在后摩尔时代如何应对AI的算⼒焦虑

主要观点总结

本文是关于上海纽约大学教授Gene Wen对于人工智能行业算力焦虑应对策略的采访。Gene Wen提出应从单纯追求规模扩张转向对计算与智能的本质追问，这不仅是对技术路径的简单修正，更意味着对底层架构的深入反思和前瞻性架构。采访中，Gene Wen和他的研究团队讨论了他们的研究课题《从新思考深度学习的训练与推理算法、架构和精度体系》，尝试从AI设计源头提供一种突破瓶颈制约的根本性解决思路。此外，本文还探讨了计算效率、数据供给、能源消耗等AI发展面临的难题，以及他们如何从算法与硬件的协同设计、通信范式架构、数据危机化解、向生物智能溯源等维度出发，针对计算的效率问题提出系统性的解法框架。

关键观点总结

关键观点1: Gene Wen对AI行业算力焦虑的应对策略

Gene Wen认为，当下AI行业面临算力焦虑，应从单纯追求规模扩张，转向对智能计算第一性原理的追问和探索。这不仅是对技术路径的简单修正，更意味着在AI发展的关键时点，对底层架构进行深入的反思和前瞻性的架构。

关键观点2: AI发展的瓶颈

AI发展面临物理性局限，包括算力的物理极限、数据供给的不可持续性以及能源消耗等问题。针对这些问题，Gene Wen的研究课题组尝试从算法与硬件的协同设计、通信范式架构、数据危机化解、向生物智能溯源等维度出发，提出一种系统性的解法框架。

关键观点3: 对软硬件进行系统性优化

为了解决AI发展的瓶颈问题，Gene Wen提出对软硬件进行系统性优化，包括优化通信和降低数据存储和传输的需求等。

关键观点4: 对简单生物神经连接结构的研究

Gene Wen的研究方向之一是尝试分析简单生物如草履虫的神经连接结构，以理解智能的本质。他们希望用数学工具反向工程这些结构，以推断它们优化的目标函数。

关键观点5: 战略与战术的理解

Gene Wen认为战略关乎长期、模糊的反馈，而战术更关注短期、准确的反馈。在围棋等游戏中，AI擅长战术计算，但处理模糊、复杂局面时则显得不足。他认为人类在战略上的能力可以与机器结合，产生更大的威力。

关键观点6: 研究成果的商业和社会应用

Gene Wen和他的团队将研究成果应用于实际商业和社会应用，如开发建筑工地自动捆扎钢筋的机器人力降低建筑工人面临的高空和高危作业风险；针对老龄化经济的需求开发个性化智能系统用于医疗微创手术的辅助等。