這是一個大數據的時代，這是一個人工智能的時代。人工智能時代的標志不是一個應用的出現，或一個算法的改進，或一場比賽的勝利，而是人工智能應用于各行各業，重新定義我們生活的世界。

這也是一個指數級增長的時代。過去幾十年，信息技術的進步相當程度上歸功于芯片上晶體管數目的指數級增加，以及由此帶來的計算力的極大提升。這就是所謂的摩爾定律。今天，大數據時代產生的數據正在呈指數級增加，包括消費者數據與企業數據。今天的數據，大約80%是企業數據。在指數級增長的時代，我們可能會高估技術的短期效應，而低估技術的長期效應。歷史的經驗告訴我們，技術的影響力可能會遠遠的超過我們的想象。

無所不在的人工智能

伴隨著大數據時代的到來，人工智能在過去十年取得了巨大的進步。但今天的人工智能，更多的是狹窄的完成單一任務的人工智能，如人臉識別、語音識別。能夠解決各類問題的通用人工智能離我們還有太遙遠的距離。從實際應用角度來看，在可預見的未來，我們會看到人工智能從狹窄(Narrow AI)走向寬廣(Broad AI)，從完成單一任務到完成多個任務，從解決一個領域的特定問題到解決一個領域甚至跨領域的多個問題。

未來的人工智能，我們會看到不斷增強的學習推理能力。如何從小樣本小數據中學習變得非常重要。面向消費者的人工智能，積累了大量數據。比如圖像識別，我們可以用大量數據訓練一個模型。而面向企業的人工智能，對于特定的任務，往往沒有大量的數據可用。多模態學習將會變得越來越普遍。比如人工智能剪輯電影，需要根據圖像、聲音，語言來理解視頻的涵義。未來的人工智能，需要能夠解釋結果，即不但給出建議，還能解釋為什么給出這樣的建議。就像醫生給出診療意見的同時，還需要解釋依據在哪里。

未來幾年，人工智能會從云向邊緣端擴展，變得無所不在。比如可穿戴設備、物聯網終端設備。很多場合我們需要實時的信息處理，如自動駕駛的汽車、為病人服務的醫療設備。也有很多場合由于信息安全的考量或網絡帶寬的限制，信息無法傳輸到云端而必須在邊緣端處理。實現邊緣智能(Edge Intelligence)，往往需要低功耗的智能設備。我們會看到米粒般大小的智能設備，集計算、存儲與網絡功能于一體。人工智能從云向邊緣端的移動，將人工智能與物聯網結合起來，使得我們可以對物理世界進行更好的理解、管理與優化。

企業人工智能與行業創新

我們會看到更多人工智能在垂直領域的行業創新。比如醫療，金融，工業制造。今天的人工智能，更多的是面向消費者的人工智能(Consumer AI)。未來幾年，我們會看到企業人工智能(Enterprise AI)的興起與發展。人工智能的成功需要商業成功，而人工智能的商業成功需要人工智能在行業應用的成功。

談到人工智能，我們往往會談到數據、算法與計算。實際上，人工智能用于行業創新，應用場景的選擇非常關鍵。你問一個馬車夫，他永遠不會告訴你他需要一輛汽車。需求與應用場景的確定不容易。這里涉及到信息技術與行業知識的結合。人工智能專家不具備深刻的行業知識，而行業專家又不完全理解人工智能今天發展到什么程度，未來幾年可能會取得什么樣的進展。二者結合在合適的時間點選擇合適的切入點，就變得非常重要。今天的人工智能技術還不能解決我們面臨的全部問題。對于今天技術不能完全解決的問題，可以由人與機器協作共同完成，而不須一步到位。人機同行，共同完成人類或機器單獨不能完成的任務。

