近年来，以量子科技、神经拟态计算(类脑计算)等为代表的国际前沿科技领域日益受到关注。作为全球科技巨头之一，英特尔在量子科技，尤其是“量子实用性”上也有诸多实践和进展，在神经拟态计算领域，也已经推出了拥有1亿个神经元的神经拟态计算系统。

　　近日，中新社国是直通车专访了英特尔中国研究院院长宋继强。采访中，宋继强介绍了英特尔探索前沿技术的研究进展和现实意义，并结合当前英特尔中国研究院的工作，解析该研究院立足中国本土市场优势探索技术产业化的“秘笈”。

　　以下为采访实录：

　　英特尔在布局前沿技术时有何考量?

　　提问：在去年的英特尔“研究院日”上，英特尔在五大前沿计算领域量子计算、神经拟态计算、集成光电、机器编程以及保密计算发布了一些重磅的更新，能否介绍一下为什么英特尔会选择这五大领域作为未来计算的发展方向?这些技术之间有怎样的内在关系?

　　宋继强：非常高兴接受中新社的采访。这五大计算领域是为了解决数字化转型带来的挑战。随着5G和AI等数字基础设施建设的加速，以及生活中数据量、数据类型的不断增加，我们所面临的不仅仅是传统人定义好的那些固定的数据结构，还有很多是来自自然界和机器视觉的数据。

　　这些数据量非常大，它的种类也和以前发生了根本性的变化。对于处理它来讲，显然不是人的能力、时间、精力等能够完全应对的。这就要靠更多的AI算法，靠把云、边、端整合起来的算力，以及很多不同的新技术去解决日益增长的数据量等问题。

　　所以我们提出这五大领域，也是在不同的阶段上，从不同的角度去解决新的数字基础设施、数字化转型带来的挑战。

　　提问：作为一家领先的半导体公司，英特尔为何要在前沿计算领域进行巨额投资，有何战略意义考量?

　　宋继强：我可以从计算、传输、保密这些方面分别去谈。对于计算来讲，我们现在属于一个利用AI2.0时代的深度学习做大规模的人工智能计算的时代。整个社会既需要智能化的计算来支撑，也要用低碳排放的方式去实施它。

　　目前，很多深度学习的算法是利用GPU的大规模算力驱动的。据此前一些市场调研发现，要训练一个大规模的GPU算法模型，可能需要好几辆传统汽车的碳排放量才能训练出一个模型。面对日益增大的AI计算需求，这显然不是一种环保、可持续发展的办法。这就需要我们在未来的多种多样的数据处理中，既要有不同的算法，也要有不同的底层硬件的支持。

　　再比如，AI计算处理的数据来源不仅多且量也很大。将这些数据在整个网络上进行运输很耗时。同时，这些数据的所有者可能出于各种各样的原因，并不想把这个数据送到别的地方计算。所以，至少需要有两类的方法去解决它。

　　一是数据可能不动，通过利用别的地方运行的AI计算力，分头在数据产生和保存的地方去训练数据对应的模型，以避免数据的大量流动和隐私泄露。

　　二是很多数据本身就是加密的，量也很大。要把这些数据解密再去计算，本身就是很浪费时间和算力的过程。如果我们在加密的数据上面直接进行运算，能够达到跟未加密数据同样的效果，那是不是就更好了?这个就是一种“同态加密”的计算方法。

　　再如，硅光通信和机器编程，是分别从底下的互联层面去解决高度集成的大规模数据传输。从机器编程角度看，我们希望未来很多程序并不需要人去编写，很多Bug不需要人去调试，在整个编程过程中，有很多自动产生的一些程序模型，自动去调试中间的一些问题，以大幅减轻未来大量数字化转型中需要做的代码调试任务。

　　事实上，就是从方方面面分头去做各式各样的前沿创新。

　　量子计算距离产业化还有多远?

　　提问：目前，量子计算非常火热。一些公司在量子比特数量的提升方面发力，而英特尔更强调“量子实用性”，并在量子系统低温控制器领域有了诸多进展。这是出于怎样的考虑?

　　宋继强：英特尔强调“量子实用性”是注重如何能够把新技术分阶段地推向实用，而且是全栈式的，包括从底层的量子比特的制备，一直到顶层怎样编程、使用量子比特提供的算力，进行一些不同领域的应用创新和研究突破。

　　我们需要很多层来构造这个堆栈，最底下当然就是量子比特。量子比特不能仅看数量，还需看质量，以及如何能够把量子比特以一个比较经济有效的方式集成在设备里。

　　对英特尔而言，我们首先选择了硅电子自旋的方式去构造量子比特。因为它构造的方式和英特尔最擅长的在硅上面做半导体的方式非常相似。同时也能够利用我们整套的生产、工艺以及对电子控制方面的技能。

