天宝探秘(七十六)【新前卫系列连载小说118《人工智能的智迷》】2024年3月23日

林祥新海派赏石门类一一十福石

二三五、新工业革命的主角是AI+生命医药(一) 新前卫系列小说俩位主持人新明皇、刘如飞，他俩决定在3月23日这一期连载中，请在首尔的青白老师，针对英伟达GTC年度会议提供一份报告。然后，作为新一期连载小说上半场的话题内容—— 于是，23日当天青白老师的报告来了——《新工业革命的主角是AI与生命医药》 【一、北京时间3月19日凌晨，全球瞩目的英伟达2024GTC大会，在美国加州圣何塞一家属于专业冰球比赛的SAP场馆内隆重召开。 在开幕式上皮衣黄(黄仁勋)对2万多名参会说：“希望你们知道这不是一场演唱会，而是开发者大会！” 然后，他从皮衣口袋里掏出两块芯片，一块是Blackwell芯片；另一抉是Hopper芯片，他在把两块芯片并排展示后又说：“Blackwell GPU是推动这场新工业革命的新引擎！” 为什么？因为这位皮衣黄让英伟达每两年要更新一次GPU架构。而过去一年美国发布的人工智能大模型，大多数都是在英伟达2022年发布Hopper架构的GPU上进行训练的，该架构的核心GPU便是上一代英伟达H100等。 也就是说英伟达只用了两年时间就推出了GB200，从而就让它的AI芯片运算能力，扩展到了万亿参数…… “我们正在以从未有过的方式来创建软件。”皮衣黄在演讲中如此反复强调：“所以，这就需要构建更强大的GPU架构。”他这番煽动性的讲话，时不时令现场情绪沸腾！ 的确，此前已经有人将皮衣黄演讲的受关注程度，去与顶流歌星Taylor Swift(霉霉)的演唱会相提并论！但皮衣黄这一次在GTC大会上，真正扔出的震撼弹到底是什么玩意呢—— 它就是最新超级计算群NVL72——这是一个有着72个 Blackware GPU，以及36个 Grace CPU的集群芯片族，也是迄今为止算力密度最高的计算机集群(据说光研发Blackware GPU就花了100亿美元)！ 所以，皮衣黄在会上反复强调一个理念：就是对于新工业革命而言，此前或许还有路线之争——例如，德国提出了“工业4.0”；中国制造2025似乎也是那条线路……而现在英伟达在新工业革命之路的“武林盟主”竞赛中，似乎已经妥妥的脱颖而出了！ 而算力、存力与运力为底座的多模态AI生态，也将要强势嵌入到下一代6G无线通讯、通用型机器人、自动驾驶汽车、生命医药中去了…… 所以，AI评论界认为新工业革命之引擎，就是达到E级水平的AI超级计算机。E级(exa-)超算是一个专有名词，它指的是每秒百亿亿次浮点运算的超级计算机。 第一台是美国的“前沿”，还包括“顶峰”这些超算是排行榜上的常客(咱们中国的E级超算也很厉害，只不过不能公开说型号)…… 但是，在超级计算群NVL72诞生之前，已经达到E级超算的所有半导体机器，还是基于传统计算任务的计算机，而不是适合人工智能进行多模态生成式大模型架构的机器，那些只完成传统计算任务的计算机，其实是很多台计算机组成的一个集群。 而到了2016年4月，Nvidia(英伟达)推出了自主开发的 DGX-1系统，英伟达的这次跨越，就让它从组件供应商转变为平台制造商。 而该 DGX-1 系统的核心技术，是构建起了基于“Pascal”P100 GPU 加速器和 NVLink 端口的混合立方体网格，它将8个 GPU 耦合到相当于 NUMA 共享内存的集群中去。 这就是专门处理人工智能生成式大模型所专用的transformer架构。所以，DGX-1 系统也是世界上第一台 AI 超级计算机，它已经拥有了170万亿次浮点运算能力。 