智能计算： 最新进展、挑战和未来（Intelligent Computing: The Latest Advances, Challenges and Future）

本文翻译自之江实验室发表的论文：Intelligent Computing: The Latest Advances, Challenges, and Future

论文地址：https://arxiv.org/abs/2211.11281

Intelligent Computing: The Latest Advances, Challenges and Future

Abstract

计算是人类文明发展的一个重要推动力。近年来，我们见证了智能计算的出现，在大数据、人工智能和物联网时代，智能计算作为一种新的计算范式，正在重塑传统计算，以新的计算理论、架构、方法、系统和应用推动数字革命。智能计算极大地拓宽了计算的范围，使其从传统的数据计算扩展到日益多样化的计算范式，如感知智能(perceptual intelligence)、认知智能(cognitive intelligence)、自主智能(autonomous intelligence)和人机融合智能(humancomputer fusion intelligence)。长期以来，智能和计算经历了不同的演化和发展路径，但近年来却日益交织在一起：智能计算不仅以智能为导向，也以智能为驱动。这种交叉融合促使了智能计算的出现和快速发展。智能计算仍处于起步阶段，预计很快就会在智能计算的理论、系统和应用方面出现大量的创新。我们首次对智能计算的文献进行全面调查，涵盖其理论基础、智能与计算的技术融合、重要应用、挑战和未来展望。我们相信，这项调查非常及时，将为学术界和工业界的研究人员和从业人员提供一个全面的参考，并为智能计算投下宝贵的洞察力。

Keywords: 数据计算(Data intelligence), 自主智能(Autonomous Intelligence), 大型计算系统(large computing systems), 计算架构和范式(computing architectures and paradigms), 科学计算(computing for science)

1. Introduction

人类社会正从一个信息社会迎来一个智能社会，其中计算已经成为制定和推动社会发展的关键因素。在万物互联的数字文明新时代，传统的数据计算远远不能满足人类对更高智能水平的日益增长的努力。人们对智能计算越来越感兴趣，加上计算科学的发展，对物理世界的智能感知，以及对人类意识认知机制的理解，共同提升了计算的智能水平，加速了知识的发现和创造。

近年来，计算和信息技术迅速发展，得益于深度学习的空前普及和成功，人工智能（AI）已被确立为人类探索机器智能的前沿领域。在此基础上，产生了一系列突破性的研究成果，包括Yann LeCun提出的卷积神经网络（CNN）和Yoshua Bengio在深度学习的因果推理领域的贡献[1, 2]。Georey Hinton，人工智能的先驱之一，在2006年提出了深度信仰网络模型和反向传播优化算法[3]。Jurgen Schmidhuber，另一位重要的人工智能研究者，提出了最广泛使用的递归神经网络（RNN），长短期记忆（LSTM）[4]。它已被成功应用于许多领域，用于处理整个数据序列，如语音、视频和时间序列数据。2016年3月，DeepMind推出的人工智能围棋程序AlphaGo与世界顶级人类围棋高手李世石展开对战，引起了全世界空前的关注。这场划时代的人机大战以人工智能的压倒性胜利告终，并成为将人工智能浪潮推向一个全新高度的催化剂。

人工智能的另一个重要推动者是大型预训练模型的出现，这些模型已经开始广泛用于自然语言和图像处理，在迁移学习的协助下处理各种各样的应用。例如，GPT-3已经证明，一个具有高度结构复杂性和大量参数的大模型可以提高深度学习的性能。在GPT-3的启发下，出现了一大批大规模的深度学习模型[5][7]。

计算能力是支撑智能计算的重要因素之一。鉴于信息社会中天文数字般的数据源、异构的硬件集群和不断变化的计算需求，智能计算主要通过垂直和水平架构满足智能任务的计算能力要求。垂直架构的特点是同质化的计算基础设施，主要通过应用智能方法提高资源利用效率来提升计算能力。相比之下，水平架构协调和安排异构和广域计算资源，以最大限度地提高协作计算的效率。例如，2020年4月，针对全球COVID-19研究的计算需求，Folding@home在三周内结合40万名计算志愿者实现了2.5 Exaflops的计算量，超过了世界上任何超级计算机[8]。实现如此巨大的计算能力，是横向计算协作的成功。

