智研简报2023第6期

智研简报

Sdaict Monthly

智能计算 计算未来

2023年06月第6期 | 总30期

中国 · 济南

山东产业技术研究院智能计算研究院

CONTENTS

目录

01

Nature重磅：Google DeepMind推出AlphaDev，可自主构建C++ 排序算法，或将加速全球计算

人工智能「进军」数学领域，

数学家们准备好迎接了吗？

智研院开展防溺水安全教育培训

04

05

02

2nm大战，全面打响

06

智研院参加山东省重大科技成果发布工作部署会议

03

国家发展改革委等8部门联合印发《职业教育产教融合赋能提升行动实施方案

       夏季来临，溺水事故进入高发期。为增强职工安全意识，提高安全防范能力，避免溺水事故的发生，根据山东产业技术研究院智能计算研究院安全管理规定的要求，2023年6月20日下午2点，我院全体职工在智研院国际会议室进行防溺水安全教育培训。

       本次培训上，智研院行政部孟辉从游泳安全注意事项、如何预防溺水、溺水自救与施救等方面对大家进行了相关安全知识培训，并带领大家观看了警示视频。

       此次防溺水宣传教育活动旨在让大家解了溺水的自防自救知识，掌握最基础的应急救护技能，提高自救互救能力，最大程度的保障大家的生命安全。在未来工作中，我院也将继续加强安全体系建设，完善安全应急管理，开展安全应急演练，切实提高研究院和职工的安全管理水平和应急处置能力。

智研院开展防溺水安全教育培训

智研快讯

       2023年6月27日，山东省科技厅召开全省重大科技成果发布工作部署会议。山东省科技厅副厅长梁恺龙、办公室、规划处、资配处、法规处、成果处的负责人出席了会议。济南市科技局组织驻济高校、科研院所、新型研发机构具体负责人员集中参加了会议。

       山东省科技厅规划处刘哲从总体要求和工作目标、征集成果的范围、类别和条件、工作流程、成果运用、通报晾晒等方面对重大科技成果发布工作进行了详细讲解。

       山东省科技厅副厅长梁恺龙对重大科技成果征集发布工作作出了安排部署。他指出，科技成果是衡量科技创新水平、服务产业发展的重要指标，也是检验科技资金绩效的一个重要内容。要深刻认识工作的重要意义，在科研工作中，突出成果导向和绩效导向，强化过程管理和服务，强化科技成果转化，推动创新投入变成现实产出，使科技真正成为产业高质量发展的动力。要做好项目总结、梳理挖掘工作，真正把好成果筛选出来，并按照真实可靠、产权清晰、绿色安全的要求，严格把关，确保成果报送质量。要建立重大科技成果宣传推介和定期通报制度，将重大科技成果第一时间征集、上报和发布出去，多媒介多渠道宣传重大科技成果的研发过程、经济效益、社会价值，面向社会各界展示科技服务产业发展的新成果、新成效，营造良好科技创新氛围。

政策导读

 国家发展改革委等8部门联合印发《职业教育产教融合赋能提升行动实施方案（2023—2025年）》

“

”

智研院参加山东省重大科技成果

发布工作部署会议

智研快讯

技术前沿

ADVABCED TECHNONLGY

       数字社会对计算和能源的需求正在不断增加。在过去的五十年中，人类主要依靠硬件层面的改进来满足这一点。然而，随着微芯片接近其物理极限，改进运行在其上的代码以使计算更强大和可持续也变得至关重要。

       对于每天运行数万亿次的算法而言，这一点尤为重要。因为它们支撑着从在线搜索结果和社交帖子的排名到计算机和手机上数据处理的一切。

       如今，Google DeepMind 推出了 AlphaDev，一种利用强化学习来发现改进的计算机科学算法的人工智能系统，其自主构建的算法，超越了科学家和工程师几十年来打磨出来的算法，将一种每天在世界各地使用数万亿次的 C++ 算法的运行速度提高了70%。

       相关研究论文以“Faster sorting algorithms discovered using deep reinforcement learning”为题，已发表在权威科学期刊 Nature 上。

       “说实话，我们没有想到会取得更好的成绩：这是一个非常短的程序，这些类型的程序已经被研究了几十年，” 论文的第一作者、Google DeepMind 的研究科学家 Daniel Mankowitz 说道。

