[论文解读] Intelligent Computing: The Latest Advances, Challenges and Future

Shiqiang Zhu, Ting Yu+19 more|arXiv (Cornell University)|Nov 21, 2022

Advanced Memory and Neural Computing参考文献 321被引用 19

一句话总结

本文全面综述了智能计算，统一了数据、感知、认知和自主智能在理论、系统和应用方面的研究。文章识别出可解释性、可扩展性和系统复杂性等关键挑战，并提出了未来智能、可扩展且可信计算系统的研究路线图。

ABSTRACT

Computing is a critical driving force in the development of human civilization. In recent years, we have witnessed the emergence of intelligent computing, a new computing paradigm that is reshaping traditional computing and promoting digital revolution in the era of big data, artificial intelligence and internet-of-things with new computing theories, architectures, methods, systems, and applications. Intelligent computing has greatly broadened the scope of computing, extending it from traditional computing on data to increasingly diverse computing paradigms such as perceptual intelligence, cognitive intelligence, autonomous intelligence, and human-computer fusion intelligence. Intelligence and computing have undergone paths of different evolution and development for a long time but have become increasingly intertwined in recent years: intelligent computing is not only intelligence-oriented but also intelligence-driven. Such cross-fertilization has prompted the emergence and rapid advancement of intelligent computing. Intelligent computing is still in its infancy and an abundance of innovations in the theories, systems, and applications of intelligent computing are expected to occur soon. We present the first comprehensive survey of literature on intelligent computing, covering its theory fundamentals, the technological fusion of intelligence and computing, important applications, challenges, and future perspectives. We believe that this survey is highly timely and will provide a comprehensive reference and cast valuable insights into intelligent computing for academic and industrial researchers and practitioners.

研究动机与目标

• 提供智能计算作为一个整合智能与计算的变革性范式的整体概览。
• 识别智能计算系统在可解释性、通用性和系统复杂性方面的核心挑战。
• 分析人工智能、大数据、物联网和先进计算架构之间的技术融合。
• 绘制从以数据为中心的计算到自主和人机融合智能的演变路径。
• 概述可扩展、可靠且可解释的智能计算系统未来研究方向。

提出的方法

• 对智能计算的理论、系统和应用领域进行系统性文献综述。
• 将智能计算划分为感知、认知、自主和人机融合智能范式。
• 分析横向和纵向计算架构，以实现大规模系统的可扩展性和资源优化。
• 提出一个多级抽象框架，以建模复杂系统中的微观-宏观关联。
• 引入一种人机引导的任务分解方法，以管理大规模、非线性和相互依赖的计算问题。
• 建立一种高阶理论视角，以分析大规模系统中的系统可解释性和不确定性。

实验结果

研究问题

• RQ1 智能计算系统如何在窄域人工智能之外实现更高水平的自主性、可解释性和泛化能力？
• RQ2 在扩展智能计算系统以应对现实世界复杂性时，其基本的架构和理论挑战是什么？
• RQ3 如何有效建模和管理多层级子系统中的不确定性与非线性相互作用？
• RQ4 人在回路的引导在分解和解决大规模、相互依赖的计算任务中发挥什么作用？
• RQ5 如何构建统一的理论框架，以确保大规模智能系统中可解释性和可靠性？

主要发现

• 智能计算已从以数据为中心的计算演进为涵盖感知、认知和自主智能，从而实现更广泛的社会影响。
• 横向计算架构，如Folding@home，通过利用分布式志愿者计算，已实现艾浮点级性能。
• 当前的深度学习模型在可解释性、泛化能力和自主性方面存在显著局限，尚未达到人类水平智能。
• 由于子系统之间的非线性相互作用和不确定性，大规模系统面临高度复杂性，而当前优化方法无法有效捕捉这些特性。
• 目前尚无坚实的理论基础，可通过分解方法简化大规模优化问题，尤其是在多重不确定性条件下。
• 需要一种新的高阶理论视角，以分析复杂现实世界智能系统中的系统可解释性和结构演化。