当时黄仁勋亲手将第一台 DGX-1 系统交付给了位于旧金山的一家初创公司，这家公司就是发明了chatGPT的OpenAI。 只是生成式AI现在有没有从0~1了？它有了0，可到1的可信路径是什么？ 　　 二、根据图灵所拟出的人工智能从0~1共有八个台阶，那这八个台阶都有些什么内容呢—— AI进化需要的八个台阶 1.深度学习 2.增强学习 3.模式识别 4.数字搜索 5.机器感觉 6.知识共识 7.语言合成 8.脑机互动 AI进化八个台阶的内涵 1.深度学习（Deep Learning） 深度学习是机器学习的一个子领域，它通过模拟人脑神经网络的工作原理来解决复杂问题，尤其是涉及非线性关系和模式识别的任务，是通过大量的神经网络层来学习数据的复杂模式。它主要依赖于神经网络，尤其是具有多路隐藏层的神经网络就称之为深度神经网络。 而通过模拟人脑神经元的连接方式，深度学习可以处理大规模的非结构化数据，并从中提取有用的特征和信息。深度学习模型利用多路神经网络层结构，对大量数据进行自动特征提取和兴趣学习。 目前，深度学习在图像识别、语音识别、自然语言处理等领域取得突破性进展。 2.增强学习（Reinforcement Learning） 增强学习是一种让机器通过与环境交互并基于反馈与从经验中学习的方法，目标是最大化累积奖励。 在增强学习中，智能体(agent)尝试执行一系列动作，以在环境中达以完成某个目标。它依赖于一个奖励系统，机器在完成任务时会获得奖励，并根据所获得的奖励或惩罚来调整自己的行为策略。 增强学习是机器学习的一种类型，与监督学习不同，增强学习不依赖于利用标记训练数据，即智能体不依赖于预先定义好的输入输出映射，而是通过不断试错来学习最佳策略。 这种方法使得人工智能能够在游戏、机器人控制、自动驾驶等领域实现自主学习和决策。 3.模式识别（Pattern Recognition） 模式识别是早期人工智能的核心部分，是AI的一个重要应用领域，涉及从输入数据中提取有意义的信息和结构。 因此，模式识别是指通过算法分析数据，并从大量数据中发现、识别与区分不同有意义的模式的结构和规律，从而实现对数据的分类、预测和分析，这是人工智能的基本功能之一。 而通过使用统计方法、决策树、支持向量机等工具，模式识别可以帮助AI系统识别、分类和解释各种模式。 模式识别还包括了图像识别、信号处理、数据分析等多个方面的内容，是现代机器学习和深度学习的基础。 模式识别在图像面部识别、语音识别、自然语言处理、医学诊断、生物信息学等领域有广泛应用。 4.数字搜索（Digital Search） 数字搜索指的是在大型数据集中查找特定信息的过程，是通过计算机程序在互联网上搜索和检索信息的技术，是使用算法在大量数据中快速查找信息的能力。 它们能够快速地从海量数据中找到用户需要的信息。 在人工智能中，数字搜索指的是用于解决最优化问题的各种算法，如穷举搜索、启发式搜索、遗传算法等。这些方法主要用于在大规模数据集成或问题空间中寻找最优解，是很多计算问题的关键技术。 AI算法，如决策树、随机森林和神经网络，可以帮助优化搜索过程，提高搜索的速度和准确性。 数字搜索在搜索引擎、推荐系统、数据挖掘等领域发挥着重要作用。 5.机器感觉（Machine Sensing） 机器感觉是指机器感知、获取、解释、理解和处理外界信息的能力，类似于人类的感官系统。它涵盖视觉、听觉、触觉等多种传感器数据的采集和处理技术，使得机器能够更好地理解和交互环境。 它包括通过传感器收集各种信息，如温度、湿度、光照、声音等，并将其转换为机器可以理解和处理的数据。 