       Google DeepMind 表示，他们已经将该算法纳入常用的 Libc++ 库，这是十多年来对这部分排序算法库的首次修改。这意味着，全球数百万开发人员和公司现在可以将其用于

       为贯彻落实党的二十大精神和党中央、国务院决策部署，统筹解决人才培养和产业发展“两张皮”问题，推动职业教育产教融合高质量发展，近日，国家发展改革委、教育部、人力资源社会保障部等8部门联合印发《职业教育产教融合赋能提升行动实施方案（2023—2025年）》（以下简称《实施方案》）。

       《实施方案》提出，到2025年，国家产教融合试点城市达到50个左右，试点城市的突破和引领带动作用充分发挥，在全国建设培育1万家以上产教融合型企业，产教融合型企业制度和组合式激励政策体系健全完善，各类资金渠道对职业教育投入稳步提升，产业需求更好融入人才培养全过程，逐步形成教育和产业统筹融合、良性互动的发展格局。

　　《实施方案》围绕“赋能”和“提升”，提出5方面19条政策措施。一是推动形成产教融合头雁效应。梳理总结首批国家产教融合试点城市经验做法，启动遴选第二批30个左右国家产教融合试点城市，再遴选一批国家产教融合型企业。在新一代信息技术、集成电路、人工智能、工业互联网、储能、智能制造、生物医药、新材料等战略性新兴产业，以及养老、托育、家政等生活服务业等行业，深入推进产教融合，培养服务支撑产业重大需求的技能技术人才。二是夯实职业院校发展基础。对“十四五”教育强国推进工程职业教育产教融合项目实施情况开展中期评估，在储备项目库中新增200所左右高职和应用型本科院校。完善职业教育专业设置，加快形成紧密对接产业链、创新链的专业体系。三是建设产教融合实训基地。通过“十四五”教育强国推进工程，安排中央预算内投资支持一批产教融合实训基地建设，高质量完成“十四五”规划《纲要》提出的“建设100个高水平、专业化、开放型产教融合实训基地”的重大任务。四是深化产教融合校企合作。支持职业院校联合企业、科研院所开展协同创新，引导企业深度参与职业院校专业规划、教材开发、教学设计、课程设置、实习实训，促进企业需求融入人才培养各环节。发挥职教集团（联盟）、市域产教融合联合体、产教融合共同体作用，提升人才培养质量，促进高质量就业。五是健全激励扶持组合举措。加大金融、投资、财税、土地、信用等政策支持力度，进一步健全组合式激励政策体系，支持地方出台符合本地实际的落地政策。

　　《实施方案》要求，国家发展改革委、教育部、人力资源社会保障部会同有关部门牵头推进职业教育产教融合赋能提升行动。各地要健全协调机制，将各项任务分解到位、落实到人、责任到人。对各地实践证明行之有效、可以上升为制度性成果的，要及时总结提炼，并推动修改完善相关政策和制度，符合条件的在全国复制推广。

从云计算和在线购物到供应链管理的人工智能应用中。

       MIT 教授、CSAIL 首席运营官 Armando Solar-Lezama 在评论文章中写道，“也许更值得注意的是，人工智能系统可以在不了解问题本身的情况下改进代码。”

       通过游戏找到最佳算法

       利用人工智能生成更好的算法，将改变我们编程的方式，影响我们日益数字化的社会的各个方面。

       排序算法是世界各地的计算机不断使用的基本功能，因此，由人工智能创造的改进算法可以使数百万程序运行得更快。

       据介绍，AlphaDev 基于 AlphaZero（一种强化学习模型，在围棋、国际象棋等游戏中击败了世界冠军），通过 AlphaDev，Google DeepMind 展示了这个模型如何从游戏转移到科学挑战，并从模拟转向现实世界的应用。

       为了训练 AlphaDev 来发现新算法，DeepMind 将排序转化为一个单人“汇编游戏”。在每个回合，AlphaDev 都会观察它生成的算法和 CPU 中包含的信息。然后，它通过选择一条指令来为算法添加一步行动。

       这个汇编游戏非常困难，因为 AlphaDev必须有效地搜索大量可能的指令组合，以找到一种比当前最佳算法更快的排序算法。可能的指令组合的数量与宇宙中的粒子数量或国际象棋和围棋中可能的行动组合数量相似，一次错误的行动就可能会导致整个算法无效。

