《科创板日报》（上海，记者 黄心怡）讯，人工智能已经走过了60多年的历程，当前正处于第三次发展浪潮之中。各类科技企业、互联网巨头、初创公司等都纷纷投入人工智能产业之中，也吸引了大量资本的涌入。但在人工智能的热潮之下，同样需要冷思考。
近日，英特尔院士、大数据技术全球CTO戴金权接受了《科创板日报》记者的专访，探讨人工智能和大数据的应用瓶颈、拓展方向以及数字经济所带来的机遇。
他表示，人工智能当前还处于一个比较早期的阶段，从开发者和实验室走到现实的生产环境，在这个过程中存在一定的脱节。如何针对不同的场景做适配，以及如何实现整个端到端的流水线打通，都有比较大的挑战。
但戴金权依然对人工智能未来表示看好。他认为，除了安防外，AI在制造业、数据中心智能运维、互联网业务等领域都有很大的应用空间。
在谈到数字经济的机遇时，戴金权认为，人工智能和大数据是数字经济的基石。在数字化之后，必然会产生大量的数据。首当其冲的是需要对这些数据进行管理。其次，在拥有大量的数据资产后，便可以利用大数据、AI技术对其进行分析，并以此来进行一些预测，甚至帮助人们做出决策。
以下是《科创板日报》整理的专访实录：
人工智能尚处于早期阶段
《科创板日报》：当前，AI赋能各行各业的时候遇到了很多难点，例如，AI在中长尾场景的应用非常碎片化，这意味着需求大量的定制化，较难实现大规模应用，不知道您如何看待这个问题？
戴金权：我同意你的说法，今天AI还处于比较早期的阶段，虽然我们看到在实验室里、研究环境里有很多的创新成果出来。但这些技术要落到现实的应用里，仍旧存在许多挑战。
比如，从数据到处理再到AI模型，怎么实现整个端到端的流水线打通；AI模型能否更好地针对各种场景进行优化，以及AI依赖于定制化的软硬件平台难以扩展，如何做到普适化，让更多人方便地应用AI。这些都是目前我们所遇到的难点。
虽说挑战很多，但是我们依然很有信心。AI是一种技术，也是一个产业发展的方向，在未来必定大有可为。
《科创板日报》：国内企业正在研发预训练大模型，试图解决上述问题，您多年在英特尔从事全球性技术研发工作，从全球角度来看，大家会有哪些应对举措？
戴金权：这取决于不同的技术路线。比如您刚刚提到的预训练大模型，这是最近两三年大家非常关注的一个方向首先利用像Transformer这样的新模型架构，在大量的模型上进行预训练，之后再在下游的任务上进行适配和调优。目前无论是国内还是国外，大家都在做很多这方面的探索，其范围涵盖了自然语言处理领域、计算机视觉领域等。
去年，我们和汉堡王有一个合作，利用Transformer架构做了推荐系统上的一些尝试，也达到了很好的效果。当然，这其中存在技术难点。当模型越来越大，所需要的数据量和对计算的需求也越来越大。除此之外，在进行部署的时候，对资源和计算速度的高要求都造成很大挑战。
为此，英特尔对模型进行了各种各样的优化。例如把浮点数运算转换为整型运算，并且利用诸如VNNI、DL Boost等加速指令来帮助模型进行量化，以提高它的速度；对模型进行稀疏化等，使其在各种不同的硬件平台上，从笔记本到嵌入系统，到边缘服务器，再到云端的大算力，都能够很好地进行部署，真正拓宽其应用。我们希望，通过硬件的加速，训练模型架构上的创新，以及软件的优化，综合起来达到更好的效果。
从实验室走向产业应用存在脱节
《科创板日报》：在碎片化的AI应用场景，数据量比较少，是导致模型训练存在困难的原因，您对此怎么看？
戴金权：这其实存在两个问题，一是数据量不多，我们可以通过预训练，或者通过迁移学习、多任务学习、元学习等各种方法来解决。
二是，有数据但没有标签，这是经常会遇到的情况。我们和合作伙伴工作的过程中会发现有数据，但给数据打标签本身的代价非常高。迄今为止，我们本质上还处于“监督学习”，仍旧需要在标签上做更多努力。
目前有很多探索方向，比如大家都在积极探索的“无监督学习”、“自监督学习”等技术。至于是否到了非常成熟的阶段呢？可能还没有，但是我们仍旧认为这个方向是大有可为的。
《科创板日报》：除了碎片化需求， AI在落地和实施方面还存在哪些痛点？