尽管在智能和计算方面已经取得了巨大的成功，但我们仍然在以下两个各自的领域面临着一些重大挑战：

智能方面的挑战。使用深度学习的人工智能目前在可解释性、通用性、可进化性和自主性方面面临重大挑战。与人类智能相比，目前的大多数人工智能技术只能发挥微弱的作用，而且只在特定的领域或任务中发挥良好的作用。实现强大而普遍的人工智能仍有很长的路要走。最后，从基于数据的智能升级到更多样化的智能形式，包括感知智能(perceptual intelligence)、认知智能(cognitive intelligence)、自主智能(autonomous intelligence)和人机融合智能(human-machine fusion intelligence)等等，也存在着重大的理论和技术挑战。

计算方面的挑战。数字化浪潮带来了应用、连接、终端和用户的空前增长，以及产生的数据量，都需要巨大的计算能力。例如，人工智能所需的计算能力每100天翻一番，预计在未来5年内将增加100多万倍。随着摩尔定律的放缓，要跟上如此快速增长的计算能力要求变得很有挑战性。此外，智能社会中的巨大任务依赖于各种特殊计算资源的有效组合。此外，传统的硬件模式不能很好地支持智能算法，这限制了软件的发展。

到目前为止，还没有普遍接受的智能计算的定义。一些研究者认为智能计算是人工智能和计算技术的结合[9][11]。根据人工智能的发展，它标志着智能计算系统的三个不同的里程碑。这种观点将智能计算的定义限制在人工智能的范围内，同时忽略了人工智能的固有局限性以及人、机器和事物之间的三元互动的重要作用。另一个学派将智能计算视为计算智能。这一领域模仿人类或生物智能来实现解决特定问题的最优算法[12]，并将智能计算主要视为一种算法创新。然而，它没有考虑到计算架构和物联网（IoT）在智能计算中发挥的重要作用。

我们从解决复杂的科学和社会问题的角度提出了智能计算的新定义，考虑到世界的三个基本空间，即人类社会空间、物理空间和信息空间之间日益紧密的融合。

定义1（智能计算）智能计算是指在支持全世界互联的数字文明时代，包含了新的计算理论方法、架构体系和技术能力的领域。智能计算根据具体的实际需求，以最小的成本完成计算任务，匹配足够的计算能力，调用巢穴算法，获得最优结果。

针对人类社会、物理世界和信息空间三者融合的快速增长的计算需求，提出了智能计算的新定义。智能计算以人为本，追求高计算能力、能源效率、智能化和安全性。它的目标是提供普遍、高效、安全、自主、可靠和透明的计算服务，以支持大规模和复杂的计算任务。图1显示了智能计算的整体理论框架，它体现了支持人类-物理-信息整合的各种计算范式。

图1：基于人类社会空间、物理空间和信息空间的融合的智能计算概述  

首先，智能计算既不是对现有超级计算、云计算、边缘计算以及神经形态计算、光电计算、量子计算等其他计算技术的替代和简单整合。相反，它是一种通过根据任务要求系统地、整体地优化现有计算方法和资源来解决实际问题的计算形式。相比之下，现有的主要计算学科，如超级计算、云计算和边缘计算，属于不同的领域。超级计算旨在实现高计算能力[13]，云计算强调跨平台/设备的便利[14]，而边缘计算则追求服务质量和传输效率。智能计算动态地协调边缘计算、云计算和超级计算领域之间的数据存储、通信和计算。它构建了各种跨域的智能计算系统，以支持端到端的云协作、云间协作和超级计算的互联。智能计算应充分利用现有的计算技术，更重要的是促进新的智能计算理论、架构、算法和系统的形成。