       在构建算法时，AlphaDev 逐步添加一条指令，并通过将算法的输出与期望结果进行比较来验证其正确性。对于排序算法来说，这意味着无序的数字输入，正确排序的数字输出。Google DeepMind 根据 AlphaDev 正确排序数字的能力以及完成排序的速度和效率来奖励它。AlphaDev 通过发现一个正确且更快的程序来赢得游戏。

       最终，AlphaDev 构建了一个新算法，对于 5 个数据的列表，它比最好的算法快 70%，对于超过 25 万个项目的列表，它比最好的算法快 1.7%。

       “我们最初以为它犯了一个错误，或者有一个 bug 或其他东西，但是，当我们分析这个程序时，我们意识到 AlphaDev 实际上已经发现了更快的东西，”Mankowitz 说。

       Mankowitz 表示，“优化每天被调用数万亿次的基本函数的代码，有望带来足够大的好处，鼓励人们尝试执行更多这些函数，并将其作为解决摩尔定律放缓瓶颈的途径之一。”

       对此，英国伯明翰大学教授 Mark Lee 认为，AlphaDev 很有意思，即使是 1.7% 的速度提升也很有用。但他也认为，即使在其他普通算法中发现类似的效率，也不能确定这种方法真的可以弥补摩尔定律的瓶颈，因为它不能在更复杂的软件中取得同样的收益。

       构建通用人工智能工具的重要一步

       目前，Google DeepMind 正在探索 AlphaDev 在 C++ 等高级语言中直接优化算法的能力，这对于开发人员来说将更加有用。

       Google DeepMind 在官方博客中写道，“通过优化和推出全球开发人员使用的改进排序和哈希算法，AlphaDev 展示了其具有真实世界影响的泛化和发现新算法的能力。我们将 AlphaDev 视为发展通用人工智能工具的一步，这些工具可以帮助优化整个计算生态系统，并解决其他有益于社会的问题。”

       从玩游戏到解决复杂的工程问题，人工智能工具正在为数十亿人节省时间和精力。而这仅仅或许只是一个开始。

       我们可以设想一个未来，在这个未来中，我们将有更快、更高效、更可持续的数字基础设施，更多的通用人工智能工具将被用来帮助优化驱动我们数字世界的整个计算生态系统。

       据semiwiki报道，与英特尔一样，三星自己的芯片也是自己的代工客户，因此他们在2nm上首先生产的是内部产品，而不是外部代工客户。这当然是 IDM 代工厂的优势，可以结合工艺技术开发自己的芯片。三星拥有开发领先内存的额外优势。

       报道指出，三星将于 2025 年开始量产用于移动应用的 2nm 工艺，然后于 2026 年扩展到具有背面供电的 HPC，并于 2027 年扩展到汽车领域。与 3nm 工艺 (SF3) 相比，三星的 2nm (SF2) 工艺已显示出性能提升 12%，功率效率提高提升 25%，面积减少 5%。

       按照三星的规划，其GAA MBCFET无疑是2nm工艺的最大竞争优势所在，在上个月的时候，他们就公布了公司在3nm GAA MBCFET技术的最新进展，这将给他们的2nm提供参考。

行业资讯

INDUSTRY INFORMATION

       在芯片制造领域，3nm方兴未艾，围绕着2nm的竞争已经全面打响。

       根据台湾经济日报日前的新闻报道，台积电已经在本月初已经开始了 2 纳米工艺的预生产，而英伟达和苹果将有望成为晶圆代工龙头的首批客户，这将给三星等竞争对手带来巨大压力。在回应该报道时，台积电没有评论具体细节，但表示2nm技术的开发进展顺利，目标是在2025年实现量产。

       英特尔中国区总裁兼董事长王锐在今年三月的一次活动中表示，公司已完成intel 18A（1.8nm）和intel 20A（2nm） 制造工艺的开发。其中，intel 20A计划于 2024 年上半年投入使用，进展良好的intel 18A制造技术也将提前到2024年下半年进入大批量制造（HVM）。

       与此同时，晶圆代工老二三星在今日举办的代工论坛论坛上也重申了公司将在2025年实现2nm生产。再加上日本新成立的 Rapidus也想在2025年量产2nm。一场在2025年将进入白热化的战争已经全面打响。