　　有了量子比特之后，必须让它纠缠起来。因为不纠缠的量子比特达不到“幂数上升”的指数加速效应。一般情况下，要较好地控制这些量子比特，常用的制备方式是通过微波去控制。

　　传统的方式是通过把量子比特放在很低温的一个大冰箱里，用接近绝对零度的方式让量子比特正常工作。现在量子比特个数很少的时候，我们可以用这种同轴线缆的方式穿到冰箱里面去控制它。但是当量子比特未来扩展到几百上千甚至是上万的时候，这种通过每个量子比特用一根单线去控制的方式就无法规模化。所以，我们在这个层面上做了很大创新，就是解决布线方面的瓶颈。

　　我们首先在低温的情况下做了微波控制芯片。在几个开尔文的温度下，让微波控制芯片可以正常工作，同时还可以控制多个量子比特，对它进行读取、控制。这样即可节省数十倍的空间。

　　同时，我们在测试量子比特、量子点的有效性也做了专门的设备。例如，英特尔和合作伙伴去构造了世界上第一台具有大的真空腔体的低温探测仪，它可以把整个300毫米的晶圆放进去，一天之内就可以测上百个量子点，这样把整个的测试量子点的能力也给提升了千倍的速度。

　　此外，我们也在产学研上有广泛的合作，在设备和软件层面，一起构造全栈的量子计算的堆栈。我们的目标就是当有数千上万的量子比特同时工作时，我们能有一整套的技术支持，可以让上层的算法和软件开发人员去使用这样的堆栈。

　　提问：您认为量子计算最早可能实现的应用场景是什么?这一时间点大概会在什么时候?

　　宋继强：首先，时间点很难估计，整个物理量子比特还是比较嘈杂，不是很稳定。量子比特的规模目前在50-100个左右，不算太大。整个能够支持的很多应用算法也是很小规模的。

　　如果说要达到大规模的应用，首先需要量子比特数量很大。同时，我们也希望能够看到集成度比较高的量子比特的实现方法。但目前产业界还并没有看到能大规模商业化的路径。因为在有一些明显的障碍还没有突破之前，去预测时间实际上是一个不太靠谱的事。目前看来，在10年左右还是可以突破一些层面的。但这个发展目前看来还是一个8-10年的过程。

　　量子计算的能力很强，但是并不是万能的。量子计算的应用最适用于需要大规模并发状态去检测多个可能性的场景，例如一些药物和材料模拟，以及人工智能算法的新构造等。此外，量子计算的强大运算能力，也可与量子通信和量子互联网领域有机整合起来，相互补充。

　　因此，未来它们互相之间可以进行有机的组合，但是确实也需要一些顶层设计，否则会造成资源上的浪费和不协调。

　　神经拟态计算有哪些挑战和机遇?

　　提问：我们知道神经拟态计算也是英特尔关注的前沿领域，这几年英特尔在神经拟态计算领域也取得重要进展。当前，神经拟态计算在大规模普及应用上是否存在挑战?

　　宋继强：神经拟态计算是类脑计算的一个重要的领域。神经拟态计算是想模仿人脑神经元的构造，如它接收信息、储存和进一步去传递信息的机理，比现在的深度神经学习更接近人脑的工作方式。它实际上也不是一个新学科，从1980年代就开始有这方面的研究。最近由于它在算法层面和硬件底下的支撑层面都有大幅度的提升，所以又再一次被大家视为能够帮助我们把人工智能计算的能效比大幅提高的方法。同时，能在一些算法层面获得创新，提高算法的可解释性，降低对大数据的依赖度等。

　　现在它的门槛在哪里?第一是硬件的基础还比较少，可以用来做大规模类脑计算的试验系统还不多;第二，相对传统的比如说深度学习或者是传统的机器学习社区，该领域的研究人员和开发人员的社区还非常小。现在神经拟态计算整个群体量我约是一个100：1的状态。

　　为此，英特尔也在努力构建我们称之为INRC(英特尔神经拟态研究社区)，这是一个开放式的研究社区。目标是扩大研究之间互助的机会，包括学术界的探索、试错经验;产业界大公司的测试案例和系统化的能力;初创公司的探索激情等。把以上这些整合起来之后，会形成比较快的社区聚集效应。

　　近4年来，该社区规模几乎是每年倍增的。从开始的十几家，到现在已约有一百家的公司、大学研究团队在里面。这100家当中也包含了联想等中国公司和中国一些院校。

　　所以，硬件方面我们要继续推动。同时，社区也要继续去壮大，让大家看到这个系统，或者是这种计算模式真的值得大规模学习开发的。

　　提问：能不能谈一下神经拟态计算会在哪些领域率先投入使用?下一步英特尔研究神经拟态计算的方向是什么?

