在人工智能的發(fā)展歷程中有三個(gè)流派。符號(hào)主義流派希望用公理和邏輯體系搭建一套人工智能系統(tǒng)，逐漸發(fā)展出啟發(fā)式算法、專家系統(tǒng)、知識(shí)工程等技術(shù)。連接主義流派主張模仿人類的神經(jīng)元，用神經(jīng)網(wǎng)絡(luò)的連接機(jī)制實(shí)現(xiàn)人工智能，逐漸發(fā)展出腦模型、感知機(jī)、反向傳播算法、神經(jīng)網(wǎng)絡(luò)模型等技術(shù)。行為主義流派源于控制論，基于感知-行動(dòng)模式形成生物控制論、智能機(jī)器人、強(qiáng)化學(xué)習(xí)等技術(shù)。這三個(gè)流派日趨融合，催生出圖神經(jīng)網(wǎng)絡(luò)、貝葉斯決策、深度強(qiáng)化學(xué)習(xí)等新技術(shù)。
人工智能發(fā)展新階段的最大特征是“關(guān)系”。神經(jīng)網(wǎng)絡(luò)中的連接關(guān)系構(gòu)成了數(shù)據(jù)通路，知識(shí)圖譜中的關(guān)聯(lián)關(guān)系構(gòu)成了圖結(jié)構(gòu)通路，決策樹(shù)中的因果關(guān)系構(gòu)成了執(zhí)行路徑等。這些關(guān)系形成了高維空間中多點(diǎn)間開(kāi)放的、不確定的近似計(jì)算。在人工智能發(fā)展的新階段，算法的發(fā)展對(duì)算力及其環(huán)境提出了新的需求；相應(yīng)地，支撐算力及其環(huán)境需求的體系結(jié)構(gòu)和軟件棧也有新的發(fā)展。

算法發(fā)展對(duì)算力及其環(huán)境的需求分析
人工智能算法向無(wú)監(jiān)督的方向發(fā)展。為了適應(yīng)部分領(lǐng)域“小數(shù)據(jù)”的現(xiàn)實(shí)情況，減少數(shù)據(jù)收集和標(biāo)注開(kāi)銷，人工智能算法向無(wú)監(jiān)督的方向發(fā)展，主動(dòng)學(xué)習(xí)、遷移學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)成為研究熱點(diǎn)。主動(dòng)學(xué)習(xí)中，算法主動(dòng)提出標(biāo)注請(qǐng)求，將一些經(jīng)過(guò)篩選的數(shù)據(jù)交給專家標(biāo)注，需要人機(jī)交互能力和數(shù)據(jù)整合能力。遷移學(xué)習(xí)用來(lái)增強(qiáng)訓(xùn)練好的模型，解決目標(biāo)領(lǐng)域中僅有少量帶標(biāo)簽樣本數(shù)據(jù)的問(wèn)題，需要大算力的預(yù)訓(xùn)練和數(shù)據(jù)處理能力。強(qiáng)化學(xué)習(xí)用智能體（agents）構(gòu)成系統(tǒng)來(lái)描述行為并給予評(píng)價(jià)和反饋學(xué)習(xí)，需要信息采集能力和概率計(jì)算能力。這些技術(shù)需要計(jì)算環(huán)境能夠支撐人、機(jī)、物的高效交互以及多模式緊密耦合。
可解釋性在人工智能領(lǐng)域越來(lái)越重要?？山忉尩哪Ｐ涂梢詰?yīng)對(duì)人工智能模型的泛化能力不足、訓(xùn)練樣本分布不均帶來(lái)的失效、復(fù)雜到不可調(diào)試等挑戰(zhàn)。按照可解釋能力，可將人工智能模型分為透明模型、事后可解釋模型以及不可解釋模型三類?？山忉尲夹g(shù)包含文本解釋、可視化、特征關(guān)聯(lián)等，需要在可解釋性與性能、準(zhǔn)確性、應(yīng)對(duì)攻擊能力之間權(quán)衡。實(shí)現(xiàn)可解釋的人工智能不僅需要為現(xiàn)有的軟件框架增加可解釋的接口，還需要重構(gòu)以人為中心的計(jì)算環(huán)境，實(shí)現(xiàn)決策理論驅(qū)動(dòng)的可解釋人工智能框架。