       三星密谋已久

       这不是三星首次披露其2nm的计划，其实针对这个被广泛看好的“大节点”，这家韩国巨头密谋已久，他们在这次代工论坛上也带来了更多的消息。

       三星表示，与 FinFET 相比，MBCFET 提供了卓越的设计灵活性。晶体管被设计成有不同量的电流流过它们。在使用许多晶体管的半导体中，必须调节电流量，以便在所需的时序和控制逻辑下打开和关闭晶体管，这需要增加或减少沟道的宽度。

       而在传统的FinFET结构中，栅极所包裹的鳍片（Fin）的高度是不可调节的，因此为了增加整体沟道宽度，需要水平地增加鳍片的数量。但这种方法只能调节不连续的沟道宽度，因为当栅包围文件的沟道宽度为α时，也只能减小或增大α的倍数。这是一个严重的限制。

       另一方面，MBCFET 彼此堆叠在一起，鳍片侧向放置，纳米片的宽度可以调整，以提供比 FinFET 更多的沟道宽度选项，这是一个对整个设计有用的功能，这在模拟 SRAM 中具有显著的优势设计。

       ”MBCFET 具有这些优势，因为它们的设计允许独立微调晶体管的沟道宽度，以便在 P 型金属氧化物半导体晶体管 (PMOS) 和 N 型金属氧化物半导体晶体管（NMOS）之间找到最佳平衡”，三星强调。

       而在MBCFET 通过调整纳米片宽度，为 SRAM 单元设计提供了更大的灵活性。左上图显示了具有六个晶体管的基本 SRAM 位单元。中间图像显示了该位单元的图形设计系统 (GDS) 视图。

       在图(a)中，在GAA结构中，NMOS下拉(PD)和传输门(PG)具有相同的沟道宽度，而PMOS上拉(PU)具有较小的沟道宽度。(WPD = WPG > WPU ) 在这种情况下，从右图可以看出，MBCFET 可以比 FinFET 获得更好的裕度。

       在图(b)中，当PD和PG之间的沟道宽度变化时，它们是NMOS(W PD > WPG > WPU ），裕度高于（a）。通过根据晶体管的作用和特性调整沟道宽度，实现最佳平衡，并确保裕度。由于 GAA SRAM 位单元比 FinFET 需要更少的功率，并且由于每个晶体管的 GAA 宽度可以独立调整，因此 PPA 和 SRAM 之间的平衡得到改善，从而大大提高了 SRAM 的设计稳定性。

       除了晶体管外，背面供电技术也是三星2nm的一个杀手锏。

       三星研究员Park Byung-jae表示，在代工市场，技术正在从高 k 金属栅极平面 FET 发展到 FinFET、MBCFET，以及现在的 BSPDN。

       据介绍，BSPDN与前端供电网络不同，它主要使用后端；正面将具有逻辑功能，而背面将用于供电或信号路由。据他们在一篇论文中披露，将供电网络等功能移至芯片背面，以解决使用2nm工艺造成的布线拥塞问题。据称，与 FSPDN 相比，BSPDN 的性能提高了 44%，能效提高了 30%。

       在公布2nm规划的同时，三星强调，公司的1.4nm工艺预计于 2027 年实现量产。与此同时，三星代工厂继续致力于投资和建设产能，在韩国平泽和德克萨斯州泰勒增设新生产线。目前的扩张计划将使公司的洁净室产能到 2027 年比 2021 年增加 7.3 倍。

       台积电不甘人后

       在大家都在围绕着2nm倾囊而出的时候，台积电也不甘人后。

       台积电在去年的代工技术研讨会上就披露了其下一代 N2 2nm 节点的早期细节，包括将改用纳米片晶体管架构，其中几个堆叠的硅层完全被晶体管栅极材料包围，而不是当前的 FinFET 设计，与当前 FinFET 晶体管相比，GAAFET 的优势包括降低漏电流（因为栅极位于沟道的所有四个侧面），以及调整沟道宽度以获得更高性能或更低功耗的能力。

       早前举办的研讨会上，台积电进一步公布了2nm的更多消息。

       他们表示，公司在 N2 硅的良率和性能方面都取得了“扎实的进展”，预计其密度将比今年进入量产的增强型 N3E 节点提高 1.15 倍以上。预计 2025 年投入生产时，在相同功率下，它的速度将比 N3E 提高 15%，或者在相同速度下，功耗最多可降低 30%。

