一文知道未來的五大技術(shù)趨勢

近日舉行的英特爾研究院開放日，不發(fā)新品，只談前沿科技。乍一看覺得還很遙遠，但其實有些已在來路上甚至已經(jīng)進入應用中，可能是未來五年最重要的技術(shù)趨勢了。

在總結(jié)之前，先說一下為什么判斷是未來五年？這幾大技術(shù)都是英特爾研究院立項時的規(guī)劃，三至五年是交付的時間窗，約在五年左右達成。以英特爾在前沿技術(shù)上的敏銳和布局，這些技術(shù)一旦在不同的時間節(jié)點產(chǎn)業(yè)化之后，對現(xiàn)有的技術(shù)格局將可能是顛覆性的。

趨勢一：光互連I/O已在來路上

這是第一次聽到英特爾提出集成光電這個概念。雖然在大的原理方面與市場上正在提的硅光方案類似，但英特爾的不同之處在于，利用其獨有的技術(shù)和工藝優(yōu)勢，將原本分離的、尺寸較大的模塊全部進行了集成。

隨著數(shù)據(jù)量的爆發(fā)，面臨性能瓶頸的不只是硬件設備的計算能力，同時還有設備之間或設備內(nèi)部的數(shù)據(jù)傳輸能力，特別是對于數(shù)據(jù)中心這類進行大規(guī)模數(shù)據(jù)交換的應用。

集成光電根本上就是為了解決I/O的傳輸瓶頸。由于光互連（optical）在長距離、遠程和地下傳輸中占主導，而電氣互連（electrical）在短距離、主板互連（boardtoboard）和封裝互連（packagetopackage）中有優(yōu)勢。英特爾的研究愿景就是改變這一現(xiàn)實，將光互連引入服務器中，將光學技術(shù)與硅技術(shù)集成起來，開發(fā)出了硅光子技術(shù)，讓光互連具備硅的高產(chǎn)量、低成本等屬性。

目前在硅光子領(lǐng)域，英特爾已經(jīng)做出了原型演示，混合硅激光器（hybridsiliconlaser）/集成激光器，是英特爾硅光子產(chǎn)品的基礎(chǔ)，已經(jīng)交付了超過400萬個英特爾100G收發(fā)器產(chǎn)品，這款產(chǎn)品結(jié)合了硅電子和光學技術(shù)，能夠在獨立的硅芯片上實現(xiàn)近乎光速的數(shù)據(jù)傳輸。不過，雖然這項技術(shù)取得了長足的進步，但鑒于目前硅光子模塊和運行功率的成本和物理體積，光互連I/O還不適合短距離傳輸，這是要跨越的下一個巨大障礙。

預計何時會遷移到光互連I/O呢？英特爾首席工程師、英特爾研究院PHY研究實驗室主任的答案是“很快了”。展望通信和數(shù)據(jù)中心性能的未來，光互連和電氣互連方法之間有一個明顯的拐點，主要原因有兩點：首先，我們正在快速接近電氣性能的物理極限，如果不進行根本性創(chuàng)新，高能效電路設計將存在諸多限制；第二是I/O功耗墻，計算的帶寬需求大約每三年翻一番，但電氣性能擴展卻跟不上帶寬需求的增長速度，導致了I/O功耗墻，即I/O功耗會逐漸高于所有現(xiàn)有的插接電源，導致無法計算。

光互連涉及六大技術(shù)要素：光產(chǎn)生、光放大、光探測、光調(diào)制、CMOS接口電路和封裝集成。英特爾近來的重大突破是將光學的四個組件，包括集成激光器、半導體光學放大器、全硅光電探測器和微型環(huán)調(diào)制器與CMOS硅緊密集成的單個技術(shù)平臺上，從激光的發(fā)射到調(diào)制，到接受端檢測、放大，全部通過小型模塊實現(xiàn)。