人工智能模型的自學(xué)習(xí)、自演化能力不斷發(fā)展。自動(dòng)機(jī)器學(xué)習(xí)（AutoML）利用大量算力開(kāi)展自動(dòng)化的人工智能模型設(shè)計(jì)和優(yōu)化。在此基礎(chǔ)之上，帶限制約束條件的AutoML可以應(yīng)對(duì)不同應(yīng)用需求和不同硬件設(shè)備，不設(shè)初始條件的自演化AutoML極大豐富了模型設(shè)計(jì)空間。這些技術(shù)的發(fā)展不僅需要?jiǎng)討B(tài)計(jì)算框架支撐，還需要大規(guī)模并行計(jì)算支撐和設(shè)備多維建模支撐等。
為了解決多模態(tài)、多過(guò)程問(wèn)題，需要多模型、多算法的有機(jī)組合。人工智能應(yīng)用流程變得愈加復(fù)雜，涉及不同的設(shè)備、環(huán)境、算法、模型，需要計(jì)算環(huán)境能夠支撐動(dòng)態(tài)、多樣的應(yīng)用需求，提供計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)等硬件資源的動(dòng)態(tài)可擴(kuò)展能力，支持復(fù)雜模型、復(fù)雜軟件的協(xié)同和交互。
人工智能基礎(chǔ)軟硬件環(huán)境需要關(guān)注應(yīng)用全生命周期。全生命周期中的不同任務(wù)具有不同的時(shí)間特性、空間特性和計(jì)算需求，工作流程包括模型設(shè)計(jì)、數(shù)據(jù)預(yù)處理、模型訓(xùn)練和優(yōu)化、模型部署和推理、模型保持和更新等。在數(shù)據(jù)流水線上，數(shù)據(jù)積累以年計(jì)，數(shù)據(jù)準(zhǔn)備以月或周計(jì)，模型訓(xùn)練以周或日計(jì)，模型推理以秒計(jì)。這需要計(jì)算環(huán)境能夠支撐復(fù)雜系統(tǒng)相關(guān)資源和服務(wù)的流程動(dòng)態(tài)編排和調(diào)度。
人工智能模型和算法對(duì)分布式、分散式的需求越來(lái)越突出。超大規(guī)模的復(fù)雜模型處理海量數(shù)據(jù)，需要高性能計(jì)算機(jī)的并行計(jì)算支撐。聯(lián)邦學(xué)習(xí)等分散場(chǎng)景需要分布式機(jī)器學(xué)習(xí)原生算法，使多個(gè)參與者可以在不共享數(shù)據(jù)的情況下構(gòu)建通用、健壯的機(jī)器學(xué)習(xí)模型。這需要計(jì)算環(huán)境滿足安全、隱私、公正等需求，能應(yīng)對(duì)通信挑戰(zhàn)和系統(tǒng)異構(gòu)挑戰(zhàn)，支撐多任務(wù)、多用戶的協(xié)同，并支撐云、邊、端融合。
人工智能應(yīng)用中具有多種形式的不確定性。這些不確定性來(lái)自于從環(huán)境中感知的動(dòng)態(tài)信息、情景特異的知識(shí)、受限于計(jì)算和通信的計(jì)算實(shí)現(xiàn)等。隨著認(rèn)知理論的進(jìn)一步突破，人工智能的發(fā)展逐漸從計(jì)算、感知擴(kuò)展到認(rèn)知、意識(shí)，或?qū)⑼黄茍D靈可計(jì)算理論。概率計(jì)算部件、類腦或仿腦體系結(jié)構(gòu)以及模擬計(jì)算都可在一定程度上應(yīng)對(duì)這些不確定性，因此計(jì)算環(huán)境需要支持新型智能體系結(jié)構(gòu)。
綜上，人工智能發(fā)展趨勢(shì)對(duì)計(jì)算及其環(huán)境的需求包括：關(guān)系、概率、近似計(jì)算更突出，非必須支持高精度、高容錯(cuò)，節(jié)點(diǎn)上計(jì)算簡(jiǎn)單，“人在環(huán)路中”需求明顯。新一代人工智能應(yīng)用可能會(huì)超越傳統(tǒng)計(jì)算模式，呈現(xiàn)人機(jī)協(xié)同、場(chǎng)景適應(yīng)、群智開(kāi)放、自主操控、模糊動(dòng)態(tài)等新特征。需要提供分布式智能計(jì)算（云、邊、端融合）的環(huán)境及服務(wù)，人在智能系統(tǒng)中的環(huán)境及服務(wù)，感知、認(rèn)知、決策、行動(dòng)融合的環(huán)境及服務(wù)，適應(yīng)新型智能體系結(jié)構(gòu)的環(huán)境及服務(wù)，以及動(dòng)態(tài)、異構(gòu)的智能計(jì)算環(huán)境及服務(wù)。