贊助本站
關于人工智能的炒作都是關于算法的。在機器學習領域處于領先地位的谷歌公司Deep Mind最近發(fā)表了一篇文章，其中描述了AlphaGo Zero如何從零開始成為一個圍棋大師，其利用強化學習算法的先進技術，擊敗了之前的所有版本。然而，盡管企業(yè)和組織為引進算法設計和數(shù)據(jù)科學領域的頂尖人才而相互競爭，但真正的新聞并不是來自于比特世界，而是來自于電線、硅和電子行業(yè)：硬件又回來了！
摩爾定律的扁平化
首先，一個快速的歷史旅程：1958年，第一個集成電路包含了2個晶體管，體積相當大，覆蓋一平方厘米。到1971年，“摩爾定律”在集成芯片性能的指數(shù)級增長中變得明顯；2300個晶體管在同一表面上，與以前一樣。到2014年，IBM P8處理器擁有多達42億個晶體管和16個核心，所有這些覆蓋在650平方毫米。在給定的硅片上，你能裝多少個晶體管是有一個自然的限制的，而且我們很快就會達到這個極限。
此外，機器學習應用，尤其是在模式識別（如理解語音、圖像等方面）需要大量的并行處理。當谷歌宣布其算法能夠識別貓的圖像時，他們沒有提到的是，它的軟件需要16000個處理器才能運行。如果你可以在云計算的服務器上運行你的算法，這不是什么大問題，但如果你必須在一個移動設備上運行這些算法呢？這正日益成為一個重要的行業(yè)需求。在終端上運行先進的機器學習算法給用戶帶來了巨大的優(yōu)勢，同時也解決了許多數(shù)據(jù)隱私問題。想象一下，如果Siri不需要做云計算，就能夠處理智能手機硬件上的所有數(shù)據(jù)和算法。但是，如果你發(fā)現(xiàn)智能手機在幾分鐘通話或玩 Minecraft后變得太熱，你就等著用手機來讓Siri變得真正個性化。
解決瓶頸問題
設備變熱的原因，以及我們當前計算機硬件設計的主要問題，是所謂的“馮諾依曼瓶頸”：經典的計算機架構將數(shù)據(jù)處理與數(shù)據(jù)存儲分離開來，這意味著數(shù)據(jù)需要在計算過程中從一個地方轉移到另一個地方。并行度通過分解計算和分布處理來解決部分問題，但你仍然需要在最后移動數(shù)據(jù)，將所有的數(shù)據(jù)都轉換成期望的輸出。那么，如果有一種方法可以完全消除硬件瓶頸呢？如果處理和數(shù)據(jù)在同一個地方，無需移動，也不會產生熱量或消耗那么多的能量，那會怎樣呢？畢竟，我們的大腦就是這樣工作的：我們沒有像計算機那樣處理數(shù)據(jù)和存儲數(shù)據(jù)的獨立區(qū)域，所有的事情都發(fā)生在我們的神經元上。
英特爾神經形態(tài)芯片Loihi
我們的大腦功能在人工智能研究中并不新鮮，我們已經在利用神經網(wǎng)絡進行深度學習了。我們通過機器學習算法和并行處理來模擬神經元的功能。但是，如果我們的計算機不像我們的大腦那樣運行，那該怎么辦呢？自20世紀70年代以來，人們就已經設想出這樣一種方式：將大腦功能映射到硬件上，換句話說，就是用硬件直接“繪制”大腦的結構。這種方法被稱為“神經形態(tài)計算”，目前終于開始走向商業(yè)化。英特爾和高通等公司最近宣布，其將推出用于商業(yè)用途的神經形態(tài)芯片（neuromorphic chips）。
神經形態(tài)芯片可以用于AI應用的終端，這的確是一個非常令人興奮的消息。不過，它們也有可能將機器智能提升到一個全新的水平。通過使用電子硬件而不是軟件來發(fā)展機器認知，我們或許能夠實現(xiàn)通用人工智能的夢想，并創(chuàng)造出真正的智能系統(tǒng)。
量子：計算大爆炸
但是，計算真正的大爆炸并非來自于神經形態(tài)芯片（盡管有巨大的潛力，最終可能只會有小眾應用），而是來自于量子物理學的應用。隨著對快速計算的需求增加，我們解決真正困難問題的雄心也在增加。如果我們能計算出排列一系列分子的最佳方式來開發(fā)治療癌癥的方法呢？這個問題實際上是針對減少所有癌癥的研究，目前是由試錯法進行的。經典計算無法解決這樣的問題：在經過幾次迭代之后，參數(shù)的組合就會爆炸。量子計算有可能同時計算所有可能的組合，并在幾秒鐘內得出正確答案。有許多類似的優(yōu)化問題可以用量子計算解決。比如在復雜的業(yè)務中優(yōu)化資源配置，或者在經濟中做出能夠支持最佳策略的預測，或者在密碼學中分解數(shù)字。