集成光電是英特爾在硅光子技術(shù)領(lǐng)域的技術(shù)愿景，目前研究的重點是低成本、低功耗的光互連I/O。借助集成光電技術(shù)，能夠?qū)/O數(shù)量從幾百萬個擴展到幾十億個，實現(xiàn)1000倍的提升。未來的光鏈路將讓所有的I/O連接直接從服務器封裝中發(fā)出，全面覆蓋整個數(shù)據(jù)中心。這項技術(shù)一旦規(guī)模應用，將徹底改變數(shù)據(jù)中心網(wǎng)絡架構(gòu)，提高數(shù)據(jù)傳輸效率。

趨勢二：神經(jīng)擬態(tài)計算降低成本有望普遍應用

隨著深度學習的出現(xiàn)，人工智能取得了驚人的進展，但與此同時，系統(tǒng)功耗不斷增加。訓練一個現(xiàn)代AI神經(jīng)網(wǎng)絡甚至需要使用數(shù)千臺集群服務器，功耗高達數(shù)百萬瓦，這正逐漸成為AI不斷發(fā)展、以及廣泛普及的瓶頸。那么，如何才能提升AI任務的能效、甚至提高1000倍呢？英特爾幾年前開始了神經(jīng)擬態(tài)計算的探索。

相比傳統(tǒng)計算機架構(gòu)，神經(jīng)擬態(tài)架構(gòu)模糊了內(nèi)存和處理之間的界限。和大腦一樣，它利用的是數(shù)據(jù)連接、數(shù)據(jù)編碼和電路活動中所有形式的稀疏（sparsity）。也就是說，處理就發(fā)生在信息到達時，二者同步進行。計算是數(shù)百萬個簡單處理單元之間動態(tài)交互的發(fā)展結(jié)果，就像大腦中的神經(jīng)元一樣。這種新型計算機架構(gòu)旨在將能效、實時數(shù)據(jù)處理速度、學習數(shù)據(jù)的效率等提升多個數(shù)量級。

英特爾在2017年發(fā)布了首款神經(jīng)擬態(tài)研究芯片Loihi，采用英特爾主流的14納米制程。相比其他神經(jīng)擬態(tài)芯片，Loihi在靈活性、集成性和速度方面表現(xiàn)較好，并還具有片上學習功能。它沒有深度學習硬件中普遍存在的浮點數(shù)和乘法累加器單元，也沒有片外內(nèi)存接口，內(nèi)存來源于芯片神經(jīng)元之間的連接。和大腦一樣，所有計算都在芯片上進行，通過二進制脈沖信息和低精度信號。

英特爾在神經(jīng)擬態(tài)計算的研究上走到了第五個年頭，如今項目研究也步入下一階段，探索實際應用。此前，Gartner在一份調(diào)查報告中預測，到2025年神經(jīng)擬態(tài)計算有望取代GPU，成為下一代AI的主流計算形態(tài)。

對此，英特爾中國研究院院長宋繼強認為，神經(jīng)擬態(tài)計算和深度學習的關(guān)系應該是兼收并蓄，而不是取代，“對于深度學習已經(jīng)非常擅長的，模擬人類視覺或者自然語言交互的任務，讓深度學習的網(wǎng)絡去模擬；對于其他不太適合用深度學習做的，如英特爾Loihi芯片做的嗅覺方面的研究，還有機器人操控、多模態(tài)甚至于跨模態(tài)之間的知識存儲，可以用神經(jīng)擬態(tài)計算去實現(xiàn)。”

為了進一步擴大該技術(shù)的適用范圍，英特爾成立了英特爾神經(jīng)擬態(tài)研究社區(qū)（INRC），通過與世界各地不同類型的學術(shù)界、政府實驗室和企業(yè)研究人員進行交流合作，成為改進Loihi的架構(gòu)、系統(tǒng)和軟件的重要基礎(chǔ)。INRC成員將使用英特爾的Loihi研究芯片作為研發(fā)活動的架構(gòu)焦點，隨著基礎(chǔ)算法和SDK組件日趨成熟，英特爾希望INRC取得的成果未來能夠推動神經(jīng)擬態(tài)架構(gòu)、軟件和系統(tǒng)的改進，最終實現(xiàn)商業(yè)化。2021年第一季度，英特爾將發(fā)布下一代“Lava”軟件開發(fā)框架的開源版本，以此觸及更龐大的軟件開發(fā)人員社區(qū)。