人工智能應用在行業中會帶來兩類改變，一是借助機器提高效率；二是提供基于知識的專家助手幫助我們更好的決策。前者人工智能取代部分人力，后者人工智能賦能人類專家，增強人類的能力。我們會看到人工智能技術用于制造業，如視頻分析用來做產品缺陷檢測與質量控制。我們會看到人工智能醫生。根據醫學指南，與臨床數據中學到的知識，為人類醫生提供實時的診療建議。我們會看到人工智能律師，引用相關的法律文獻，發現相關案例，向人類律師呈現最有價值的法律信息。

今天的人工智能，需要大數據訓練模型，用于訓練的數據需要標識，費時費力。未來的人工智能，我們可以基于已構建的相關領域的模型，再輔以新的數據快速學習，構建新的模型。打個比方，相當于當我們需要完成一項工程時，我們會招聘有相關經驗的工程師，再加以適當的培訓，而不會去找一個毫無經驗的初學者。針對行業領域，我們需要預先構建哪些模型，如何構建，都是接下來需要關注解決的問題。

人工智能時代，信息安全面臨全新的挑戰。一方面，人工智能技術本身可能被用來考驗與攻擊信息系統的安全。另一方面，人工智能可能因為學習了有瑕疵的數據或被惡意更改的數據，而產生了安全的隱患，或倫理的缺陷。如何確保數據的安全，如何驗證人工智能模型的安全與合乎倫理，是我們未來需要妥善應對的問題。

未來的計算能力

人工智能需要強大的計算能力。隨著摩爾定律逐漸趨于物理極限，未來幾年，我們期待新的技術突破能為我們帶來新的希望。先談一下類腦計算(Brain Inspired Computing)。傳統計算機系統，長于邏輯運算，不擅長模式識別與形象思維。構建模仿人腦的類腦計算機芯片，我們今天可以以極低的功耗，模擬100萬個神經元、2億5千萬個神經突觸。未來幾年，我們會看到類腦計算機的進一步發展與應用。

接下來談一下模擬計算(Analog Computing)。傳統計算機系統，數據在存儲器與計算單元之間移動，耗費時間并增加能耗。運用存儲設備的物理特性，存儲器內能夠進行一些特定的運算，以達到同時進行計算與存儲的目的。例如，利用相變存儲器進行模擬計算。這種模擬計算雖然沒有數字計算精確，但對于很多不要求絕對精度的人工智能問題，可以極大地降低能耗并提高運算速度。

談到計算的未來，我們必須提到量子計算。在過去十年，我們在量子計算上取得了令人振奮的突破，讓我們對這項可能根本改變計算的技術充滿了期待與遐想。對合適的問題，超級計算機幾十萬年才能完成的工作，量子計算機可能不到一秒鐘即可完成。我們今天已經可以構建50量子位的量子計算機原型。量子計算機的實際應用與商業化，可能比我們想象的快許多。

人工智能時代是一個供給端創新帶來巨變的時代。展望未來幾年，人工智能時代的技術創新涵蓋四個方面，即人工智能核心技術、新的計算能力、人工智能與區塊鏈與物聯網的結合，以及人工智能與行業的結合。

人工智能將影響到每一個行業、每一家企業，讓我們重新思考我們的定位，重新思考我們的核心競爭力。這是一個讓我們向往與憧憬的未來，這是一個讓我們興奮與期待的未來，這也是一個讓我們不安與擔憂的未來。正如計算機科學的奠基人圖靈所說：我們只能看清前方很近的距離，但我們能看到那里有太多的事需要去完成。

博士，IBM全球副總裁，IBM大中華區首席技術官，IBM中國研究院院長。主要研究領域包括計算機系統、計算機軟硬件協同設計、及與人工智能有關的技術創新。沈博士領導團隊長期致力于面向未來的技術創新與商業拓展，涵蓋人工智能核心技術，云計算平臺與基礎架構，區塊鏈技術與應用，物聯網技術與應用，以及人工智能在醫療、金融、環境等領域的行業創新與商業應用。