二是提出智能计算，解决未来人类-物理-信息空间一体化发展中的问题。随着大数据时代信息技术应用的发展，物理空间、数字空间和人类社会之间的界限变得越来越模糊。人类世界已经演变成一个以人、机器、物紧密融合为特征的新空间。我们的社会系统、信息系统和物理环境构成了一个动态耦合的大系统，人、机、物在其中以高度复杂的方式整合和互动，这促进了未来新计算技术和应用场景的发展和创新。

我们提出了智能计算文献中的第一个全面调查，涵盖其理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。据我们所知，这是第一篇正式提出智能计算的定义及其统一理论框架的评论文章。我们希望这篇评论能够为学术界和工业界的研究人员和从业人员提供一个全面的参考，并对智能计算提出宝贵的见解。

图2：本文的主要结构  

本文的其余部分组织如下。第2节介绍了智能计算的基本原理。第3节总结了由各种智能方面赋予的计算方法，以提高计算性能。第4节描述了大型计算系统、新兴计算架构和模式，以满足对智能模型计算能力的迫切需求。第5节展示了智能计算在科学和社会领域的几个重要应用。第6节提出了对智能计算未来发展的展望。最后，第7节是本文的结论。图2显示了本文的主要结构。

2. Fundamentals of Intelligent Computing

智能计算是数字文明时代支持万物互联的新计算理论方法、架构系统和技术能力的总称。它探索了许多经典和前沿研究领域的创新，以解决复杂的科学和社会问题。智能计算的基本要素包括人类智慧、机器能力和由万物组成的物理世界。在本节中，我们介绍了智能计算所期望的智能能力和计算能力。我们还描述了智能计算的特点，以及如何在人类-物理-信息世界中结合智能与计算。

2.1 智能能力（Intelligent Abilities）

在该理论框架中，人是智能计算的核心，是智慧的源泉，代表着原始和固有的智能，被称为元智能。元智能包括人类的高级能力，如理解、表达、抽象、推理、创造和感受，其中包含了人类所积累的知识[15][21]。

所有智能系统都是由人类设计和建造的。因此，在智能计算的理论体系中，人类的智慧是智能的源泉，而计算机是由人类的智能赋予的。我们把计算机的智能称为通用智能。通用智能代表了计算机解决复杂问题的能力，具有广泛的扩展性，包括自然语言处理[22]、图像识别[23]、语音识别[24]、目标检测和跟踪[25]等。元智能和通用智能之间的关系如图3所示，并在以下部分详细介绍。

图3：元智能和通用智能  

2.1.1 元智能（Meta Intelligence）

元智能，也叫自然智能，以碳基生命为载体，由生物体个体和群体经过数百万年的进化产生。它包括生物体现智能、大脑智能（尤其是人脑）和蜂群智能。其中，生物体现智能是由生物体广泛获得的。它们可以接受环境的输入，完成适合其物理形态的特殊任务，并感知环境的变化，做出最有利的智能行为。此外，生物体还可以使用工具并改变其环境，以获得更好的生存机会。自然界中智力水平最高的是人类，他们不仅有坚实的生存能力，而且有感受和应对复杂环境的能力，例如，感知和识别物体，表达和获得知识，以及复杂的推理和判断。人类个体的智力是一种综合能力。

更确切地说：

• 他们执行高度复杂的认知任务。
• 他们可以完成困难的学习，理解抽象概念，进行逻辑推理，并提取有意义的模式。
• 他们可以最大限度地利用和改造自然环境，并可以构建一个数百万人数量级的合作社。
• 他们具有自我意识

第二，它是大脑智能。人脑是一个由大量神经元组成的复杂而动态的巨型神经网络系统。它的神秘面纱还没有完全揭开，这导致人们对智能的理解模糊不清。但就整体功能而言，人脑的智能表现是可以区分的。学习、发现和创造等能力是智力的明显表现。进一步分析发现，人脑的智能及其发生在其心理层面上是可见的，通过一些心理活动和思维过程表现出来[26]。因此，智力可以在宏观的心理学层面上被否认和研究。我们把人类智力表现的宏观心理层面称为大脑智力。我们大脑中负责不同感知或思维功能的不同区域作为一个统一的整体进行合作。