受限于成本問題，英特爾高級首席工程師、英特爾研究院神經(jīng)擬態(tài)計算實驗室主任MikeDavies表示，短期內(nèi)神經(jīng)擬態(tài)計算要么用于邊緣設備、傳感器等小規(guī)模設備，要么用于對成本不敏感的應用，如衛(wèi)星、專用機器人。隨著時間的推移，預計內(nèi)存技術(shù)的創(chuàng)新能夠進一步降低成本，讓神經(jīng)擬態(tài)解決方案擴大適用范圍，運用于各種需要實時處理數(shù)據(jù)但受限于體積、重量、功耗等因素的智能設備。

趨勢三：量子計算商業(yè)化道阻且長

量子計算有兩個普世價值，一是在某些領(lǐng)域快速解線性方程。比如現(xiàn)在的深度神經(jīng)網(wǎng)絡底層就是解大量線性方程，因此大家預期量子計算可以加速深度神經(jīng)網(wǎng)絡的訓練過程；另外一個就是解決現(xiàn)在經(jīng)典計算很難解決的問題，比如快速加解密；用量子態(tài)模擬和實驗各種分子之間的相互關(guān)系加速生物制藥研發(fā)進展；用量子態(tài)模擬不同元素組合的效果研發(fā)新材料；對物流系統(tǒng)進行優(yōu)化求解，實現(xiàn)對超大規(guī)模物流或城市系統(tǒng)的管理等等。

英特爾高級首席工程師、英特爾研究院量子應用與架構(gòu)總監(jiān)AnneMatsuura對抽象高深的量子計算有個非常形象的比喻：將計算機中的“位”想象成一枚硬幣，硬幣有正反兩面，只能處于一種狀態(tài)中。但是，如果想象硬幣開始旋轉(zhuǎn)，越轉(zhuǎn)越快，從某種意義上它可以同時出現(xiàn)正反兩面，也就是處于兩種狀態(tài)的疊加中。量子位就與此類似，兩枚旋轉(zhuǎn)的硬幣，也就是兩個相互糾纏的量子位，可以同時混合出現(xiàn)四種狀態(tài)。以此類推，n個量子位就表示同時出現(xiàn)2的n次方種狀態(tài)。也就是說，量子計算機的計算能力隨著量子位數(shù)量的增加呈指數(shù)級增長趨勢。從理論上講，如果有50個糾纏的量子位，這樣的量子計算系統(tǒng)所獲得的狀態(tài)數(shù)量將超過任何一臺超級計算機。如果有300個糾纏的量子位，那能夠同時表示的狀態(tài)比宇宙中原子的數(shù)量還要多。

這聽起來很強大，但事實上量子位非常脆弱，任何噪音或干擾都會導致信息丟失。實際需要數(shù)十萬甚至數(shù)百萬個高質(zhì)量量子位，才能制造一臺商用級量子計算機。也就是說，量子需要具備可擴展性，才能用于實際應用。

目前業(yè)界包括英特爾、IBM、谷歌都在研究超導量子位的路徑，除此之外，英特爾還有一個獨一無二的路徑——硅自旋量子位。自旋量子位與英特爾的晶體管技術(shù)非常相似，這個路徑非常適合使用現(xiàn)在的整套硅半導體工藝。英特爾已經(jīng)在12寸的晶圓上制造出2個硅自旋量子位，然后控制它們進行糾纏。

英特爾方面認為，相比其他量子位路徑，自旋量子位技術(shù)更能滿足可擴展性需求，因為批量生產(chǎn)高質(zhì)量量子位的重點并不只是數(shù)量，而是需要壽命足夠長、相互之間連接性足夠強的量子位，以便擴展至包含數(shù)百萬量子位的商用級量子計算機，從而能夠在實際的應用領(lǐng)域執(zhí)行有效的量子程序或量子算法。