　　宋继强：目前我们认为有两个领域最适合去用。一个是前端的像IOT的设备当中。在前端的类似机器人、无人机以及工业领域的专用设备里面，它有很好的使用场景。

　　二是在服务器端和云端也可以发挥很好的作用，去做很多并行的动态规划和算法优化。

　　例如，在一个智能城市中，有很多车辆、行人和交通信号等等。在这样一个复杂系统当中，假如想让一个救护车以最快速的方式从A点到达B点，用传统的方法去计算，那是很慢的。但是用神经拟态计算，它可以用很短的时间就把这个优化的结果给搜索出来。

　　下一步，英特尔将进一步提高Loihi系统的神经元容量，达到10亿个神经元的系统，这样就可以支持更多的应用;在软件层面，我们将简化在Loihi系统上面做各种各样算法的应用编程，提升可用性和易用性。

　　立足于中国市场的英特尔中国研究院有何“秘笈”?

　　提问：在英特尔研究院探索前沿科技的过程中，您认为有哪些值得借鉴的经验?

　　宋继强：英特尔研究院一直在践行“双轮驱动”模式。一方面，我们有长期坚持探索的创新领域，如Loihi和量子计算，这些都属于短期我们并不知道它什么时候可以快速商业化，但是这个方向是正确的。另一方面，在探索的同时，我们也在关注另外一个逻辑：这项技术未来是要为规模化、商业化应用服务的，是要将技术产品化，而不纯粹是为发论文或只接受产品部门的输入，为他们开发一些弥补差距的技术。

　　提问：英特尔中国研究院目前在做哪些研究方向?这些研究对于英特尔的技术布局有什么样的意义和价值?

　　宋继强：英特尔中国研究院是立足于中国本地的人才基础、中国的商业机会，还有合作伙伴、客户的发展趋势，来综合考虑选择我们的研究方向。

　　首先，我们把人工智能、5G方面作为我们长期研究的领域。此外，为了进一步推动比如说AI、5G这些通用技术在未来产业里的应用，我们也会选择一些关键的应用领域，如智能边缘和机器人领域。

　　具体地，我们在智能边缘领域选择要深度使用AI技术和5G的实时传输技术，这两个组合技术的领域，我们一是选择了智能交通(车和基础设施)，也就是道路上部署的传感器的计算能力，怎么样有效互连，提高运输效率以及安全性方面;二是选择了机器人领域，因为机器人这个领域也会作为一种“自主系统”，会在各个不同的垂直领域发挥它的作用。

　　于英特尔而言，选择两个长期的技术发展领域，加上两个非常长期的应用发展领域是我们一个大的策略。同时，我们还在关注怎么样通过敏捷的软硬件开发流程去支持这些新领域里面可能需要的一些硬件加速部件。这些都是面向未来的前沿领域，同时也能支持应用创新和整个社区的发展。

　　研究前沿技术不能“闭门造车”

　　提问：您在英特尔中国研究院已经工作了很长一段时间，您个人最大的心得体会能否分享?

　　宋继强：研究前沿技术不能“闭门造车”，要立足于本土优势，也要看到国际上的领先科研趋势。

　　我在英特尔研究院已经工作了13年了。从整个的历程来看，我觉得现在最大的一个感受就是英特尔研究院的发展当前与中国提出的“双循环”新发展格局有诸多共性。

　　一方面，英特尔研究院在实时跟进全球前沿技术的发展趋势，将一些技术输入到中国做快速本土化的创新和应用;另一方面，英特尔也在利用中国本土产学研方面的优势做一些实际技术的开放突破。在一些应用场景中，中国的一些数据是领先于全球的。同时，中国有大量可应用的好机会与好案例，有利于推动科技创新和产业落地加速。

　　提问：您刚才提到英特尔中国研究院要借助中国本土优势发展5G和AI，能否就此展开谈谈?

　　宋继强：关于英特尔中国研究院或者是英特尔整体怎么去立足中国本土的人才和产业优势，我觉得这个可以分两方面来看。

　　一个是人才，中国在人工智能方面的发展，特别是我们现在称之为第二代的人工智能，基于深度学习这一波基本上是和国际同步的。这也意味着中国在人工智能算法上有强大的人才和研究基础。这些都是英特尔值得更好地去利用的人才宝库。

　　另一方面，中国在推动5G发展进程中扮演了非常重要的角色。中国在5G基站装机量的速度和量上都是领先于全球的。到今年，应该有接近100万的5G基站就要装机部署了，这在全球是占了超过半数的。一旦“路”修好了，后期相应的基础设施和商业模式可与之形成叠加效应，进而带动其他行业的发展。这方面，AI技术可以以多种形式放大5G带来的好处和红利。

　　未来，英特尔也会继续立足中国本土优势，尤其把握当前中国数字化转型的契机，将现有各项技术和软硬件设施加以整合，更好地参与到中国市场的发展中。