智能时代的软件新机遇

预计到2020年，会有500亿设备与互联网相互连接，但是可能没有一个单一的设备会成为社会主流，不过在这个时间点上会发生很多大变革。

—英特尔中国研究院院长宋继强

所有软件的运行都要落地在硬件上，但是硬件并不是设备本身，设备是一个系统，而系统是由芯片与芯片之间互相连接构成的。那么在未来，软件要运行在什么设备上？未来的主流市场是什么？大家可能都听说过摩尔定律，摩尔定律是指芯片业的指数型发展模式，在上世纪70年代，在IT行业中产生了贝尔定律，其主体是指主流计算设备的演进，每隔10年左右，主流计算机的类别会发生一次跃迁。从上世纪70年代～80年代的大型机到PC，直至今日的智能手机，都代表了跃迁的演进过程。

如果把2008年当做智能手机成为社会主流的起始期，那么在未来，社会的主流又是什么呢？因为一个类别的建立，首先是这个设备形态要得到大家的认可，在2018年苹果的智能手机受到大家追捧，智能手机中存在大量应用和功能，同时在智能手机中还可以添加传感器等设备，这就使得大量的人学习智能手机的编程或开发周边，最终就会建立一个生态圈。

预计到2020年，会有500亿设备与互联网相互连接，但是可能没有一个单一的设备会成为社会主流。不过在这个时间点上会发生很多大变革，比如芯片会变得很小，但是功耗很低且功能十分强大，此外价格也会变得便宜。那么在未来如何开发软件？未来的软件可能要在终端、边缘端，甚至在云端进行迁移。未来的软件可能在为DSB进行优化，或者为FPGA进行优化，因为我们看到这个趋势正在发生。目前移动边缘计算一词在5G领域十分火热。该计算可以使手机接入网络基站，也就是可以将边缘端接入设备，由软件定义基站。目前，基站已经被云化，所有基站的处理都在小型云端上操作，并由软件进行定义。例如无人驾驶汽车的运输功能、娱乐功能、办公功能等都有可能实现该项计算。并且以后的无人驾驶车中的软件，一定是通过虚拟化技术来提供多样性。

自主系统的兴起，也是一个重要趋势。例如无人驾驶车、机器人甚至是监控摄像头，这些设备都可以发展到自主。什么是自主？自主就是设备自己进行感知、进行决策，最后行动。同时设备还要处理一些复杂的行动，以无人驾驶车为例，首先它要观察路况和路标，这是感知功能。然后根据路况和到达的目标进行路径规划，这是决策能力。如果当车辆行驶到一个闸口时，需要无人驾驶汽车马上进行决策并执行。而且在交叉路口，会出现很多复杂情况，这些情况可能是程序从来没有遇到过的，如何快速处理未知路况，也需要自主系统来完成。

自主系统如果从它的计算加速来看，主要分为三个步骤—感知、决策、行动，而这些需要不同方式计算进行支持。感知需要快速且大量并行计算支持，决策需要多条性能同时运行相互协作，而且有依赖性。行动则需要实时处理。所以异构计算是必不可少的，异构计算=CPU+GPU+FPGA+X，而X代表一些加速器。

举一个例子，如果英特尔有不同种类的芯片、CPU处理器、图形加速器和视觉加速器。我们就可以形成一个异构开放平台的硬件系统，而软件系统我们希望用户可以学会一种软件开发接口，我们称之为ATI，ATI可以进行感知层的视觉认知和进行模型优化，可以部署在前端摄像头、边缘计算和云端，根据部署的位置可以加入不同的插件帮助优化。

异构的特性不止体现在系统层面，它可以深入到芯片制作上。我们可以用混搭的模式，把不同功能的芯片、CPU、图形、加速器等芯片，封装到一个芯片中，这就要求极高的封装技术，同时对编程而言也有新的接口需求。

当今AI计算已成为制作软件系统中必不可少的功能模块，甚至AI可以帮助优化编程方法，而AI更多是解决学习能力。自主系统要面对各种复杂和未知情况，如果我们仅提高加速功能是远远不够的，因为没法保证自主系统可以处理不同领域的情况，所以我们就需要叠加系统的学习和适应的能力，然后通过概率性推算，有针对性地收集反馈，把反馈和预期进行比较，来调整我们系统决策，才能达到自适应。

举个例子，观察到的数据无论多少，我们都可以建立概率模型，但是外推之后一定要去观察和验证，拿观察到的一些数据来与我的推断进行比较，才能进一步优化模型。所以以后要处理未知领域的自主性或智能性时，要引入这种思维。

数据就是被处理对象，我们可以处理数据中间的结果和最后产生的结果。但是现在，数据的角色发生了改变，不再只是被动的。在未来人产生的数据只占一小部分，而大量的数据则来自各种设备。数据作为一个资源，可以让我们对世界进行感知和理解，再利用无线通信方法传输数据。5G有各种方法对不同数据进行处理，单一的渠道数据可能不完整，但是多个渠道有很好的洞察。探索新的计算模式是非常必要的，传统辩证方式是已知过程产生的答案，而深度学习是通过数据训练出的程序。如果我们处理了复杂的系统，它同时做很多不同的事情，而这些事情之间又互相有关联，光靠一个深度学习是不够的。所以我们要结合类似人的处理方法—神经拟态计算，把多种学习东西放在一个盘子中，再通过强化训练让AI去适应。