普适计算的六大必备条件

Arm首席技术官办公室创新总监Remy Pottier

若要为普适计算构建生态系统并将计算融入日常万物，大量试错在所难免。

毋庸置疑，在未来数十年内数字化技术将愈发普遍。Exponential Group 等机构认为，数字化应是实现可持续发展的第一步，预计至2030 年及往后，硬件和软件将通过对建筑、工厂及其他环境进行微调，帮助减少15% 的排放。

随着电动汽车、优化ADAS系统以及自动驾驶的发展，已搭载了大量处理器的汽车将成为车轮上的数据中心。通过新型可穿戴设备或医疗设备来提供医疗保健和远程医疗往往被视为电子技术最大的机遇。

然而，若要为普适计算系统构建经济有效的生态系统，则必须进行大量试错。作为Arm研发部门的未来学家，我的工作就是展望未来并制定未来的路线图。以某些未来主义场景为方针，以下是我认为必须克服的一些关键障碍。

 智能纹身

Neuralink公司启动了一项宏伟的计划，他们欲利用脑部和神经脉冲将人与计算机相连。该项技术前景诱人——想象一下对于肢体残疾或患有衰竭性疾病的人们而言，他们的世界将发生显著改变，但同时也充满了严重的隐忧。

将处理器直接植入大脑或神经元突触会给患者带来巨大的医疗风险，升级的复杂性不言而喻。另一方面，分析眼动或音色的计算机视觉系统存在固有的局限性——它们仅能够利用少量且有限的外部数据。

智能纹身能够将数据传输至云端进行分析或直接执行人工智能功能。它们还可充当数据进入大脑的网关。

数据完整性和系统安全是安全的关键。所需的技术包括用于抵御分布式拒绝服务(DDoS)攻击，以及用于检测输入输出数据或者防止异常脉冲的自动暂停按钮。此外，设计人工智能算法和人机界面以确定用户的真正意图也必不可少，譬如，三次快速眨眼或其他简单的身体动作通常不会与触发鼠标点击的微小动作相混淆。

另外，智能纹身还应该易于移除。Arm近期发布了一款柔性处理器的原型以及可印制的柔性神经网络。虽然这项技术尚处于试验阶段，但由技术组件、制造工具集以及软件组成的生态系统很可能在未来数年内初步成型。

 数字化监管链

正如加利福尼亚大学伯克利分校的Hany Farid所展示的那样，现下，视频、图像甚至人声的深度伪造日益猖獗，检测难度不断提高，且手段也愈加狡猾。甚至在未来的选举中，可能通过一些精选的假信息来制造怀疑，从而赢得或失去选举。

试想在元宇宙中发生恶作剧的可能性。人工智能增强的视频通话可能被转化为完全伪造、令人信服的对话，并企图影响我们的正常行为或决策过程。在现实世界中，工业设备可能发送消息，导致员工错误地停止生产，甚至造成他们无法针对严重故障采取行动。

对于智能工厂或汽车等自动化系统而言，遇有事故，人工智能决策流程所有级别上的每个元件需能够告知用户发生的情况以及因何做出某个决策（例如，红灯发送错误信号，LIDAR没有检测到目标等）。

无论是在现实还是数字世界中，我们需要能够通过不可变的方式对信息进行跟踪追溯，最终发掘真相。数据证明服务和区块链功能将是必不可少，因为这些能轻松扩展，以对信息进行追溯直至找到原始数据。虽然此类系统可能无法证明事情的真实性，但可识别中间篡改并确保数据完整性。

 可溶解的集成电路

2020年，人类迎来了另一个充满争议的里程碑：人造材料的数量首次超过了天然生物料，且每20 年就翻一番。从摇篮到摇篮的制造，制造商可通过重新使用旧材料或部件，助力减少垃圾的产生。

但是，如何通过可持续和可扩展的方式来开发、部署并回收智能传感器或系统呢？可溶解集成电路为生产商提供了一种回收利用元器件的可行方法。可编程的可溶解集成电路甚至让我们能够调整产品功能和美学设计，从而通过可持续和可扩展的方式实现批量定制。

 空中数据中心

虽然数据中心和网络的功耗在过去十年内相对平稳，但我们仍需要不断创新来延续这一记录。数字数据保持着每两年翻番的增速，同时，人工智能和5G 也将扩大工作负载。

幸运的是，很多普遍的应用程序并不要求超短延时。冷（和微温）数据存储和一般计算负载转移到纳米卫星上是可以想见的。虽然这需要对总能耗进行复杂的计算，但相对于地面的数据中心，卫星数据中心具有系统性的优势——无需冷却成本。这毋庸置疑是一个浩大的工程问题，但其所需的大量相关基础知识目前已经存在。

 人工智能生成的硬件

所有行业都在经历数字化转型，电子行业也必须紧跟这个趋势。在物联网(IoT)领域，物联网系统的设计已经从应用支持平台中受益，从而可以更快、更轻松地设计物联网设备和相关应用。未来七年内，大约有10 到20个此类平台达到合理的成熟度。我们也需要开发类似的支持技术与工具，协助电子行业的各个细分市场进行硬件与软件及应用的协同设计。

对于半导体来说，通过此类半导体设计支持平台，让复杂智能系统设计得以简化并实现自动化，以简化开发人员的工作，这个目标将比我们预期的更早实现。一旦设计数据的庞大数据库在云端投入使用，可进行人工智能分层，比人类更快更好地生成硬件和软件，并且能够随时投入生产。

神经架构搜索机器学习工具可以自动创建硬件感知的训练神经网络，针对特定机器学习任务进行优化。同样，对于特定的流程，若能够以成本函数的方式表示硬件组件及其关系，我们应该能够自动优化和合成适用于任务的硬件。

 相变存储器 (PCM) 大展身手

1970年，Gordon Moore在《电子》杂志中预测相变存储器将在十年内进入市场。这一预测并未成真。事实证明，传统内存和存储器非常灵活和强大，甚至超出了其忠实支持者的预期，而闪存作为时下更新潮的概念，在传统半导体存储领域找到了用武之地。但与此同时，相变存储器却还停留在原型阶段，难以投入生产。

然而普适应用的物联网改变了这一状况。归功于混合电子系统，桌子、窗户、门以及其他一些耐用或不耐用的物件将很快开始具备一些新功能，并将变成无处不在的人机界面或传感器。但它们并不会始终保持连接或接入状态，也不包含传统计算机接口或电池。相反，它们包裹着智能的第二层皮肤，可对射频电波、热量或其他刺激做出响应。这必然需要低功耗且非易失性的存储。你说相变存储器能够为其提供所需的容量、非易失性和功耗吗？