这通常需要结合多种传感器和数据处理技术，使机器能够理解和处理复杂的感知信息。为后续的数据分析和决策提供实时输入。 机器感觉在机器人技术、自动驾驶、智能家居等领域有重要应用。 6.知识共识（Knowledge Consensus） 知识共识是指AI系统通过集成来自多个来源的信息和观点，形成一致或共识的过程，是指在多个智能体之间达成共识的过程。 这通常涉及使用知识图谱、自然语言处理等技术来整合和分析大量数据，从而提取出有用的信息和知识。它涉及到知识的表示、推理、协商、更新和集成等方面。 知识共识在智能问答系统、推荐系统、决策支持系统等领域有潜在的应用价值。 知识共识在多智能体系统、分布式决策等领域具有重要意义。 7.语言合成（Language Synthesis）： 语言合成是指让机器能够生成自然、流畅的人类语言的过程，是指将文本信息转化为语音信号的过程。 这涉及使用文本生成技术，如自然语言生成(NLG)，来将机器内部的数据和信息转换为人类可读的文本。涉及文本转语音（TTS）技术，将计算机生成的信息转化为可听见的人类语音。 它包括语音合成和文本生成，使得机器能够以自然语言与人类进行交流。 随着深度学习的应用，现代的语言合成已经达到了高度逼真的水平。 语言合成在智能客服、语音助手、虚拟人物、无障碍技术等领域有广泛应用。 8.脑机互动（Brain-Machine Interaction） 脑机互动是指将人脑的信号与计算机或其他设备进行连接和交互的技术。 这一领域的研究包括脑电信号的采集、分析和解码，以及将计算机生成的信号反馈给人脑。 通过使用脑电图（EEG）、脑磁图（MEG）等技术，在脑机互动中便可捕捉大脑的电活动，并将其转换为机器可以理解的指令或信号。 脑机接口（BCI）技术实现了大脑与外部设备之间的直接通信，允许用户通过思维活动直接操控设备或发送指令。这是人工智能领域与生物医学工程交叉的前沿研究方向，这个技术对于残疾人士康复、高级人机交互等具有重要意义；可以用于帮助残疾人士，或者提高健康人的认知和感知能力。 脑机互动在神经工程、医疗康复、虚拟现实、游戏娱乐等领域具有重要应用前景。 总结一下——上述八个方面代表了人工智能技术在模仿人类认知能力、强化自主决策、感知外部世界、沟通交流等方面的多元化发展进化模型结构。而每个台阶均可以表示AI技术在某一领域的重大进步和创新应用。 只是，这八个台阶并不是线性的，而是相互交织、相互促进的。随着技术的不断发展和创新，AI的进化将继续向更高层次和更广泛的应用领域拓展。 有一件事是要让大家引成共识的，那就是当人工智能依次走上了以上八个台阶之后，这就预视着人工智能的知识便集了大成，这就使得科技真的进入到了一个新拐点，就进入第四次工业革命的拐点中去了…… 　　 三、过去中国 AI 的进程与大模型的现状 之前的中国人工智能研究，起步的时候刚好赶上20世纪70年代末开始的第二波浪潮，这也是一个“承前启后”的重要时期。 在这一阶段，我国不仅在符号主义人工智能的研究上取得了世界级的成果，也赶上了神经网络研究的一个潮流性…… 而更为重要的是我们在前人研究和论证的基础上，国家决定启动“863 计划”。于是，在20世纪90年代国际人工智能研究进入低谷的时候，“863-306计划”的实施，便培养出了一大批进入国际高技术前沿的计算机人才，为我国实现创新驱动战略奠定了人才基础。 但是，中国 AI 的深入研究，后来却遇到了很大的瓶颈，主要还是在机器学习方面。例如，深度学习即深度神经网络，是机器学习的一种方法，我们的硬件水平无法带领自己克服这一瓶颈。 而其背后的一个更大问题，是我们自己还在探索怎么让机器通过学习，解决机器自己去学习的难题。