場景下，實踐難度很大。

另一個是人工智能，主要依賴于統計建模。統計建模是以科學家的認識和判斷為基礎，充分利用網絡空間和科學實驗中豐富的大數據，構造關于研究對象的統計模型。這種模型，大多不具有科學建模的原理性和精準性，只是追求統計意義上最終結果的近似性和可接受性。利用大數據和深度學習算法的不斷逼近，通過試錯和調整而不斷完善所收獲的結果，直到滿意為止。

人工智能通過大量的數據來訓練模型。數據質量越高，模型的有效性和準確度就越高。充分利用現有的超算功能，有可能以更短時間、更高效率，揭示很多超巨系統復雜的內在規律。本質上，在計算科學力有不逮的地方，融合科學也完全可能利用人工智能的成果求得發展，并成為智能技術的科學基礎。這一點至關重要。

1956年，模糊集之父拉特飛·扎德提出模糊集的數據概念。他認為，人類擅長“軟”思維，而計算機通常是“硬”思維。在“硬”計算中，電子計算機需要確定性和精度，否則，計算結果就無法接受。或者說，硬計算不接受“模糊”。與硬計算不同，軟計算處理技術因為比較“寬容”，不那么“較真”，可以容忍不精確性、不確定性，接受部分的真實性和近似值，因此比較容易實現可計算性、魯棒性和低求解成本等。

這一點，在現實生活中可能非常有用，也會催生很多新的學術領域。正因為如此，軟計算構成了大量機器學習技術的理論基礎。

就智能技術的兩個科學基礎而言，計算科學屬于“硬計算”類，而人工智能則屬于“軟計算”類。計算科學和人工智能是新科學革命“一硬一軟”的兩輛馬車，將在發展中不斷相互滲透和融合，從而產生科學研究的新范式。這一點對未來發展至關重要。本質上，智能革命就是一場科學革命，沒有科學革命，就不可能有智能革命。

我們需要完成的最大轉變，就是重視軟件的科學屬性，不要以為軟件就是軟件人員寫出來的。過去70多年的發展是“軟件為計算服務”，未來智能化的發展則是“計算為軟件服務”——“我設計什么軟件，你幫我用芯片做出來”。這是一個重大變革。

軟件會駕駛科學與工程兩輛“馬車”逐漸走向科學技術舞臺的中央。“重硬輕軟”的傾向，不能再持續下去。

最后，引用美國《人工智能國家安全委員會最終報告》（2021年）中的一句話：“最優秀的人類戰士也無法抵御以超音速飛行、由人工智能跨地域組織、每秒機動數千次的多臺作戰裝備。人類不可能瞬間無處不在，但軟件可以。”