第三，它是蜂群智能。蜂群智能是一种高级智能，低级智能昆虫或动物通常通过聚集、协调、适应和其他简单行为产生。Gerardo和Wang首次提出了蜂群智能的定义[27]。蜂群智能优化算法模拟了自然界生物的迁移、觅食和进化过程中的分裂和合作。它将搜索空间中的点作为自然界的个体，将搜索和优化过程作为个体的觅食或进化过程。搜索和优化群集智能算法具有生成和验证的特点，它用更好的方案反复替换不太可行的方案，其灵感来自于适者生存（survival of the fittest）。

2.1.2 通用智能（Generic Intelligence）

通用智能，也叫机器智能，以硅基设施为载体，由个人和群体的计算设备产生。生物智能可以在以下四个层面移植到计算机上：数据智能(data intelligence)、感知智能(perceptual intelligence)、认知智能(cognitive intelligence)和自主智能(autonomous intelligence)。数据智能包括计算机对数据进行形式化、表达、计算、记忆和快速存储的能力。感知智能是指通过各种传感器和I/O设备获取信息，如语音、图像和视频。认知智能是指理解、思考、推理和解释的能力。自主智能代表了机器获得自我驱动和意识的能力。这四种类型的智能通常在进行复杂任务时进行合作。

数据智能强调通过计算方法实现生物内部智能行为，对自然规律进行编程[28]。它主要以计算理论为指导，依托计算机硬件的基本存储和计算能力，实现数据的原始智能[29]。数据智能采用了五种领先的互补技术的组合：用于基本数学功能的符号和数值计算，使计算机能够模仿人类的语言推理的模糊逻辑；基于大数据和统计规律的概率方法；通过具有大量参数的模型学习经验数据的人工神经网络构建；从自然界获得灵感的进化计算用于搜索和优化。将数据智能整合到这些相对成熟的分支中，形成了各种科学的方法。

感知智能表示具有视觉、听觉和触觉等感知能力的机器可以接触到外部世界。来自物理世界的信号通过麦克风、照相机和其他传感器，利用语音和图像识别映射到数字世界中。机器通过结构化的多模态现实世界数据与人类进行类似的交流和互动[30, 31]。感知智能完成了大规模数据的收集和图像、视频、音频和其他数据类型的特征提取，完成结构化处理。计算机为用户连接的硬件和软件更舒适地呈现数据。例如，自动驾驶利用光探测和测距方法（激光雷达）、其他传感设备和人工智能算法进行驾驶信息计算。人脸支付是一种通过感知人脸数据进行身份确认的设备。

认知智能表示机器具有类似人类的逻辑思维和认知能力，尤其是主动学习、思考、理解、总结、解释、计划和应用知识[32]。认知智能的发展由三个层次组成。第一个层次是学习和理解，如文本解析、自动标记、问题理解等。第二个层次是分析和推理，如逻辑连接和内涵抽象。第三层次是思考和创造。

自主智能意味着机器可以像人一样行动，具有自我驱动的自我、情感和意识。它将机器从严重的数据依赖中解放出来，并使它们能够根据环境的变化来学习学习技巧和更新其解决问题的能力。自主智能的最终目标是实现自我学习、有目的的推理和自然的互动，几乎不需要甚至不需要事先进行人类编程。

智能计算面临着大场景、大数据、大问题和无处不在的要求的挑战。算法模型越来越复杂，需要超级计算能力来支持越来越大的模型训练。目前，计算资源已经成为提高计算机智能研究水平的一个障碍。随着智能算法的发展，拥有丰富计算资源的机构可能形成系统的技术垄断。经典的超级计算机不适合人工智能对计算能力的需求。虽然算法优化可以在一定程度上减少对计算能力的需求，但不能从根本上解决这个问题。需要从架构、加速模块、集成模式、软件栈等多个维度进行全面优化。

