当前，人工智能引起了各方面的注意，包括企业界及政府最高层。近期召开的“一带一路”国际合作高峰论坛就提及“加强在数字经济、人工智能、纳米技术、量子计算机等前沿领域的合作”。今年政府工作报告也首次提及“人工智能”。

今年年初，中国工程院提出了ai（即人工智能）2.0时代。

何谓人工智能2.0时代？这是指在大数据时代、泛在网时代的人工智能技术，是数据驱动与知识驱动相结合的人工智能技术。传统的计算机主要是知识驱动型和规则驱动型，包括数学建模、模型等实现的智能技术。随着大数据时代的到来，深度学习、机器学习成为新的趋势。机器通过大数据，比如通过大量传感器掌握的数据，展开深度学习，逐渐形成了数据驱动的人工智能。

我们谈到的神经网络处理器以及神经网络学习带来的人工智能，主要是基于大数据驱动。这二者的融合是人工智能2.0时代的标志。它具体可分为大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能。

人工智能历经三起二落，此次人工智能发展呈现出以下现象：

学术界、产业界、投资界和政府联动；理论、技术、产品、市场各环节广泛交流；多领域、多学科融合协同创新。人工智能正在成为新科技革命和产业变革的核心技术，正在突破传统的“用计算机模拟人的智能”的用途，如人机博弈、机器识别、自然语言处理等。同时，正向着“机器与人融合智能”的方向（也是人工智能2.0时代）迈进，如自主无人系统、机器自主创作、智慧城市、智慧医疗、智慧金融、智能制造等。

我们注意到，最近出现了几次国际大并购，说明人工智能芯片技术被业界普遍看好。2016年7月，softbank花了320亿美元收购全球最大的半导体ip公司arm，当时收购的目的就是为了应对人工智能时代的到来；同年9月，intel收购硅谷深度学习芯片公司movidius；今年3月，intel又花153亿美金收购以色列自动驾驶辅助公司mobileye。这些大事件代表着人工智能正在进入竞争、整合的高潮阶段。

不过，我们也看到，人工智能目前面临着挑战。挑战之一就是面对复杂和快速变化的场景，电脑、服务器和嵌入式神经网络处理器的运算能力还不够大。比如1对n（n非常大）的实时模式识别，或者高速运动车辆或飞行器的slam（simultaneous localization and mapping）等问题，目前尚需要更强大的专用神经网络处理器。

我们注意到，在通信网络带宽受到客观限制时，或者智能终端设备处于off-line状态时，信息感知和人工智能处理往往需要在一个物理端点完成。这样的端点可称为“智能前端”或“智能传感器”，必须使用专用的嵌入式神经网络处理器。而嵌入式神经网络处理器需要更低的功耗和更小的尺寸。

因此，发展人工智能，必须同时抓住前端、云端或者传感器这一端，提升其能力。对于自主的、独立的、使用电池的智能设备，如无人机、机器人等，性能、功耗、尺寸都非常重要，有些设备甚至还需要自主学习，这对神经网络处理器都提出了极高的要求。

人工智能算法模型越来越复杂，而摩尔定律即将走到尽头。在后摩尔定律时代，如何才能继续提升神经网络处理器的性能？

在此，我提两点建议。第一，重视人工智能基础理论研究和关键技术突破。基于大数据驱动的深度学习技术是当前人工智能的主流技术，而基于知识驱动或规则驱动的传统人工智能技术仍然是不可或缺的重要组成部分，脑科学与类脑神经网络是未来的研究方向。

第二，高度重视神经网络处理器人工智能芯片的研制。此前进行的人机围棋大战，需要大量能耗提供支撑，下一场棋电费要3000美元，这是因为人工智能需要大量的处于基础层的芯片提供支撑。基于服务器应用的云端人工智能芯片需要进一步的优化，基于智能前端应用的嵌入式神经网络处理芯片也是非常重要的，因为真正制约我们发展的可能是前端的这些设备。

2016年6月，中星微已经发布了中国首款嵌入式神经网络处理器（npu），并已经成功量产，可应用于智能监控系统、智能交通、公共安全等领域，如进行人脸识别、人流统计等工作，同时还可以应用于智能无人设备视觉感知系统、智能机器人、航天领域、智能家居等领域。

既然芯片对于人工智能如此重要，那么在后摩尔定律时代，创新之路该怎么走？虽然在物理层面和信号层面都受到物理规律的制约，但在信息层面的技术创新远没有达到极限。因此，下一步信息革命的关键就是如何进一步借鉴人脑智慧机制，研究新型人工智能计算方法，进一步提升信息处理的性能功耗价格比，从而使这种计算成为一种日常应用。