近日，之江實驗室與Science《科學》聯合征集并篩選出的10個被認為最深刻、最具挑戰性的問題，已在Science《科學》期刊出版。
智能計算是支撐萬物互聯時代數字革命的新型理論方法、架構體系和技術能力的總稱。其核心是綜合運用智能技術和計算技術，對計算的基礎理論方法、軟硬件架構體系、技術應用支撐等進行系統性、變革性的創新，形成強智能、大算力、高能效、高安全的計算能力和普惠泛在、隨需接入的服務能力，為智慧社會的數字能力建設提供基礎性支撐。
為推動智能計算的發展，指引未來智能計算的研究，之江實驗室與Science《科學》自2022年5月面向全球聯合征集了對未來智能計算研究具有重大意義的基礎性科學問題。
李德毅院士、王懷民院士、朱世強教授、蔣田仔院士、陳怡然教授、于非院士、趙志峰研究員、Ajey Jacob博士等海內外專家總結、提出了以下10個被認為最深刻、最具挑戰性的問題。
1. 如何定義智能，如何建立智能計算的評價和標準體系?
廣義地說，智能是分析輸入的數據并對其做出適當反應的能力。許多人說，一個真正的智能系統應該能夠適應它的環境——進行學習、推理和進化。然而，如何知道這種定義是否適用于任何給定的系統呢?
一個系統是否智能的傳統評估方法是圖靈測試——人能否分辨出這個系統是人類還是計算機？還有一些較弱的指標，比如判斷系統是否準確地執行了指定的任務，或者是否可以在訓練過的數據之外進行泛化。評價的規則應取決于考慮了公平和透明度的更廣泛的社會背景。
是否可以建立一個智能計算的標準體系仍然是一個開放的問題，因為甚至沒有一個普遍認可的度量標準來進行討論。與一個系統相關的規則可能與為另一個系統建立的規則發生沖突，建立該系統的基礎可能會發生變化。
2. 模擬計算是否存在統一的理論模型？
模擬計算用硬件來模擬算法，測量如電壓、光強等連續信號。它在解決特定問題上具有耗能低、運算效率高的優勢。但很多年前，隨著數字計算的出現(計數取代了測量)，模擬計算就不再受歡迎了，部分原因是當時很難擴大其規模，也很難驗證模擬系統。
然而，由于模擬計算能夠模擬生物網絡的組成部分，如突觸和神經元，模擬計算已經開始了復興。不同的算法和平臺已經發展起來，都試圖在模擬領域建立更有效的測量方法。
但是，目前使用多種物理載體和計算方法進行仿真和計算是一種不完善的實踐。它需要一個統一的理論模型，以促進其標準化和大規模應用。
3. 計算領域的重大創新將從何而來，量子計算的計算能力是否會接近人腦的計算能力？
硬件和軟件的聯合設計和共同進化很可能成為重大計算進步背后的驅動力。創新來自各個層面：我們幾乎每年都能看到具有獨特性能的新興設備取得突破。這些創新驅動著它們集成到電路中，分級系統中以及被部署的算法和應用中，同時，如何進行集成也在驅動著創新。
一些新設備可能對傳統計算沒有用處，但可能使神經網絡變得高效，而新的計算模型可能需要非傳統的硬件支持。例如,需要新的架構來模擬星形膠質細胞的行為。星形膠質細胞被發現在認知中起著重要作用，與神經元有很大的不同。
量子計算機的操作方式與通用計算機不同。它們的發展仍處于早期階段——目前它們主要用于大數分解等領域，如加密。他們是否有朝一日能夠模擬認知計算，甚至人腦的情感能力，目前仍是一個熱門的研究問題。
4. 哪些新器件將被制造（晶體管、芯片設計和硬件范式：光子學、自旋電子學、生物分子、碳納米管）？
在納米尺度上，這些器件已經存在，或者正在被積極研究，而且有可能進一步擴大規模。關鍵是讓它們變得更好，并更好地利用它們。
例如，有許多器件是基本的電阻，它們可以被編譯成電平，這些電平被存儲和傳輸。各種各樣的技術——電子學、光子學等——都可以表現出非常相似的行為。這些行為很像大腦中的突觸，因為信號可以被傳輸、放大或衰減，并且激發的信號可以被整合起來，產生突觸波形。這將成為通用設備的基礎。
一個問題是如何結合多個物理維度（如波長和偏振模式）來開發相應的光電互連器件。功率、性能、面積和成本問題需要被解決，以擴大技術規模并使其逐步發展。
5. 智能計算如何使智能機器成為可能？
專業術語「機器」是「計算」的基本概念。一臺機器，無論智能與否，主要有三個組成部分:一個收集外部激勵（數據）的傳感器，一個存儲傳感器收集來的信息的存儲器，以及一個從存儲器收集數據并對其進行推理，采取行動或發送信號的邏輯單元。