尤其是在神经网络方面，还有更多的东西没办法被定性和解释，这是很大的难题。而若能破解这个大难题，则中国自己的 AI 进化，就将会迎来自己的高潮…… 但是，事实上我们现在能解决的 AI 难题，还只是开头所遇到的难题。倒如，从整体上来分析，中国的 AI 前路它涉及了四类问题—— 第一类是可统计、可推理的 AI 问题——这一部分在工业中已经可以用于制造，例如工业机器人，已经可以应用于各种各样的知识决策系统； 第二类是不可统计可推理的 AI 问题——这类 AI 问题靠大数据解决不了，只能靠传统的逻辑和规则来处理； 第三类是可统计不可推理的 AI 问题——有大数据，通过大数据都能统计出规律，但是用语言表述逻辑和因果关系时却面临到复杂性。虽然，在这方面的曙光已经初现，但是也需要更多的突破。例如，美国人搞出了以ChatGPT 为代表的生成式大模型； 第四类是不可统计不可推理的 AI 问题——这是最难的 AI 问题。没有模型和数据，这类问题未来机器人不可能涉足，也不可能胜过人； 通过对这四类 AI 问题的分析，我们可以看出，第一类问题研究的已经比较成熟，也已经能够成功应用了。 第二类、第三类问题正在突破，当然，这也是从 AI 1.0 向 AI 2.0 过渡的主要研究内容，就是怎么让AI 应用深化拓展的前景能让人一目了然？例如，未来 AI 会在哪些方面超过人、在哪些方面不可能超过人？ 而第四类 AI 难题在短期内难以突破。 当然，AI 给科学技术提供了极大的动力，尤其是在自动化领域、机器人的领域所提供的动力极大！例如，在过去的几十年，我们经历到了很多浪潮——第一波是 PC 浪潮，它给信息领域带来了颠覆性的影响。 第二波是互联网浪潮，它成就了一大批互联网公司，如百度等…… 第三波是移动互联网浪潮，像华为等都是乘着这一波浪潮而起来的公司。 现在，则是进入到第四波浪潮。而在这第四波 AI 浪潮中，总体来讲目前我国发展 AI 则有优势也有短板。 优势有四个方面：举国支持、庞大的数据、丰富的应用场景、非常多有潜力的年轻人。 短板也有四个方面：基础理论薄弱、原创算法能力不强、关键的核心元器件不能完全自主替代、无开源的软件。 所以，过去中国 AI 的进程还仅限于轰轰烈烈的基础性研发阶段、还没有进入自主应用中去。例如，截止2023年底，我们国家已经有了8万家大模型研发机构了。 所以，有人形容我国的建模结构，便就是进入到轰轰烈烈的建模武林联盟的“万模大战”时代(而美国搞建模的就是那么几家数得过来的头部企业与研发机构——像谷歌、Open AI、马斯克的X 、亚马逊和Mate；再加上几个前沿的学术机构，比如斯坦福的SQuAD、麻省理工的GENIF、伯克利的BAIR……)？ 只是，在ChatGPT之后，中国的大厂也纷纷发布了自己的大模型——他们中有百度的“文心”、阿里的“通义”、字节的“云雀”、腾讯的“混元”、京东的“言犀”等…… 大厂背后的顶尖人才储备也逐渐浮出水面，百度的自然语言处理部和百度研究院、腾讯的al-lab、阿里的达摩院、字节的ai-lab、京东的探索研究院…… 而在2023年10月9日，有一家叫北京月之暗面科技有限公司（Moonshot AI）的科创企业，发布一款在“长文本”领域实现了突破，就是在世界上推出了首个支持输入20万汉字的智能助手产品Kimi Chat。 这是目前全球大模型市场上，能够在产品化使用大模型服务中，所能支持的最长上下文输入，它标志着中国这家Moonshot AI企业，在这一重要技术上取得了世界领先水平！】 　　 