图4：智能计算的计算能力。  

最直观和有效的广域协作方法是通过垂直提升和水平扩展加强基础计算能力。首先，垂直提升是指利用技术迭代、材料创新、架构设计等手段提升计算部件的单位性能，提高单个芯片在单位时间内所能处理的指令数量上限。在传统的冯-诺依曼架构下，通过技术手段突破性能极限，满足图形渲染和深度学习训练任务的计算性能要求。这些芯片有足够的能力来支持先进的深度学习算法和当今主流计算机的即插即用。

随着摩尔定律的放缓，传统的冯-诺伊曼计算模型将很快面临性能上限。Dennard 缩放定律的结束将导致功耗和散热问题成为处理器频率增长的障碍。传统的存储设备无法同时获得高速度和高密度。现有的以计算为中心的冯-诺依曼架构依靠由内存和存储组成的分层存储结构来维持计算性能和存储容量之间的平衡。该结构需要频繁地在处理器和存储器之间传递数据，因此计算效率下降，带宽受到限制，造成了 "存储墙 "问题。在这种情况下，内存计算成为突破冯-诺依曼系统瓶颈的有效措施，提高了整体的计算效率。

为了突破传统芯片结构的限制，智能计算需要通过横向扩展探索新的芯片。鉴于传统电子计算方法所面临的挑战，建立在材料科学、光子学和电子学等多学科领域的集成光子学的出现令人振奋。量子计算以量子力学原理为基础，利用量子叠加、纠缠和量子相干实现了量子并行计算，从根本上改变了传统的计算概念。生物计算是基于生物系统固有的信息处理机制而发展起来的。与传统计算系统相比，它的结构一般是并行的和分布式的。

由于数据中心的计算能力多样化已经成为一种趋势，通用化和专业化的计算芯片将并行发展。以CPU和其他通用计算芯片为核心的传统技术要满足大规模数据处理的要求是相当具有挑战性的。通用技术与专用技术的融合已成为一种有前途的方法。

2.2.2 系统的异质整合（Heterogeneous Integration of Systems）

异质集成包括异质结构集成(hetero-structure integration)和异质材料集成(hetero-material integration)。异质结构集成主要是指将由多个加工节点制造的芯片封装在一起，以提高功能和性能。它可以封装由不同工艺、功能和制造商制造的部件。半导体技术的发展已经达到了物理极限，电路也变得更加复杂。传统的方式，即通过提高CPU的时钟频率和核心数量来提高计算能力，已经遇到了散热和能源消耗的瓶颈。异构集成可以解决这个问题。通过异构集成，不同的计算单元采用混合计算架构。每个计算单元执行其适当的任务，有效地提高计算性能。异质结构集成可分为芯片级和系统级。芯片级异构集成是一种整合不同芯片以提高整体芯片效率的方法。目前，主流的异质结构集成技术主要包括 2D/3D 封装、芯片等。系统级异构集成提供了单机多处理器和多机形式的各种计算类型，包括单机多计算、单机混合计算、同构异构多机和异构多机。

异质材料集成是指不同材料的半导体元件的集成，以实现小尺寸、良好的经济性、高灵活性和更好的系统性能。通过硅和碳的整合，将生物元件用于信息处理和计算，被认为是一种创新的探索。作为生物结构和功能的基本单位，单细胞是一个独立而有序的系统，能够对外界刺激和环境变化作出反馈和自我调节。其运行机制经历了长期的进化，因此能够满足其代谢的需要。作为遗传信息的天然储存载体，细胞中的DNA具有高储存能力和密度的特点。在数亿年的进化过程中，生物细胞也对其生化过程进行了优化，以尽量减少代谢过程的能量消耗。生物组件显示了存储容量、计算并行性和超低计算能力消耗的潜力。碳基和传统硅基芯片的有效整合有望在计算能力、存储密度和能源效率方面达到新的高度。

