人工智能的创新打破不断刷新人们的认知，带来了浩瀚令人瞩目的成果。
只管以构建通用型人工智能为目标的研究取得了显著进展，但很多技能在实际的家当落地时并不能很好地适应垂直领域的特定业务场景。

“在传统的技能落地流程中，科研职员会将创新成果交付给工程师，随后由工程团队卖力技能的履行落地，研究员与工程师的事情相对独立。
但在人工智能领域中，要想实现技能的实际运用，就必须深度整合创新技能与实际需求。
因此，从研究阶段开始，工程师就须要与研究员紧密互助。
”微软亚洲研究院资深首席研究员程鹏说。

微软亚洲研究院资深首席研究员程鹏

为了促进这种互助，微软亚洲研究院提出了“研究员+工程师”的创新协同研发模式，并在微软亚洲研究院（温哥华）率先支配，希望冲破传统壁垒，加速技能从理论方法到现实运用的转化。
作为微软亚洲研究院（温哥华）的首批研究员之一，程鹏正与团队一道，以全新的研发模式推动人工智能技能的发展和运用。

微软亚洲研究院（温哥华）：专注ASI探索

微软亚洲研究院在温哥华建立实验室，一方面加强了微软环球研究网络的互助效应，在物理空间上缩短了研究员与工程团队之间的间隔，并为微软研究院位于太平洋区域的实验室之间的高效互助架起了桥梁；另一方面，微软亚洲研究院希望通过“研究员+工程师”的紧密协作模式，推进通用型人工智能模型在垂直领域的运用，以实现特定领域的智能（Artificial Specialized Intelligence，ASI）。

程鹏说，“只管通用型人工智能在处理广泛任务上的能力有目共睹，但它仍面临着三大寻衅。
首先，通用型人工智能的学习本钱极高。
随着模型规模的不断扩大，所需的资源和本钱也随之增加，这可能会超出当前技能和社会经济的承受能力。
其次，通用型人工智能的精确性还需提高。
正如人脑在积累了大量知识后可能会遗忘或稠浊某些信息一样，模型有可能也会产生幻觉或缺点信息。
此外，通用型人工智能在特定领域的持续学习与深度理解能力存在局限。
在知识广度增加时，人脑会不断提炼所学信息，以更深入地理解和节制特定领域的知识。
比如一个人，从大学生到博士生，在学习专业领域技能时还会随着领域的发展持续进行学习。
模型也须要具备这种持续学习和深度理解的能力。
”

为理解决这些问题，微软亚洲研究院（温哥华）团队提出了 ASI 的观点，旨在将通用型人工智能模型运用于详细的业务场景中，使其能够适应更多的差异化需求，并在特定领域内发挥最大浸染，同时实现低本钱和高效率的运用，开释人工智能的更多潜能。

实现 ASI 的一个关键条件是利用人工智能技能对云做事和人工智能的底层架构进行重新设计。
然而，这并非是研究员能够独立完成的事情，而是须要系统、硬件、人工智能领域的专家深度互助。
“微软亚洲研究院（温哥华）团队已经吸引了来自环球有名学府的十几位精彩人才加盟，并积极招募更多干系领域的顶尖人才。
我们期待通过汇聚环球顶尖人才的聪慧和专长，利用人工智能技能重构未来的系统和硬件，推动人工智能在各行业中的运用。
”程鹏先容道。

微软环球资深副总裁、环球研究与创新孵化卖力人 Peter Lee（第二排右四）等微软研究院同事访问期间，与部分微软亚洲研究院（温哥华）团队成员合影

人工智能与系统协同进化：基于用户需求自动设计AI系统

正如一座稳固的建筑物须要坚实的地基来支撑其宏伟的构造一样平常，人工智能根本举动步伐（AI Infrastructure）也是推动技能进步和运用创新的关键基石。
随着人工智能模型规模的不断扩大和模态的增多，对 AI Infrastructure 的升级改造变得尤为急迫。
程鹏所在的系统与网络组，当前的紧张任务便是专注于 AI Infrastructure 的研究。

“人们常日将 AI Infrastructure 视为支撑人工智能的最底层硬件举动步伐，但我们对 AI Infrastructure 的定义更为广泛。
它不仅包括顶层的运用，这些运用将根据用户需求供应特定的逻辑和功能；还包括中间的系统层，卖力将运用逻辑与硬件资源相连接；以及底层的根本架构，即硬件及其实行办法。
我们将这三层整体称为系统，我们的目标是根据用户的需求，利用人工智能技能自动设计这一整体系统，并将其称之为 AI-System Co-evolution（人工智能与系统协同进化）。
”

AI-System Co-evolution 理念架构图

程鹏举了一个大略的例子来解释这一观点，就像个人电脑在不同行业的运用，底层因此 CPU 为核心的硬件，中间是操作系统如 Windows，上层则是根据业务需求安装的各种软件。
在传统模式中，硬件和系统先行，然后才是上层运用的需求。
但人工智能技能的融入将颠覆这一流程——可以根据用户需求来设计系统和硬件。