二三六、新工业革命的主角是AI+生命医药(二) 下半场的话题内容是青白老师报告的第二部分—— 【一、人工智能未来的发展趋势 人工智能AI的未来发展趋势是多元化和全方位的，涵盖了技术、应用、伦理和社会影响等多个层面…… 1.技术进步与融合 AI技术将继续快速发展，包括更高效的算法、更强大的计算能力和更丰富的数据集。同时，AI技术将与其他前沿技术进行更紧密的融合，如物联网（IoT）、区块链、云计算、5G/6G通信等，这种融合将形成更强大的技术生态，推动AI在更多领域的应用，并催生新的商业模式和服务。 2.智能化自动化 AI将在更多领域实现自动化和智能化，如制造业、物流、农业等。通过自主决策、高效率生产等方式，AI将提高生产效率，降低人力成本，并推动产业升级和转型。 3.多模态交互与理解 AI将进一步发展多模态交互技术，如语音、图像、视频等，实现更加智能化的人机交互方式。同时，多模态深度语义理解将使AI更好地理解人类需求和意图，提高服务质量和用户体验。 4.边缘计算与实时处理 随着物联网设备的普及和数据量的增长，边缘计算将成为AI发展的重要方向。通过将AI算法部署在设备端或边缘节点，实现数据的实时处理和决策，降低网络延迟和带宽压力。 5.可解释性与透明度 为了增强人们对AI系统的信任和接受度，AI的可解释性和透明度将成为重要研究方向。通过设计易于理解的模型、提供详细的决策依据等方式，使AI系统的决策过程更加透明和可解释。 6.伦理与隐私保护 随着AI技术的广泛应用，伦理和隐私问题将越来越受到关注。未来AI的发展将更加注重伦理原则的制定和实施，以及隐私保护技术的研发和应用。 7.跨界合作与创新应用 AI技术将促进不同行业之间的跨界合作和创新应用。通过跨领域的数据共享、算法优化等方式，推动AI技术在医疗、金融、教育、制造等领域的深度融合和应用创新。 8.人机协作 未来人工智能将更多地与人类共同工作，实现人机协作和优势互补，提升整体工作效率。总之，人工智能的未来发展趋势是多元化、智能化和跨界融合的。随着技术的进步和应用领域的拓展，AI将为人类社会带来更多的便利、效率和价值。同时，我们也需要关注AI技术可能带来的伦理、隐私和安全等挑战，并积极采取措施加以应对。 　　 二、关于英伟达今天推出新的GPU-GB200它所构成的集群将主要会进入到哪个应用赛道中去 其中有一个最引人瞩目的赛道，它就是AI+医药，皮衣黄把它形容为是一条“黄金赛道”…… 例如在英伟达 GTC 2024的AI峰会上，全球医疗保健和生命科学的巨头悉数到场，并且，还在本次大会上占据重要地位—— 例如，投资大佬木头姐凯瑟琳·伍德(Cathie Wood女版巴菲特)来了、强生、GSK、默克、诺华、诺和诺德、基因泰克、安斯泰来等来了；以及各AI制药公司创始人等…… 而之前英伟达已经开发出了混合计算传感器处理平台Holoscan，它可以简化边缘医疗设备的人工智能和高性能计算应用的开发和部署。在有了Holoscan以后，开发人员就可以开发出集成人工智能的设备，用于在手术室处理来自传感器的数据，进行人工智能推理，帮助医生做出决策。 所以，作为药企头部诺和诺德，现在就进一步已经决定，还要与英伟达合作建造超级计算机。例如，诺和诺德基金会(Novo Nordisk Foundation)便在GTC会议期间宣布，已经与英伟达达成协议，将在丹表建造一台用于AI+医药，名为GEFION的超级计算机。 因为，量子计算机在未来实际运用上可能仍是遥遥无期，但现在生成式AI却已然成熟。所以，AI+医药有可能在未来几年里，彻底改变我们在生命科学领域进行复杂科学研究的方式…… 另外，强生医疗科技与英伟达也达成了合作，就是在AI+手术领域。