本次研討會由IBM研究部（IBM Research）、美國電氣和電子工程師協會（IEEE）下的電路與系統協會（Circuits and Systems Society）和電子裝置協會（Electron Devices Society）一同舉辦。

一、微生物群落解決新冠病毒流行？

加州大學聖地亞哥分校（University of California San Diego）的首席顧問羅布·奈特（Rob Knight）談到了“使用人工智慧來了解人類微生物群及其在COVID-19中的作用”。

他在研究中發現人類微生物群落擁有極其複雜的基因和細胞集合，其數量甚至超過人類本身的基因和細胞，這一發現正在重新定義人類的概念。奈特表示，處理如此複雜的資料需要人工智慧技術。

奈特強調了該大學和IBM之間名為“人工智慧帶來健康生活”的合作專案，介紹了微生物群落在醫療健康技術中的應用。

這一合作專案旨在瞭解人類微生物群落，並發現它如何隨著年齡和疾病而變化。其目的是透過制定飲食、生活方式和藥物治療策略等方式，使人類能夠最大程度地保持健康。

為應對新冠病毒大流行，奈特教授及其團隊目前正在研究微生物群落在易感人群（包括老年人和具有特定微生物組相關疾病的人群）患病時的作用。這項研究將普遍適用於其他疾病，並將有助於銜接傳染病和慢性疾病領域的研究。

二、原子級儲存實現憶阻器

一些研究人員正在研究可以應用於人工智慧裝置中的原子材料。在一場題為“原子級儲存：從單一缺陷到模擬開關和計算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的演講中，德克薩斯大學奧斯汀分校的Deji Akinwande教授專注於超薄二維奈米材料中的儲存效應。

該教授表示，這一發現可以為電子工程技術的進步與發展提供巨大的幫助。基於二維材料的非易失性儲存器件目前有一些缺陷，但也是一個快速發展的領域。

Akinwande的發言突出了其團隊在單層儲存器（原子電阻）方面的開創性工作，這將有利於零功率器件、非易失性RF開關和神經擬態計算中憶阻等技術的實現。

三、人工智慧模擬人腦表現良好

人腦和認知科學的研究人員正致力於研究逆向工程人類思維及其智慧行為。該研究領域還處於起步階段，正向工程方法的目標是在人工系統中模擬人類智慧。

James J. DiCarlo是麻省理工學院智力探索專案的聯合主管，也是麻省理工學院人腦研究所的研究員，他就這項工作的一個方面發表了一篇論文《逆向工程視覺智慧（Reverse Engineering Visual Intelligence）》。

DiCarlo預測，透過將人腦和認知科學家的努力與模擬智慧行為的正向工程緊密結合，或許可以解決人類智慧逆向工程的挑戰。

如果這種方法能夠發現合適的神經網路模型，這些模型不僅將拓展我們對複雜人腦系統的理解，而且將形成下一代計算和人腦介面技術的基礎。

講座的重點是視覺物件的分類和檢測。DiCarlo指出，大腦、認知和計算機科學的工作融合在一起，形成了能夠支援這類任務的深度神經網路（DNN）。

這些深度學習網路不僅在許多影象處理上能達到人類的表現，而且能根據靈長類動物視覺系統的內部工作模式進行建模，並在很大程度上可解釋和預測。

然而，目前靈長類視覺系統的表現仍然優於當代人工深度神經網路，這表明在人腦和認知科學領域還有更多的內容值得科學家們研究。

四、遷移學習解決大數量級預訓練任務

Facebook人工智慧研究中心的研究總監勞倫斯·範德馬滕（Laurens van der Maaten）發表了名為《弱監督學習預訓練的侷限性（Exploring the Limits of Weakly Supervised Pretraining）》的演講。

他指出，用於各種任務的最先進視覺感知模型都依賴於監督預訓練（supervised pretraining）。按照ImageNet分類，這些模型事實上的預訓練任務現在已經有將近10年的歷史了，其預訓練任務的數量級比較小。