       台积电还表示，N2P 有望在 2026 年投入生产，因此我们可以推测第一批基于 N2P 的芯片将于 2027 年上市。

       除了可能成为台积电 2nm 代工艺主力的 N2P 之外，台积电还在准备 N2X。这将是专为高性能计算 (HPC) 应用（例如需要更高电压和时钟的高端 CPU）量身定制的制造工艺。代工厂并未概述该节点与 N2、N2P 和 N3X 相比的具体优势，但与所有性能增强节点一样，实际优势预计将在很大程度上取决于设计技术协同优化 (DTCO) 的实施程度。

       对于台积电2nm，近来还有消息透露，他们这个节点的单片晶圆定价逼近25000美元，相⽐届时的3 纳米晶圆代⼯报价的18,445 美元大幅上涨。这对于Fabless来说无疑是另一个挑战。回顾过去，台积电加⼯每⽚ 90 纳米制程晶圆所消耗的成本为411 美元，⽽加⼯每⽚ 5 纳米制程晶圆所消耗的成本已经上升到了4,235 美元，相较加⼯每⽚ 7 纳米制程晶圆所消耗的成本2,330 美元，也增加了81.8%。

       由此看来，台积电晶圆代⼯报价的上涨幅度，其与加⼯成本的上涨幅度是相接近的。

       台积电还表示，在进入 HVM 两年前，其 Nanosheet GAA 晶体管性能已达到目标规格的 80% 以上，256Mb SRAM 测试 IC 的平均良率超过 50%。台积电更是在一份声明中写道：“台积电纳米片技术展示了出色的功效和较低的 Vmin，最适合节能计算范例。”

       和三星一样，台积电也有一个N2P节点，这将在2026年某个日子推出。同时，在这个工艺上，台积电也将引入背面供电技术。目前，台积电尚未透露关于背面供电的更多信息，有关 N2P 相对于 N2 的性能、功耗和面积 (PPA) 优势的任何硬数据，台积电也还没公布。但根据anandtech从行业消息来源了解到的情况，仅背面电源供电就可以带来个位数的功率改进和两位数的晶体管密度改进。

       英特尔寄以厚望

       在制造工艺上落后许久的英特尔在最近对其晶圆代工业务进行了调整，向着下一步拆分做好准备。与此同时，他们还对2nm（Intel 20A）工艺寄以厚望，他们希望在这个工艺上追平三星和台积电等竞争对手。英特尔声称，如果正确执行 IFS 和 IDM 2.0 路线图，Intel 18A 代工节点应该在技术上和上市时间上击败台积电 2 纳米级节点。

       从技术上来说，Intel 20A及intel 18A不仅是他们首批进入埃米节点的工艺，在其上还会首发两大突破性技术，也就是RibbonFET和PowerVia，其中RibbonFET是Intel对Gate All Around晶体管的实现，它将成为公司自2011年率先推出FinFET以来的首个全新晶体管架构。

       英特尔过去多年来一直在技术半导体会议上讨论 GAAFET，在 2020 年 6 月的国际 VLSI 会议上，时任首席技术官 Mike Mayberry 博士展示了转向 GAA 设计后增强静电的图表。当时我们询问英特尔批量实施 GAA 的时间表，并被告知预计将在“5 年内”实现。目前，英特尔的 RibbonFET 将采用 20A 工艺，根据上述路线图，可能会在 2024 年底实现产品化。

       anandtech在报道中指出，在英特尔将在RibbonFET中确实将使用 4 堆栈实施，因为添加的堆栈越多，制造所需的工艺节点步骤就越多，引用英特尔的 Kelleher 博士的话：“删除堆栈比添加堆栈更容易”。对于任何给定的进程或功能来说，确切的堆栈数量仍然是一个活跃的研究领域，但英特尔似乎更热衷于四个。

       值得一提的是，在早前举办的 ITF World上，英特尔还展示了全新堆叠式 CFET 晶体管设计——一个被业界看好的下一代 GAA设计。

       

       从英特尔提供的图像我们很好地观察到——这种设计允许该公司堆叠八个纳米片，使纳米片的数量增加了一倍。四个与RibbonFET一起使用，从而增加晶体管密度。我们还在上面的相册中提供了其他三种类型的英特尔晶体管的图像 - Planar FET、FinFET 和 RibbonFET。