智能機器將進行智能計算。接下來的問題是，我們是否可以創建一個智能計算范式。
6. 如何基于數字孿生腦理解記憶存儲與提取？
記憶存儲和檢索的時空動力學機制表明了記憶的高度可控性，為修復記憶的損傷帶來新希望。然而，腦網絡協同性和動態性阻礙了對記憶復雜屬性的探索。
研究人員已經創建了不同器官的數字孿生體，包括大腦在內。為研究阿爾茨海默病和癲癇等疾病，研究人員建模和仿真了它們的多尺度結構和功能。雖然這些仿真被認為比模擬人的記憶要簡單得多，但它們確實證明了一個概念。數字孿生腦將使研究人員突破現有記憶、以及其病理和調制的研究的時空尺度和準確性的限制。
記憶是感覺、情感、觀念和運動之間的聯系。因此，即使我們成功復制了整個大腦，我們也不能忽視這些聯系。
7. 硅基計算和碳基計算最高效的融合途徑是什么？
現代計算機是20世紀最重要的創新之一，依托硅基芯片應運而生，運行速度快且計算準確。目前，我們通過如鍵盤和屏幕的人機交互（MMI）完成計算機操作。MMI是硅基和碳基計算融合的最初階段。
如今，硅基計算開始逐漸到達物理極限，且需消耗大量電能但卻缺乏智能。而與此同時，生物大腦是碳基計算的一種高級形式，聰明智能，且具備適應能力強和效能高等特點。相較之下，其缺點是計算速度較緩，準確度較低。我們需要一種融合硅基、碳基計算的計算新范式。
至少有三條途徑可以實現該種計算融合：
第一條路徑是腦啟發的硅基計算：我們可以通過制造不同種類的硅基芯片來模仿大腦的工作機理。我們所要做的是更全面、更深入地了解人類和動物的大腦。
第二條路徑是制造硅基和碳基組件相融合的新型計算芯片。我們所要做的是為該種新型計算芯片上碳基單元的生產、控制和演變，創造與研發新的革命性技術。
第三條路徑是將人與計算機更緊密、更有效地連接起來——人和機器可以實時、同步、無縫地協同計算與思考。我們需要創造先進的腦機接口（BMI）和其他類型的新型MMI。
總而言之，在硅基碳基計算融合的領域，我們需要更全面、更深入的探索與研究才能找到最有效的實施途徑。
8. 如何構建可解釋和高效的AI算法？
具有可解釋性的高效人工智能（AI）算法一直是人們追求的目標。張量網絡等新的數學方法，以及專家知識、邏輯推理和自主學習的有效整合，能否解決人工智能技術中可解釋性與效率的困境？
這種整合是否會打破現有深度學習作為「黑箱算法」的現狀，建立可用于不同領域、不同場景（語音、圖像、視頻、數字孿生、元宇宙等）的新一代可解釋方法體系？
9. 能否實現具備自學習、可演化、自反思特征的強智能計算？
智能計算的目標是在人機物三元融合空間中，高效自主地解決大規模復雜問題。使用弱智能的方法能在一定程度上獲得此類問題的良好結果，但本質上，其嚴重依賴人工預設的物理符號系統、神經網絡模型、行為規則集合等人類先驗知識的定制化輸入。
強智能計算可以根據輸入和環境而動態變化。在不同的背景中，系統具有自學習能力可以避免重復輸出先前的內部狀態，具有可演化能力可以自適應地改進系統的架構模式，具有自反思能力可以根據歷史任務求解的經驗擴展模型的泛化性。
因此，研究更高階復雜度的計算理論，探索解決重大的科學難題的自動化方法構造范式，讓計算機自主進行任務理解和分解、動態優化路徑構建、內核模型演化發展，是未來智能計算的重大科學挑戰之一。
10. 如何利用真實世界數據發現和歸納知識？
在計算領域有一個重要的爭論，即機器學習是否能真正概括，或只是以更有效的方式簡單重申已知的東西。能夠識別測試集中的對象或標簽可能是有爭議的，無非是說這個對象與最初用來定義它的對象具有足夠多的共同特征。
因此，智能計算需要以主動的、啟發式的、開放的智能形式完成原本由人預定義邏輯執行的計算任務，同時，這一計算的效果需要在真實世界中得到驗證。
知識發現是知識驅動應用的前提，也是人工智能強弱區分的重要指標。真實世界數據的知識發現問題是智能計算要解決的重大科學問題。
在開放世界的計算中主動式、啟發式的感知異常、發現規律、歸納知識，通過有限狀態機解決邏輯執行程序的局限性，是智能計算的重要任務和里程碑事件。
特此致謝
（以姓名英文首字母為序）
（部分內容來源網絡，如有侵權請聯系刪除）
