2020英特爾研究院開放日：五大顛覆性技術“炸場”

　　當今十年，數字化轉型正在加速，未來十年，資料需求將愈發多樣。

　　在以資料為中心的時代，英特爾研究院立足當下又著眼未來，對塑造我們這個時代的顛覆性技術進行了開創性研究，包括【整合光學】、【神經擬態計算】、【量子計算】、【保密計算】、【機器程式設計】等五大領域，而這些領域將改變計算未來的格局。

　　在近日線上舉行的英特爾研究院開放日上，來自英特爾研究院的專家深入分享了影響未來十年計算的顛覆性技術，追求1000x提升。

　　 釋放資料價值 從【整合光學】開始

　　據英特爾首席工程師、英特爾研究院PHY研究實驗室主任James Jaussi介紹，整合光電旨在將光科學與大規模晶片生產的成本效益相結合。眾所周知，光互連(optical)在長距離、遠端和地下傳輸中占主導地位，而電氣互連（electrical）在短距離、主機板互連（board to board）和封裝互連（package to package）中占主導地位。

　　James Jaussi進一步表示，我們將光學技術與矽技術整合起來，開發出了矽光子技術，讓光互連具備矽的高產量、低成本等屬性。矽光子技術用鐳射束代替電子訊號傳輸資料，是一種基於矽光子學的低成本、高速的光通訊技術。英特爾實驗室透過混合矽鐳射器技術的整合鐳射器，首次實現了基於矽光子的資料連線。

　　目前，英特爾已經展示了與CMOS晶片緊密整合的一個矽晶片平臺上所有關鍵的光學技術構建模組。透過將光子技術與CMOS矽晶片緊密整合的研究，能夠系統地消除成本、能源和尺寸限制方面的障礙，以便為伺服器封裝賦予光互連的變革效能力。

　　James Jaussi表示，將光互連功率降到電氣I/O功率以下，並最大限度地縮小矽光子裝置的體積，從而降低成本。藉助整合光電技術，我們能夠將I/O數量從幾百萬個擴充套件到幾十億個，實現1000倍的提升。未來的光鏈路將讓所有的I/O連線直接從我們的伺服器封裝中發出，全面覆蓋整個資料中心。這項技術將徹底改變資料中心網路架構，並釋放資料，顯著提高資料傳輸效率。

　　 讓電腦像人一樣思考：【神經擬態計算】

　　近幾年，隨著深度學習的出現，人工智慧領域取得了驚人的進展，但與此同時，進展的代價是人工智慧系統功耗不斷增加。訓練一個現代人工神經網路需要使用數千臺叢集伺服器，功耗高達數百萬瓦。它正逐漸變成人工智慧不斷髮展、以及廣泛普及的瓶頸。那麼，英特爾如何才能將人工智慧任務的能效提高1000倍呢？答案是【神經擬態計算】。

　　英特爾高階首席工程師、英特爾研究院神經擬態計算實驗室主任Mike Davies表示，在2015年開始英特爾以現代神經科學理解作為靈感開發了一種新型計算機架構——神經擬態計算。它非常適合處理大腦可以輕鬆計算的各種智慧工作負載。這種新型計算機架構的顛覆性不亞於從電晶體開始的對計算重新思考。

　　相比傳統計算機架構，神經擬態架構完全模糊了記憶體和處理之間的界限。和大腦一樣，它利用的是資料連線、資料編碼和電路活動中所有形式的稀疏（sparsity）。處理就發生在資訊到達時，二者同步進行。計算是數百萬個簡單處理單元之間動態互動的發展結果，就像大腦中的神經元一樣。這種新型計算機架構旨在將能效、實時資料處理速度、學習資料的效率等提升多個數量級。

　　Mike說，神經擬態計算在計算效率、速度和智慧功能方面帶來數量級提升的潛力讓人深受鼓舞。英特爾與英特爾神經擬態研究社群的合作伙伴一起，在收穫的洞察基礎上，讓這一新生技術實現廣泛和顛覆性的商業應用。

　　毋庸置疑，神經擬態計算未來將幫助各種應用實現巨大突破。目前，英特爾針對神經擬態計算的研究走到了第五個年頭，將帶領研究專案進入下一個階段，攜手生態系統合作伙伴一同探索實際應用，擴大該技術的適用範圍。

　　 【量子計算】開啟未來之門

　　量子計算是一種令人興奮的全新計算模式，它不同於當前資料中心、雲環境、PC和其它裝置中的數字計算。數字計算需要把資料編碼為二進位制數字（位元位），而量子計算使用量子位，後者可以同時處於多個狀態。

　　量子計算是用量子位元相互糾纏實現效能的指數級提升，可以實現並行的大量計算。比如50個量子位元能夠實現的效能經典計算就很難達到，這也讓量子計算可以解決很多經典計算機難以解決的問題。

　　量子計算有兩個普世價值，一個是可以在某些情況下，在一些領域去快速解線性方程。比如現在的深度神經網路底層就是解大量線性方程，所以大家預期量子計算可以加速深度神經網路的訓練過程。