       如上所说，背面供电，则是英特尔另一个在Intel 20A工艺上的另一重点技术。他们也在日前举办的VLSI大会上更新了这个技术的进展。

       按照英特尔所说，迁移到 BS-PDN 最终有几个好处。首先，这对简化芯片的构造具有重要影响。我们稍后会讲述英特尔的具体声明和发现，但这里需要特别注意的是，它允许英特尔放宽其 M0 金属层的密度。Intel 4 + PowerVia 的测试节点允许 36 nm 间距，而不是在 Intel 4 上要求 30 nm 间距。这直接简化了整个芯片最复杂和昂贵的处理步骤，将其回滚到更接近intel 7 工艺的尺寸。

       BS-PDN 也准备好为芯片提供一些适度的性能改进。通过更直接的方式缩短晶体管的功率传输路径有助于抵消 IR Droop 效应，从而更好地向晶体管层传输功率。将所有这些电源线从信号层中取出也可以提高它们的性能，从而消除电源干扰并为芯片设计人员提供更多空间来优化他们的设计。

       在英特尔的方案中，首先，使用载体晶圆（carrier wafer ）作为其构建过程的一部分，以提供芯片刚性。英特尔实施 BS-PDN 的另一个值得注意的细节是使用 TSV 进行电源布线。在 PowerVia 中，芯片的晶体管层中有纳米级 TSV（恰如其分地命名为 Nano TSV）。这与行业先驱 IMEC 一直在研究其 BS-PDN 的埋入式电源轨形成对比。

 

      总而言之，虽然电源轨仍然需要向上和越过晶体管层来输送电力，但使用 TSV 可以让电力更直接地输送到晶体管层。对于英特尔来说，这是他们热衷于利用的一项技术优势，因为它避免了必须设计和内置埋入式电源轨所需的路由。

       日本Rapidus成为x因素

       在大家都以为先进制造格局已定的时候，日本Rapidus横空出世。

       由日本八家大企业支持成立、并获政府注资的半导体公司Rapidus正在兴建的首座晶圆厂就直攻2纳米制程，背负着复兴日本晶圆制造的重责大任。Rapidus会长东哲郎上月接受受访时表示，有信心让公司在短时间内就追上两大晶圆大工业者台积电与三星电子。

       东哲郎说：“领先他人且独特，是赚取大量获利的唯一地位；如果你做别人已经在做的，你会让自己变得廉价。”

       东哲郎说：“我对2纳米与之后的1.4纳米相当有信心，不过1纳米会是一大挑战。」「我们与材料和制造设备制造商密切合作，这些业者已与包括台积电在内的市场领导者合作先进技术。我们的全球伙伴也承诺将全力支持提供技术和教育。”

       Rapidus目前已与IBM、比利时微电子研究中心IMEC结盟，而且也获得包括丰田、Sony和软银等日本大企业的支持，这让他们的2nm给市场提供新变数。

                                                                                                      来源：半导体行业观察

行业资讯

INDUSTRY INFORMATION

       在洛杉矶盖蒂博物馆的藏品中，有一幅 17 世纪古希腊数学家欧几里得的肖像：衣衫褴褛、蓬头垢面，双手沾满污垢，举着他的几何学著作《几何原本》。

                                                           欧几里得肖像

       两千多年来，欧几里得的著作一直是数学论证和推理的典范。

       卡内基梅隆大学逻辑学家 Jeremy Avigad 说：「众所周知，欧几里得以近乎诗意的 [定义] 开始。然后，他在此基础上建立了当时的数学，使用基本概念、定义和先验定理，以这样一种方式证明事物，即每一步都 [清晰地遵循] 前一步。」

       Avigad 博士说，有人抱怨欧几里得的一些明显步骤并不明显，但该系统仍然有效。

       但到了 20 世纪，数学家不再愿意将数学建立在这种直观的几何基础上。相反，他们开发了正式的系统——精确的符号表示、机械规则。最终，这种形式化使得数学能够转化为计算机代码。

       1976 年，四色定理（该定理指出四种颜色足以填充地图，因此没有两个相邻区域具有相同的颜色）成为第一个借助计算强力证明的主要定理。

       现在，数学家们正在努力应对最新的变革力量：人工智能。

       2019 年，曾在谷歌工作、现就职于旧金山湾区一家初创企业的计算机科学家 Christian Szegedy 预测，计算机系统将在十年内赶上或超过人类最优秀数学家解决问题的能力。去年他将目标日期修改为 2026 年。