如果把量子計算商業(yè)化比作一場馬拉松比賽，現(xiàn)在才剛剛跑完一英里。量子計算面臨的挑戰(zhàn)還包括量子位控制、全面糾錯，以及可擴展的全棧量子計算機。由于量子計算是一種全新的計算類型，運行程序的方式完全不同，因此需要開發(fā)量子專用的軟件、硬件和應用，進行全棧式創(chuàng)新。這方面，英特爾既需利用自身在芯片和電路制造工藝方面的專長，也在不斷加強與業(yè)界的研究合作。

趨勢四：IoT時代必不可少的保密計算

當前的加密解決方案主要用于保護在網(wǎng)絡中發(fā)送以及存儲的數(shù)據(jù)，但是，數(shù)據(jù)在使用過程中依然有遭遇攻擊的風險，保密計算就旨在保護使用中的數(shù)據(jù)，這項研究對于萬物互聯(lián)的IoT時代尤為關(guān)鍵。

對于數(shù)據(jù)安全，業(yè)界以往的研究重點通常是結(jié)合硬件訪問控制技術(shù)和加密技術(shù)，以提供保密性和完整性保護。不過，這些研究更多在于保護單臺計算機上的數(shù)據(jù)。如果有多個系統(tǒng)和數(shù)據(jù)集，且分屬于不同的所有者，該怎么辦？如何支持多方在協(xié)作中安全地使用敏感數(shù)據(jù)？

英特爾研究院安全智能化項目組首席工程師JasonMartin提到了聯(lián)邦學習（federatedlearning）。這也是在深度學習大幅推進的今天，業(yè)界普遍推崇的一種方式。

在零售、制造、醫(yī)療、金融服務等許多行業(yè)，最大的數(shù)據(jù)集往往被限制在了數(shù)據(jù)孤島中。而之所以出現(xiàn)數(shù)據(jù)孤島，一些是因為隱私問題或監(jiān)管挑戰(zhàn)，或是在某些情況下，數(shù)據(jù)太過龐大，無法傳輸，對使用機器學習工具從數(shù)據(jù)中獲取重要洞察造成了巨大障礙。

在消除數(shù)據(jù)孤島方面，聯(lián)邦學習是一種很好的思路，業(yè)界目前已有眾多的嘗試。例如在醫(yī)療領(lǐng)域，英特爾研究院與賓夕法尼亞大學佩雷爾曼醫(yī)學院的生物醫(yī)學圖像計算和分析中心就開展了這方面的合作，一篇關(guān)于醫(yī)學成像領(lǐng)域的聯(lián)邦學習的論文表明，采用聯(lián)邦學習方法訓練深度學習模型，其準確率可以達到采用傳統(tǒng)非私有方法訓練的相同模型的99%，機構(gòu)采用聯(lián)邦學習訓練模型，比僅用自己的數(shù)據(jù)訓練模型時的性能平均高出17%。

此外，英特爾研究院還透露了一種全新的加密系統(tǒng)——同態(tài)加密（homomorphicencryption），它允許應用在不暴露數(shù)據(jù)的情況下，直接對加密數(shù)據(jù)執(zhí)行計算操作。

完全同態(tài)加密的工作原理是什么？傳統(tǒng)加密要求云服務器訪問密鑰，才能解鎖數(shù)據(jù)用于處理。同態(tài)加密允許云對密文或加密數(shù)據(jù)執(zhí)行計算操作，然后將加密結(jié)果返回給數(shù)據(jù)所有者，從而簡化并保護了這一過程。

不過一些挑戰(zhàn)也在阻礙完全同態(tài)加密的采用，最主要就是算力方面的挑戰(zhàn)。比如在傳輸和存儲數(shù)據(jù)時，傳統(tǒng)加密機制的開銷相對來說可以忽略不計，但在完全同態(tài)加密中，同態(tài)密文的篇幅比純數(shù)據(jù)大得多。有時候甚至大1，000-10，000倍，這將導致計算激增，要求處理能力隨之增加。不僅如此，處理開銷還會隨著計算復雜性而增加，正因如此，同態(tài)加密尚未得到廣泛使用。英特爾目前正在研究新的軟硬件方法，并與生態(tài)系統(tǒng)和標準機構(gòu)開展合作，以推動該技術(shù)的普及。