　　另外一個就是解決現在經典計算很難解決的問題，比如快速加解密；用量子態模擬和實驗各種分子之間的相互關係加速生物製藥研發進展；用量子態模擬不同元素組合的效果研發新材料；對物流系統進行最佳化求解，實現對超大規模物流或城市系統的管理等等。

　　目前業界包括英特爾、IBM、谷歌都在研究超導量子位的路徑。超導量子位是在2000年後由美國的兩家實驗室做出來的，它透過固態電路超導、零卡爾文或幾個毫卡爾文的溫度下能夠達到量子態。

　　英特爾還有一個獨一無二的路徑——矽自旋量子位。

　　據英特爾高階首席工程師、英特爾研究院量子應用與架構總監Anne Matsuura表示，這個路徑非常適合使用英特爾現在的一整套矽半導體工藝。英特爾已經在12寸的晶圓上製造出2個矽自旋量子位，然後控制它們進行糾纏。矽自旋量子位的優勢是可以利用具體粒子做量子位，實現起來體積更小，更適合構造大型量子計算系統。利用矽自旋量子推進量子計算，讓英特爾能夠利用在先進封裝和互連技術方面的專業性，為實現量子實用性開闢一條可擴充套件的道路。

　　 無【保密計算】無安全

　　在醫療、金融服務等許多領域，資料所有者可能需要遵循相關法規，保護資料隱私。這可能成為大規模整合資料的限制，阻擋我們從資料中獲取更多有用的資訊。為了解決這些問題，英特爾一直在推動【保密計算】的發展。

　　英特爾研究院安全智慧化專案組首席工程師Jason Martin表示，當前，加密解決方案主要用於保護在網路中傳送以及儲存的資料。但資料在使用過程中依然容易遭遇攻擊。保密計算旨在保護使用中的資料。為此，英特爾提供資料保密性以防止機密洩露，提供執行完整性以防止計算被篡改，並提供認證功能，以驗證軟硬體的真實性。

　　以醫療成像方面的應用為例，英特爾研究院與賓夕法尼亞大學佩雷爾曼醫學院的生物醫學影像計算和分析中心，開展了聯邦學習方面的合作。在聯合腫瘤分割專案中，雙方共同開發技術，來訓練可以識別腦瘤的人工智慧模型。

　　具體來說，研究人員將計算進行了拆分，這樣每家醫院就可以用本院的資料訓練本地版本的演算法，這樣就可以在不共享資料的情況下，將每家醫院的模型組合成一個模型。但如果像這樣拆分計算，就會增加篡改計算的風險。因此，研究人員在各醫院使用保密計算來保護機器學習模型的保密性。此外，研究人員還使用了完整性和認證功能，確保資料和模型在醫院層面上不被操縱。

　　研究表明，採用聯邦學習方法訓練深度學習模型，其準確率可以達到採用傳統非私有方法訓練的相同模型的99%。目前，英特爾正在與全球頂尖的學術機構合作創立私有化AI協同研究院，以擴充套件上述保密計算技術。

　　 讓【機器程式設計】解放人力

　　說到程式設計，由於我們對於某些工作負載進行專業化處理，計算資源變得越來越異構化，所以這需要專家級的程式設計師，他們非常瞭解硬體以及如何最大限度地利用硬體。但與此同時，軟體開發人員越來越青睞於使用更抽象的語言，以提高工作效率。這反過來會導致硬體難以發揮出它本身的效能。這種差距正在擴大。

　　於是，“機器程式設計”便應運而生。英特爾首席科學家、英特爾研究院機器程式設計研究主任及創始人Justin Gottschlich表示，機器程式設計與機器學習有很大的不同，機器程式設計是教系統自己程式設計。它的核心原則是，人類向機器表達他（她）的意圖，機器會自動建立完成該意圖所需的所有軟體。

　　此前，英特爾與麻省理工學院研究人員聯合發表的願景論文提出機器程式設計有三大支柱，分別是意圖（intention）、創造（invention）、適應（adaptation）。這三大支柱對應到實際過程中，即是人類向機器表達意圖，機器自動建立完成該意圖所需的所有軟體。

　　為此，英特爾推出了機器程式設計研究系統ControlFlag，它可以自主檢測程式碼中的錯誤。雖然仍處於早期階段，但這個新穎的自我監督系統有望成為一個強大的生產力工具，幫助軟體開發者進行耗時費力的Debug。在初步測試中，ControlFlag利用超過10億行未標記的產品級別的程式碼進行了訓練並學習了新的缺陷。

　　 寫在最後

　　今天，英特爾向我們展示了其在【整合光學】、【神經擬態計算】、【量子計算】、【保密計算】、【機器程式設計】五大前沿創新領域的成果。這些前沿領域雖然距離我們這些普通人還很遠，但它們已經逐步從實驗室裡走出來，潛移默化地開始影響著我們的生活。

　　AI、5G、智慧邊緣被認為是真正實現資料價值的關鍵技術轉折點，而跨這些領域的新用例和應用需要新的正規化，需要更快、更節能、更安全和更直觀的計算。筆者認為，英特爾研究院此次在五個前沿技術領域釋出的顛覆性技術是未來計算發展的方向，融合了AI、5G以及智慧邊緣技術，將引領未來十年的技術發展方向。