戴金权：从开发人员的角度来看，在开发机上完成开发后，要在大规模的数据集群上试验，进行生产化部署，整个过程在今天来说还是有非常大的瓶颈。
特别是很多的开发人员，就是一个数据科学家，并非专门做高性能计算、分布式计算的开发人员。为了把AI成功应用到生产环境当中，这些数据科学家就需要在分布式大规模的场景上进行实际的部署，在整个过程中是有一些脱节的。
在这方面我们做了一些初步的工作，包括推出开源大数据项目BigDL 2.0。通过构建“数据+AI”的可扩展平台，把AI应用或者流水线，能从笔记本无缝地扩展到分布式大规模的云集群当中去，做到在笔记本开发和在云上开发是一样的体验。
这样，数据科学家可以更加集中在自己想做的模型、算法的创新上，而不用管底层大规模分布式如何进行，也不用管怎么从笔记本迁移到云里。
数据是数字经济发展的关键要素
《科创板日报》：中国正在大力发展数字经济，今年两会的政府工作报告上也提出要培育人工智能等数字产业。近年来，AI主要在安防、公共安全等领域有一定应用，大量的公司也都集中在这个领域竞争。您是否看到，AI在其他行业有新的机会？
戴金权：安防当然是非常重要的一块。英特尔也有物联网事业部，在智能摄像头、智能摄像机方面做了非常多的工作。
同时，中国是一个制造业强国，如何将这些AI计算机视觉技术应用到制造业之中，比如在缺陷检测等方面，存在较大的发展空间。
此外，在电信运营商和数据中心领域，无论是基站还是数据中心的时序数据，都可以利用时序分析对其进行智能运维；在通讯网络或者数据中心里，通过AI预测负载变化来省电，进行更合理的资源调度和任务分配等；在互联网业务或者是在线服务当中，则可以利用AI进行各种各样的推荐以及内容挖掘。这些都是非常重要的应用舞台。
在我看来， AI开始把大量的数据处理分析和深度学习、机器学习技术结合在一起，对场景进行适配或应用，的确带来很多不同的新应用机会。不管是针对更精准的匹配，还是更好的质量检测，或是想要更加绿色、环保、节能的发展，AI都有着很多的可能性。
大数据分析也是应用非常广泛的技术，无论在国内还是国外，各行各业都有非常广泛的应用。从某种意义来说，大数据分析也是今天数字经济的一个基石。
《科创板日报》：您刚刚讲到，大数据和AI技术都是数字经济的基石。现在大家都很关注数字经济领域的机会。不知道您如何看待数字经济所涵盖的上下游产业链，以及哪些技术应用更为核心关键？
戴金权：首先，无论是资产、运作、还是生产活动，都在越来越多地进行数字化。而数字化之后必然会产生大量的数据。比如一个大城市，会拥有几十万、上百万的基站，这些基站中的设备每隔几秒钟就会产生大量的数据。首当其冲的便是如何对这些数据进行管理，包括存储、处理等。
第二，在拥有数据资产之后，利用大数据技术，结合机器学习、深度学习的技术进行挖掘，得到所谓的“洞见”，即我们说的“有什么趋势、模型是什么样的”。在此基础上我们便可以做预测，甚至帮助人们做一些决策。
像在电信行业，随着5G网络的发展，对网络运维的要求越来越高，如何更好地分配带宽和频谱？对于5G网络的功耗问题，如何通过智能调整来进行节能省电？这些都是在网络数字化的基础上可以做的事。
《科创板日报》：当下，人工智能算力需求的增长速度大大超过了芯片算力的进步，算力不足成为普遍现象，驱动计算架构从单一通用架构（CPU+GPU）到混合异构架构（CPU+GPU+FPGA+XPU），您对此的看法是？
戴金权：英特尔的策略是XPU。这是一个超异构的架构，包括像CPU的标量计算、GPU的矢量计算、FPGA这样的空间计算以及各种各样的加速器。英特尔已经做了相应的技术规划，在XPU超异构的架构上提供不同的计算架构来支撑不同的计算应用。
但是，当存在很多不同的异构架构时，对软件开发人员来说是一个非常大的挑战。所以，我们提出了oneAPI策略，希望从软件层帮助用户在跨不同架构时，都能进行同样的编程。通过oneAPI这样的工具加上底层的计算库等，提供一个非常无缝的编程体验。然后在上层，能够在XPU硬件架构以及oneAPI的软件支持下，构建一个可扩展的“数据+AI”的平台，给用户带来计算效率、开发体验、开发效率的多维度提升。