       普林斯顿高等研究院数学家、2018 年菲尔兹奖获得者 Akshay Venkatesh 目前对使用人工智能不感兴趣，但他热衷于谈论它。「我希望我的学生意识到他们所处的领域将会发生很大的变化，」他在去年的一次采访中说道。他最近补充道：「我并不反对深思熟虑和刻意地使用技术来支持我们人类的理解。但我坚信，注意我们使用它的方式是至关重要的。」

       二月，Avigad 博士参加了在加州大学洛杉矶分校纯粹与应用数学研究所举办的「机器辅助证明」研讨会。这次聚会吸引了数学家和计算机科学家的非典型组合。「这感觉很重要，」该大学数学家、2006 年菲尔兹奖获得者、研讨会的主要组织者 Terence Tao 说。

暑期学校组织者（左起）：Dr. Avigad, Patrick Massot of Paris-Saclay University and Heather Macbeth of Fordham。

       Tao 博士指出，直到最近几年，数学家们才开始担心人工智能的潜在威胁，无论是对数学美学还是对他们自己。他说，著名的社区成员现在正在提出这些问题并探索潜在的「打破禁忌」。一位引人注目的研讨会参与者坐在前排：一个名为「举手机器人」的梯形盒子，每当在线参与者提出问题时，它就会发出机械的低语并举起手。「如果机器人可爱且不具有威胁性，那就很有帮助，」Tao 博士说。

       学生们在该学院数学形式化暑期学校期间开展了一个小组项目。

       带来「证明抱怨者」

       如今，优化我们生活的小工具并不缺乏——饮食、睡眠、锻炼。威斯康星大学麦迪逊分校数学家 Jordan Ellenberg 在研讨会休息期间说：「我们喜欢给自己附加一些东西，以便更容易把事情做好。」 他补充说，人工智能设备可能也会对数学产生同样的影响。「很明显，问题是，机器能为我们做什么，而不是机器会对我们做什么。」

       一种数学小工具称为证明助手，或交互式定理证明器。（「自动化」是 20 世纪 60 年代的早期化身。）数学家一步步将证明转化为代码；然后软件程序检查推理是否正确。验证积累在一个库中，这是其他人可以查阅的动态规范参考。霍斯金森形式数学中心（由加密货币企业家 Charles Hoskinson 资助）主任 Avigad 博士说，这种形式化为当今的数学奠定了基础，「就像欧几里得试图编纂和整理数学一样。为他那个时代的数学奠定了基础。」

       最近，开源证明辅助系统 Lean 备受关注。Lean 由现任职于亚马逊的计算机科学家 Leonardo de Moura 在微软开发，Lean 使用自动推理，由所谓的老式人工智能 (GOFAI) 提供支持，即受逻辑启发的符号人工智能。到目前为止，Lean 社区已经验证了一个关于将球体翻转的有趣定理，以及统一数学领域方案中的一个关键定理以及其他策略。

       约翰·霍普金斯大学的数学家 Emily Riehl 一直在使用实验性证明辅助程序。

       但证明助手也有缺点：它经常抱怨自己不理解数学家输入的定义、公理或推理步骤，因此它被称为「证明抱怨者」。所有这些抱怨会使研究变得麻烦。但是福特汉姆大学的数学家 Heather Macbeth 说，同样的功能（提供逐行反馈）也使该系统对教学很有用。

       今年春天，Macbeth 博士设计了一门「双语」课程：她把黑板上的每个问题都翻译成课堂讲稿上的 Lean 代码，学生们用 Lean 和散文两种语言提交作业问题的解决方案。「这给了他们信心，」Macbeth 博士说，因为他们得到了即时的反馈，知道证明何时完成，以及过程中的每一步是对还是错。

       参加研讨会后，约翰霍普金斯大学的数学家 Emily Riehl 使用了一个实验性的证明助理程序，将她之前与一位合著者发表的证明正式化。在一次验证结束时，她说，「我真的非常非常深入地理解了这个证明，比我以前理解的要深入得多。我想得很清楚，我可以向一台非常愚蠢的计算机解释。」

       卡内基梅隆大学计算机科学家、亚马逊学者 Marijn Heule 使用的另一种自动推理工具是他俗称的「暴力推理」（brute reasoning）。他说，只要用精心设计的编码来说明你想要找到哪个「奇异物体」，超级计算机网络就会在搜索空间中进行搅动，并确定该实体是否存在。