所以在數量級較大的資料集很難進行收集與整理的情況下，我們對使用大幾個數量級的資料集進行預訓練仍然比較陌生。

迄今為止，該研究取得了比較好的成績，透過對數個影象分類和目標檢測任務進行了改進，ImageNet-1k單一因素驗證準確度達到85.4%。

五、邊緣AI如何保障使用者安全？

邊緣AI是指在硬體裝置上本地處理的AI演算法,可以在沒有網路連線的情況下處理資料。

專注於計算機安全硬體服務的Borsetta公司執行長帕梅拉•諾頓（Pamela Norton）以《用可靠的智慧晶片保障邊緣AI的未來（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》為主題，拉開了研討會第二天的序幕。

諾頓提出了一個實現這一目標的框架，該框架將為這個新興領域的所有參與者創造機會。他認為透過將智慧晶片遷移到邊緣的同時，融合人工智慧並且開發新的計算處理方式可以保障使用者安全與隱私。

對於神經可塑性的研究，尤其是研究生物神經系統改變的能力，可以為人工智慧系統設計提供許多新的思路。然而，生物神經系統與人工智慧系統設計的學科交融還處於起步階段，因此在設計能夠支援異質可塑性的神經擬態系統還存有關鍵的知識鴻溝。

六、德州大學新學習演算法仿照大腦皮層構建

矩陣人工智慧聯盟（Matrix AI Consortium）的主任、德州大學聖安東尼分校的教授迪瑞莎·庫迪蒂普蒂（Dhireesha Kudithipudi）在《神經啟發的人工智慧：緊湊和彈性的邊緣模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中談到了這個話題。

她介紹了最近由德州大學聖安東尼分校的神經擬態人工智慧實驗室（NAUI）開發的機內學習系統（in-silico learning system）。

基於CMOS/憶阻器結構，該系統模擬了一種仿生序列記憶演算法，其靈感來自於具有完整結構和內在可塑性機制的大腦皮層。

該系統的合成突觸表示支援緊湊型儲存的動態突觸通路，使用憶阻器的物理行為模擬突觸通路的結構可塑性，並透過可自定義的訓練方案實現突觸調控。

七、IBM量子電路已實現較高保真度

在過去的幾年裡，量子計算已經超越了實驗室環境，並透過雲訪問技術得到了加速發展。

這種新的計算模式使用了原子操縱資訊所遵循的物理規則。在這個層面上，量子計算機執行量子電路，就像計算機執行邏輯電路一樣，但透過使用量子態的疊加、糾纏和干擾等物理現象來執行數學計算，即使是最先進的超級計算機也做不到。

IBM研究員、IBM Quantum副總裁傑伊·甘貝塔（Jay Gambetta）在題為《量子電路和雲量子技術的未來（Quantum Circuits and the Future of Quantum Technology in the Cloud）》的演講中介紹了量子計算發展路線圖。

他概述了IBM提高超導量子位元系統裝置效能的努力，表明其目的是生產出更高保真度的量子電路，並解釋了IBM是如何將電路計算與量子應用聯絡起來。

傑伊提出相應的前沿研究、系統和軟體正在擴充套件學科前沿，並得到了不斷增長的量子計算科研人員支援。

八、光子計算加速高計算量人工智慧模型

研討會的最後一場演講著眼於《光子計算解鎖革命性的人工智慧（Unlocking Transformative AI with Photonic Computing）》。

最近的人工智慧模型，如OpenAI的GPT-3自然語言處理（NLP），創造了一系列過去10年未有的機會。但是使用這些模型需要大量的計算能力。

法國初創公司LightOn的首席技術官和聯合創始人，同時也是巴黎Diderot大學教授的Laurent Daudet。他介紹了該公司的未來人工智慧硬體如何應對一些最艱難的計算挑戰，並描述了LightOn的光學處理單元（OPUs）是如何無縫整合到混合光子學/矽管道，加速先進的機器學習演算法。

一開始專家們認為各種方法各有好處，最後也一致同意將來很可能沒有哪一種方法會佔主導地位，因此需要在各種AI計算方法之間進行安全轉換的異構計算。

結語：AI加速方法千帆競發

本次研討會由IBM與IEEE CAS/EDS聯合主辦，體現了IBM等企業高校在人工智慧、雲計算、量子計算和安全等領域的最新研究進展。據統計IBM在2020年共獲得9130項美國專利，連續第28年蟬聯美國專利榜冠軍。

這次的研討匯聚了很多在前沿研究領域有所成就的夢想家、科學家和創新者，用兩天的研討會向我們展現示了人工智慧未來的挑戰和研究方向，也展現了這些科研人員的努力與追求。