也便是说，在人工智能系统协同进化的理念下，我们可以根据用户的不同需求，设计并制造出专门运行特定业务运用的系统和硬件根本架构，其核心将不再局限于 CPU，而可以是更加灵巧的 “X”PU。
例如在云做事场景中，AI-System Co-evolution 能够针对客户的关键业务场景，在最短韶光内设计出从软件到硬件的高效协议栈，供应高度定制化的办理方案。

“如今，支持人工智能的底层硬件与系统，比如专门定制的 GPU，经由了大约十年的发展和大量的资源投入才逐渐成熟。
但是，通过将人工智能技能融入系统和硬件设计这一办法，我们有望将这一过程从十年缩短到一个月。
AI-System Co-evolution 不仅能够显著加快技能进步的速率，还将引领全新的设计思维，为系统研究和根本架构设计带来革命性的变革。
”程鹏说。

开展以目标为导向的研究

自2015年加入微软亚洲研究院以来，程鹏一贯专注于系统与网络领域的研究。
博士毕业时，他曾面临两个选择：留在学术界或者进入工业界。
终极程鹏选择了能够“二者兼得”的微软亚洲研究院。
程鹏说：“网络和系统是两个密不可分的领域。
我的学术旅程始于网络专业，在博士期间转向了网络系统。
加入微软亚洲研究院后，我的研究则从网络系统开始，逐渐延伸到硬件系统、人工智能系统和硬件根本架构。
在这里，我得以兼顾学术创新与工程技能成果的转化。
”

最初，程鹏的事情聚焦于网络领域，紧张是为微软必应（Bing）搜索设计和开拓 RDMA 网关（RDMA Gateway），以优化跨数据中央或跨地区的数据传输和通信速率。
同时，他还与微软 Azure 云打算做事团队互助，开拓了 Web 流量负载均衡器 Azure Application Gateway，干系技能沿用至今。
在这一阶段，程鹏的研究紧张集中在上层运用软件的开拓和优化上。
随着研究的深入，程鹏的研究范围扩展到了系统、硬件等根本架构层面。
例如，功能的硬件卸载及资源池化方面的研究显著提升了整体做事的性能，并提高了资源整体的利用率，干系成果也已在微软 Azure 云打算存储和微软必应（Bing）存储中完成了原型设计。

人工智能时期，程鹏和团队成员开始探索将人工智能技能更深入地集成到产品和业务中，如利用人工智能进行微软 Azure 虚拟机中的虚拟 NUMA 放置以及 Microsoft Teams 中的带宽预测。
同时，他和团队还启动了 AI for System 的干系研究，旨在进一步推动人工智能与系统技能的领悟。

程鹏（第二排左八）和同事们的合照

程鹏在梳理了自己的研究脉络后认为，这是一个自上而下、逐步深入的探索过程——从上层软件运用出发，逐层深入到底层架构，并进行针对性的创新和优化。
“无论我们从事何种事情，都是先设定目标，然后制订操持，一步步实现。
现阶段我们的目标便是知足终极用户的需求，以是只有深入理解这些需求，我们才能设计出更符合用户需求的底层架构。
”程鹏强调，“这种以目标为导向的研究方法为我们团队当前的 AI-System Co-evolution 研究奠定了根本。
”

从偶发跃迁式打破到持续渐进发展，人工智能加速创新研究

在过去的10到15年中，系统研究的发展相对缓慢，但人工智能的进步为这一领域注入了新的活力。
“以往的系统研究与优化须要投入大量的人力和韶光，本钱高昂且周期漫长，科研职员很难再有韶光和精力进行更深层次的思考。
而人工智能可以帮助人类处理繁琐的事情，大大开释了科研职员的创造力，使我们能够集中精力办理更为关键的问题。
”

程鹏进一步认为，人工智能必将改变科学研究的办法。
在过去，跨领域的研究成果难以实现渐进式的整合，每每须要永劫光的积累，终极由某位研究者汇总并实现重大打破，这限定了科学进步的速率。
但利用人工智能技能则可以自动领悟不同来源的知识和创新成果，进而推动科学研究从偶发跃迁式的打破向累积型进步转变，为科研职员供应在前辈成果上进行持续创新的机会。

“人工智能带来的创新力量，结合微软研究院遍布环球的研究网络以及来自天下各地的多元人才，再加上科学研究和工程实践相辅相成共同演进的模式，让我们温哥华团队的沟通协作变得更加紧密，创新效率大幅提升。
”程鹏表示了武断的信心，“我相信，不久的将来，人工智能将能够根据详细需求设计出定制化的系统和硬件根本架构，AI-System Co-evolution 的观点将从梦想变为现实，ASI 也终将成为可能。
”