通信+AI的七大趨勢

張金穎

隨著人工智能技術的廣泛應用和通信領域技術的演化邁進，均具有賦能效應的二者的相互融合共生發展成為必然趨勢，在通信網絡架構優化及網絡傳輸效率提升的大背景下，人工智能得以在極短周期內完成海量數據傳輸、整合，及推理運算，整體技術發展呈現七大趨勢。

方向一：端-云芯片“并駕齊驅”。云端方面，英特爾推出Nervana NNP-T和Nervana NNP-I芯片，并在2020年推出獨立GPU Xe，寒武紀、比特大陸、燧原科技等國內企業紛紛從細分領域逐步切入云端AI芯片市場。終端方面，隨著AI推理任務向邊緣端轉移，英偉達、谷歌等云端AI芯片龍頭相繼發布面向邊緣端的AI芯片，英特爾也將在端云一體戰略下構建多元化AI芯片體系。

方向二：5G激發高通量計算發展活力。5G技術將計算和存儲能力前推至接入網，一方面通過邊緣計算實現AI在終端側的應用，打破以往數據處理主要集中在云端的制約，使終端與云端間實現良好銜接和互補，滿足AI對高通量計算力的需求;另一方面助力提升AI技術連接效率，使深度學習、數據挖掘、自動程序設計等在更多應用領域得以實現。

方向三：通用、邊緣端深度學習開源框架持續演進。當前主流深度學習開源框架TensorFlow和PyTorch性能持續發展完善，應用熱度大幅增長。谷歌在TensorFlow 1.0基礎上推出了升級版本2.0 Alpha，能夠與iOS系統集成，大大增強其移動性和可拓展性。據arXiv.org平臺數據，去年上半年發表的應用PyTorch框架的論文同比增長率高達194%，應用熱度實現強勁增長。

方向四：量子機器學習搭建量子計算與人工智能融合橋梁。隨著通信技術發展下的數據連接規模指數級增長，以及深度學習模型網絡參數的持續擴增，馮式體系計算結構框架瓶頸亟待突破。2020年3月，谷歌發布用于快速構建量子機器學習模型的開源庫（TFQ），為控制和模擬自然或人工量子系統提供助力。未來量子機器學習有望大幅降低機器學習計算復雜度，實現更高的計算效率。

方向五：存算一體等可重構架構將驅動芯片架構創新。隨著5G商用和云計算需求的迅猛增長，提升算力能力、降低算力成本成為各類大規模數據中心的核心訴求，而存算一體則被認為是突破AI算力瓶頸的關鍵技術之一。國內初創企業清微智能采用軟硬件可編程、混合粒度的可重構架構（CGRA），解決了傳統指令驅動的計算架構取指和譯碼操作的延時和能耗問題。

方向六：認知智能走向產業化。在新一代通信技術助推下，數據傳輸能力、計算力和存儲方式持續升級，圖像、語音、視頻、觸點等感知智能快速演進，在計算智能和感知智能發展基礎上，人工智能向具備分析、理解、推理、判斷等能力的認知智能延伸，并在反洗錢和安防領域逐步走向應用。安防領域，中國人民公安大學開發了基于犯罪者微觀行為和宏觀行為特征提取的犯罪預測、資金穿透、城市犯罪演化模擬等認知模型，助力安全事件預警和風險態勢感知。金融領域，中國銀行基于圖算法的跨境資金網絡可疑交易AI模型，已大面積替代反洗錢人工甄別。由此可見，認知智能正逐步圍繞不同場景服務于產業。

方向七：算力生產的底層物理邏輯有望顛覆。在當前通信技術飛速發展背景下，數據傳輸更為高效，但傳統硅基集成電路卻逼近物理極限，高介電常數介電層、鰭式晶體管等新材料和器件雖延展了傳統半導體性能并逐漸成為主流，但并未從源頭上改變傳統數據處理、存儲的底層物理邏輯，難以根本性解決人工智能的算力制約問題。當前碳基材料（碳納米管、石墨烯）、鍺和III-V族等硅基替代材料、分子和生物材料（分子、原子級存儲器件）、鐵電材料等晶體管低能耗介電材料、可導致3D堆集的二維納米材料等物理機制已逐步清晰，將為算力生產物理根基的顛覆性重塑、算力的指數級提升、數據高效處理與存儲帶來更多新的可能。例如，基于量子效應的強關聯材料和拓撲絕緣體，以及磷烯、硼烯、石墨烯等二維超導材料可導致無損耗的電子和自旋運輸，具有成為全新高性能計算邏輯、存儲器件的基礎。