例如在这次GTC大会上，强生医疗科技(Johnson & Johnson MedTech)宣布，计划与英伟达合作加速拓展人工智能手术。 这两家药企头部公司现在与英伟达的合作，当然旨在支持更多的实时分析访问和全球人工智能算法导性更加实用性。他们彼此时希望通过互联手术室(OR)影响手术决策、教育和协作…… 所以，皮衣黄在GTC大会主题演讲上，他另一个重大的发布就是他宣布——十年后的AI不仅可以理解文本、视频；还可以理解蛋白质、基因和脑波，这才是生成式AI最重要的革命性！我们识别文本、我们识别图像、我们识别视频和声音、我们不仅识别它们、我们理解它们的含义。这就是为什么我可以和你聊天的原因。AI可以为你总结。它不仅识别文本，它理解文本；它不仅识别英语，它理解英语；它不仅识别像素，它理解像素...... 这无已经不标志着人工智能计算领域的领导者英伟达，已经深度涉入了生命医药。所以，强生医疗科技执行副总裁兼全球主席Tim Schmid表示： “强生医疗科技正在推动医疗保健走向更加互联和个性化的未来。这个未来将越来越多地借助数字技术来实现，数字技术可以提高效率、为决策提供信息并扩展外科培训和教育。我们在医疗保健和外科数字生态系统方面的深厚积淀，在与英伟达的人工智能平台深度融合后，就能为互联的外科手术体验带来了巨大的潜力！” (六)、中国未来最重的生成式大模型应用 　　 那么，作为响应习主席提出的“新质生产力”号召最积极的企业是华为，因为华为正在积极构建生成式大模型“神农大脑”。 虽然，眼下我们还没有看到“神农大脑”大模型，也无法评估它的开源性？但是，我们对生成式大模型却是可以畅想的； 例如，它要去解决垂直性上的一个面的问题，一定已经没有难度了——这个就是包括5000年的全部经验+70亿人(全世界的人只要谁认为传统医学的一套对其管用)！ 但我们业内对“神农大脑”，应该有一个更大的猜想，那就是这个生成式大模型，它在横向水平性上的一个面，又能开源到哪个边缘…… 我们来举个例子——假如估算中国+全世界共有100万名在传统医学学科上，称得上具有专业素养的医师(45万名学院派中医师、45万名民间派中医师、10名外藉中医师)；那“神农大脑”怎么向他们进行深度学习？ 如果，“神农大脑”是可以去进行深度学习的，那“神农大脑”可不可以自己作为B1端，就可自己作为B2C的B端，为求医者进行医学服务。 然后，在B端上还有B2(学院派)、B3(民间派)、B4(外藉派)，都可以在平行卷积交叉的服务性架构上开展医学服务，这种平行卷积交叉的服务便具有了革命性！ 因为，这才是真正的AGI底层架构，就是在生成式大模型的技术路经中，神经网络已经是可以绝对达到无限深度学习的境界！因为，这个神经网络不但有硅算力(“神农大脑”本身的B1)，还有生物算力的B2~B4的加入推算…… 例如，一位老年肿瘤患者，他愿意成为“神农大脑”的一个寻医案例方，于是便有四个方向的B对这个C了。结果从B1~B4都可以诊病拟放，也可以诊病而不开方…… 然后，这个案例本身又是开源的，就是这一案例一直可追踪其到生命结束为止(1年至∞年)，都是知道其是什么一个情况。例如，最后是在什么疗法与方子干预后，产生出的一个结果？ 那么，最重要的是只要华为的“神农大脑”原则上是开源的，那北京鸿蒙科技集团就可以在【全球中医行业大联盟】的架构中，让这个大联盟的成员可以通过外挂设备，连接到整个“神农大脑”的大模型端。然后，就自然成为生物神经网络无限卷积一方、是鲜活性的、也是具有无穷大的数据源…… 那在这里为什么要让北京鸿蒙科技集团介入呢——那是因为【全球中医行业大联盟】主席戴斌，他在二十年前救过鸿蒙的老总郑世宝……