2.2.3 广域资源整合（Wide-Area Collaboration of Resources）

广域协作的人机物一体化(human-machine-thing integration)场景下的数据具有地域分布广、场景覆盖全、集体价值大等特点。从时间维度看，实时采集、感知、处理和智能数据分析需要分布式并行计算能力的支持，在任何地方都可以使用。因此，广域协作是非常必要的。广域协作计算将高性能计算（HPC）、云计算、雾计算(fog computing)和边缘计算(edge computing)等计算资源低成本地连接起来。它实现了供应方资源的自动横向扩展。需求方的多样化任务需要一个跨管理领域的新的计算基础设施，并以低成本、高效率和高度信任的方式按需协作。在支持万物互联的智能计算场景的引领下，广域协作计算以自主和点对点的方式支持资源的纵向和横向融合。在建立安全可靠的智能计算的新基础设施中，存在着跨领域的资源和任务的智能匹配、调度和协作的重大挑战。

提高广域协作的计算能力主要集中在两个科学问题上：广域协作模型的机制和广域协作系统的实现。广域协作模型主要强调资源抽象、解耦和封装，并建立一个软件化的可编程实体抽象方法来屏蔽设备、计算和数据资源的异质性。它构建了一个基于互联和互操作性的软件化可编程协作模型、规则和流程，以支持形成跨独立利益相关者的计算、数据和设备的交互秩序。广域协作系统主要关注需求方的任务分解和多样化作业的调度；计算和数据资源的跨域融合和管理；开放环境下的数据隐私保护、身份信任和安全保护；多维度的智能运维监控，破解资源分配、使用和业务执行的隐患。

2.3 智能计算的特点(Features of Intelligent Computing)

在本小节中，我们首先介绍智能计算发展的主要特征，然后揭示获得这些关键特征的创新路径。

2.3.1 面向对象的智能计算（Objective-Oriented Intelligent Computing）

如图5所示，智能计算具有以下特点：理论技术上的自学习和可进化性，架构上的高计算能力和高能源效率，系统方法上的安全性和可靠性，运行机制上的自动化和精确性，以及服务性上的协作性和普遍性。

图5：智能计算的特点  

如图 5 所示，智能计算具有以下特点：理论技术上的自学习(self-learning)和可进化性(evolvability)，架构上的高计算能力(high computing capability)和高能源效率(high energy eciency)，系统方法上的安全性(security)和可靠性(reliability)，运行机制上的自动化(automation)和精确性(precision)，以及服务性上的协作性(collaboration)和普遍性(ubiquity)。

自学习和可进化性(Self-learning and evolvability)。在脑神经科学的启发下，智能计算发展了几种新型技术，如神经形态计算和生物计算，以实现对冯-诺伊曼计算机结构原理和模型的突破。自学是指通过从海量数据中挖掘规则和知识，获得经验，并以可用的结果优化计算路径。同时，可进化性代表一种启发式的自我优化能力，模拟自然界中生物的进化过程，机器从环境中学习，随后进行自我调整以适应环境。

高计算能力和高能源效率(High computing capability and high energy eficiency)。为了超越传统的冯-诺依曼架构，智能计算发展到有关内存处理、异构集成和广域协作的新计算架构。高计算能力是指满足智能社会需求的计算能力，并作为水和电等基础设施。此外，高能效旨在最大限度地提高计算能效，尽可能地降低能耗，以确保对具有大规模特征、结构复杂、价值稀少的大数据进行有效处理。

安全性和可靠性(Security and reliability)。智能计算支持大规模泛在互连计算系统的跨域信任和安全保护。它建立了独立、可控的可信安全技术和支持系统，实现了数据的融合、共享和开放。高信任是指通过可信的硬件、操作系统、软件、网络和私有计算，实现身份、数据、计算过程和计算环境的信任。特别是，高安全性是指通过整合各种隐私保护技术，保证计算系统的网络安全、存储安全、内容安全和流通安全。