       就在研讨会之前，Heule 博士和他的一位博士。学生 Bernardo Subercaseaux 最终解决了一个长期存在的 50 TB 文件问题的解决方案。然而，该文件与 Heule 博士及其合作者在 2016 年得出的结果几乎没有可比性：「200 TB 的数学证明是有史以来最大的」，       《Nature》杂志的一个标题宣布。文章接着问，用这些工具解决问题是否真的算作数学。在 Heule 博士看来，这种方法是「解决人类无法解决的问题」所必需的。

       Marijn Heule 和一名学生最近使用自动推理工具来解决「包装着色」问题，有点像四色地图问题，但要复杂得多。

       另一组工具使用机器学习，它可以合成大量数据并检测模式，但不擅长逻辑、逐步推理。谷歌的 DeepMind 设计了机器学习算法来解决蛋白质折叠 (AlphaFold) 和国际象棋获胜 (AlphaZero) 等问题。在 2021 年《Nature》杂志的一篇论文中，一个团队将他们的成果描述为「通过人工智能指导人类直觉来推进数学发展」。

       前谷歌计算机科学家、现在在湾区创业的 Yuhuai 「Tony」 Wu 概述了一个更宏伟的机器学习目标：「解决数学问题」。在谷歌，Wu 博士探索了支持聊天机器人的大型语言模型如何帮助数学。该团队使用的模型经过互联网数据训练，然后使用数学和科学论文的在线存档等富含数学的大型数据集进行微调。Wu 博士在研讨会上说，当用日常英语要求解决数学问题时，这个名为 Minerva 的专门聊天机器人「非常擅长模仿人类」。该模型在高中数学考试中获得的成绩优于 16 岁学生的平均成绩。

       Wu 博士说，最终，他设想了一位「自动化数学家」，具有「自行解决数学定理的能力」。

       数学作为试金石

       数学家们对这些干扰做出了不同程度的关注。

       哥伦比亚大学的 Michael Harris 在他的「Silicon Reckoner」子堆栈中表达了疑虑。他对研究数学与科技和国防工业之间潜在的冲突目标和价值观感到困扰。

       Harris 博士对缺乏对人工智能更大影响的讨论表示遗憾。数学研究，特别是「与正在进行的非常活跃的对话相比」，「除了数学之外，几乎无处不在」。

       DeepMind 合作者、悉尼大学的 Geordie Williamson 在 N.A.S. 发表了讲话。聚集并鼓励数学家和计算机科学家更多地参与此类对话。在洛杉矶的研讨会上，他以改编自乔治·奥威尔 1945 年文章「You and the Atom Bomb」的一句话开始了自己的演讲。Williamson 博

士说：「考虑到我们所有人在未来五年内都可能受到深刻影响，深度学习并没有引起像预期的那样多的讨论。」

       旧金山湾区的计算机科学家 Yuhuai「Tony」Wu 设想了一种「自动化数学家」——一种「能够自己解决数学定理」的通用研究助理。

       Williamson 博士认为数学是机器学习能做什么或不能做什么的试金石。推理是数学过程的精髓，也是机器学习中尚未解决的关键问题。

       Williamson 博士在接受采访时表示，在与 DeepMind 合作的早期，该团队发现了一个简单的神经网络，它可以预测「我非常关心的数学量」，而且它的预测「准确得可笑」。       Williamson 博士努力想要理解其中的原因——这将成为一个定理的基础——但是却无法理解。DeepMind 的任何人都做不到。就像古代几何学家欧几里得一样，神经网络以某种方式直观地辨别出了数学真理，但其逻辑「原因」却远非显而易见。

       在洛杉矶研讨会上，一个突出的主题是如何将直觉和逻辑结合起来。如果人工智能能同时做到这两件事，一切都将迎刃而解。

       但是，Williamson 博士观察到，人们很少有动力去理解机器学习所呈现的黑匣子。他说：「这是科技界的黑客文化，如果它在大部分时间都有效，那就太好了。」但这种情况让数学家们感到不满。

       他补充说，试图理解神经网络内部发生的事情会引发「令人着迷的数学问题」，而寻找答案为数学家「为世界做出有意义的贡献」提供了机会。