趨勢五：機器編程在降低創(chuàng)新門檻

當我們在為找到異構(gòu)計算平臺作為算力解決方案而歡呼時，另一個問題隨之而來：未來，誰能為這些異構(gòu)系統(tǒng)編程？答案很可能是：沒有人。舉個例子，能為CPU進行調(diào)優(yōu)的可能有20%的開發(fā)人員，能為GPU進行調(diào)優(yōu)的可能也有20%，但同時能為這兩種平臺進行調(diào)優(yōu)的人員，比例一定是大打折扣的，更不用說未來的異構(gòu)平臺可能是同時整合了CPU+GPU+FPGA+NPU+……

這也意味著，未來，當我們真的需要異構(gòu)平臺來提供計算支持的話，也需要某種機制讓程序員甚至非程序員，不需要掌握太多技能就能夠充分使用可用資源來發(fā)揮創(chuàng)造能力，這也是英特爾機器編程的基本驅(qū)動力之一。這一方面或許可以解決跨架構(gòu)專業(yè)編程人員的稀缺，另一方面，也能提升效率，解決軟件開發(fā)和維護的痛點。

那么問題來了，一旦機器編程真正實現(xiàn)了，專業(yè)的程序員會不會失業(yè)？英特爾首席科學家、英特爾研究院機器編程研究主任及創(chuàng)始人JustinGottschlich表示并不會，反而會創(chuàng)造出新的就業(yè)機會。他提出這一觀點的邏輯在于，當今存在的大多數(shù)機器編程系統(tǒng)都需要大量的數(shù)據(jù)，這些數(shù)據(jù)通常以代碼形式存在，而代碼都是由專業(yè)程序員編寫的。機器編程盡管可以實現(xiàn)編程自動化，但是仍需要高技能的程序員，專業(yè)程序員寫的代碼越多，構(gòu)建的機器編程系統(tǒng)才能越先進。而更重要的是，如果允許用戶向機器表達他/她的意圖的系統(tǒng)一旦成功，也將降低行業(yè)準入門檻，這樣一來，所有人都可以表達他們的想法，通過機器編程實現(xiàn)自己的創(chuàng)意。這也意味著，軟件開發(fā)中枯燥的部分被自動化，而人得以有更大的自由、靈活度和時間精力去進行創(chuàng)造性的工作。

此外，機器編程的意義還在于改進軟件調(diào)試（Debug），一方面是自動檢測性能漏洞的機器編程系統(tǒng)，另一方面是嘗試查找漏洞，讓軟件變得更加強大、可靠，讓程序員的工作效率更高。

JustinGottschlich認為，三個基本進步正在推動機器編程處于現(xiàn)在的拐點之上。首先是算法，包括確定性算法和隨機算法，為建立機器編程系統(tǒng)提供了大量機會；第二是算力，過去十年在算力方面取得了長足的進步，特別是異構(gòu)計算，像是解鎖機器編程的第二把鑰匙，成為關(guān)鍵轉(zhuǎn)折點；最后一個是數(shù)據(jù)，現(xiàn)在的數(shù)據(jù)量大且豐富，以GitHub為例，2020年夏天，其代碼庫超過了2億，這些源文件，每一個都可能包含數(shù)百或數(shù)千行代碼，且增長非?？?。

寫在最后

英特爾研究院在提出這五個顛覆性研究項目時，同時也提出了1000x提升的目標，但其實有些技術(shù)一旦進入實際應用中，在現(xiàn)有基礎(chǔ)上帶來的提升絕不止一千倍，可能是幾個千倍的升級。

如果要預測它們何時來臨？可以引用科幻小說家WilliamGibson的一句話：“未來早已到來，只是分布不均?！边@大概正是科技創(chuàng)新的誘人之處。既要仰望星空，也要腳踏實地。握緊手中的六便士，繼續(xù)追逐皎潔月光。
責任編輯人：CC