自动化和精确性(Automation and precision)。智能计算是以任务为导向的；它匹配计算资源，实现自动需求计算和精确的系统重建。系统结构根据任务执行情况不断调整。在软件和硬件层面上进行定向耦合重构。计算过程的自动化包括资源的自动管理和调度，服务的自动创建和提供，以及任务生命周期的自动管理，这是评价智能计算的友好性、可用性和服务的关键。计算结果的精确性是计算服务的基础；此外，它还解决了一些困难，包括计算任务的快速处理和计算资源的及时匹配。

协作和泛在性(Collaboration and ubiquity)。智能计算整合现有技术，利用异质元素的各种感知能力、互补的计算资源、计算节点功能的协作与竞争，促进物理、信息、社会空间的渗透与融合。人与机器之间的合作提高了智能任务的智能水平，而泛在性通过结合智能计算的理论方法、架构系统和技术方法，使计算能够在任何地方进行。

2.3.2 智能和计算的融合(Fusion of Intelligence and Computation)

智能计算包括两个基本方面：智能和计算，两者相辅相成。智能促进了计算技术的发展，而计算是智能的基础。提高计算系统的性能和效率的高级智能技术的范式是 “利用智能计算”（computing by intelligence）。支持计算机智能发展的高效和强大的计算技术的范式是 “为智能而计算”(computing for intelligence)。这两个基本范式从多个方面进行了创新，以提高计算能力、能源效率、数据使用、知识表达和算法能力，实现泛在、透明、可靠、实时和自动服务。

按智能计算的范式。复杂模型的计算能力需求已经超过了一般计算机的一到两个数量级。此外，传统计算机的底层计算机制与智能模型的计算模式之间存在着相当大的差距，导致计算效率低。智能计算模式包括新的模型、支持、范式、机制和协同作用，利用智能方法来提高计算能力和效率。

目前，由于智能系统缺乏常识、直觉和想象力，只能在封闭的环境中处理特定的任务。对神经形态计算(neuromorphic computing)、图计算(graph computing)、生物计算(biological computing)和其他新的计算模型进行研究，分析人脑、生物和知识计算机制。这些新模型可以有效地提高认知理解和推理学习能力，适应性，以及智能算法的泛化效果。

由于计算系统结构的限制和端(end-to-end)到端计算能力的不足，目前计算系统的计算和响应速度需要进一步提高。智能计算可以通过利用新的计算支持技术，如内存中处理、边缘计算和在线学习，提高计算系统的实时性能。此外，新的技术，如感知与计算的融合、处理定位等，也成为有前景的研究热点。

三元空间的深度融合导致了计算任务的多样性，因此计算场景和数据更加非结构化，任务的解决方案也更加复杂和具有挑战性。因此，新的计算范式能够对非结构化场景进行分析和建模，并对非结构化数据进行自适应处理。它通过一个自动和智能的过程实现了透明计算，该过程结束了任务的理解、分解、解决和资源分配。

智能计算探索新的计算机制，如硬件和软件重构和合作进化，以处理不同类型的任务。在智能进程的执行过程中，新机制通过组织具有不同颗粒度和功能的计算资源对硬件进行管理。新机制将形成一个具有自主学习和进化迭代的自动计算系统，应用智能技术，包括软件和硬件的弹性设计，算法和模型的灵活合作，以及数据和资源的自适应分配。

新的协同计算架构，如人机交互、蜂群智能和人在环(human-in-loop)中，将人类的感知和认知能力与计算机的操作和存储能力相结合。而这样的新架构对提高计算机的感知和推理能力是有效的。机器可以有超高的计算速度和精度，也可以通过各种传感器巧妙地从物理环境中获取信息。然而，它们不能独立地分析这些信息和执行复杂的任务。值得注意的是，人类可以在更高的层次上研究物理环境，认识物理世界的规律，并在人机互动中把知识传递给机器。

智能计算的范式(The paradigm of computing for intelligence)。硬件架构的异质性和复杂性阻碍了计算能力的整合和服务质量的提高。智能计算范式设计了新的框架、方法、集成、架构和系统，以提高智能水平，并提供无处不在、透明、自动、实时和安全的计算服务。

鉴于智能设备的多样性、计算资源的离散性和网络连接的复杂性