忘記演算法吧！人工智慧的未來是硬體？

人工智慧的大部分宣傳都是關於演算法的。在機器學習方面處於全球領導地位的Google最近發表了一篇文章，介紹了AlphaGo Zero如何使用先進的強化學習演算法，成功地成為Go的主人，打敗所有以前的版本。但是，儘管公司和組織在搜索演算法設計和數據科學領域的頂尖人才方面爭得不可開交，但真正的新聞點可能是佔據重要位置的硬體！

摩爾定律的扁平化

首先，讓我們簡單的回顧一下過去的歷史：1958年，第一個集成電路包含2個晶體管，規模相當大，佔地1平方厘米。到1971年「摩爾定律」在集成晶元性能的指數級增長中變得明顯，與之前一樣，2,300個晶體管封裝在同一個表面上。到2014年，IBM P8處理器擁有更多的42億個晶體管和16個內核，全部包裝在650平方毫米的地方。我們很快就會達到這個在給定的矽片上可以封裝多少個晶體管的極限。

此外，特別是在模式識別（例如理解語音，圖像等）中的機器學習應用需要大量的並行處理。當Google宣布其演算法能夠識別貓的圖像時，他們沒有提及的是，其軟體需要16,000個處理器才能運行。當你可以在雲中的伺服器場上運行演算法時，這並不是一個太大的問題，但是如果要求是必須在小型移動設備上運行它們呢？這越來越成為一個主要的行業需求。

在終端運行先進的機器學習功能將為用戶帶來巨大優勢，同時解決了許多數據隱私問題。想像一下，如果Siri不需要進行雲計算，但能夠處理智能手機硬體上的所有數據和演算法。可能玩了很久的遊戲或是通話時間過長使得手機發熱嚴重，而等到在手機上也可以運行機器學習功能的時候，可能就不會出現這種情況了。

解決瓶頸

設備升溫的原因和我們目前的計算機硬體設計的主要問題是所謂的「馮·諾依曼瓶頸（von Neumann bottleneck）」：傳統的計算機體系結構將處理與數據存儲分開，這意味著數據需要來回傳輸從一個地方到另一個地方加班計算髮生。並行性通過分解計算和分配處理來解決這個問題的一部分，但是仍然需要在最後轉移數據，以便將所有內容協調成所需的輸出。那麼如果有辦法擺脫硬體瓶頸呢？如果處理和數據駐留在同一個地方，不需要四處移動，產生熱量，並消耗這麼多的能量呢？畢竟，這就是我們的大腦的工作方式：我們沒有像計算機那樣有獨立的處理和數據存儲區域，一切都發生在我們的神經元上。

英特爾的Loihi 神經形態晶元

在人工智慧領域，我們的大腦功能並不是什麼新鮮事物。現在，我們已經在使用神經網路進行深度學習。但是，我們通過使用機器學習演算法和並行處理來模擬神經元的功能。但是如果不採用仿效的方式，有像我們的大腦一樣運作的電腦呢？自從二十世紀七十年代以來，人們已經設想將大腦功能實際映射到硬體上，換句話說直接映射大腦結構的硬體。這種稱為「神經形態計算」的方法最近正在被商業化，英特爾和高通等公司最近宣布推出用於商業用途的神經形態晶元。

神經形態晶元可以應用在人工智慧應用的終點，這是非常令人興奮的消息。不過，它們也有可能將機器的智能提升到一個全新的水平。通過使用電子技術，而不是軟體來開發機器認知，我們可能能夠實現一般人工智慧的夢想，並創建真正的智能系統。

量子:計算的大爆炸

但是，對計算產生真正的巨大衝擊並不是來自神經晶體晶元（儘管有很大的希望，它們可能只有小眾應用），而是來自利用量子物理。隨著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。如果我們能夠計算出安排一系列分子來治療癌症的最佳方法呢？

IBM的量子計算機

這個問題實際上是減少了迄今為止所有的癌症研究，目前是通過試錯法進行的。經典計算不能解決這樣的問題，即參數的組合在幾次迭代之後會「爆炸」。量子計算有可能一次計算所有可能的組合，並在幾秒鐘內到達正確的答案。量子計算可以解決許多類似的優化問題。考慮優化複雜業務中的資源分配，甚至是在經濟中進行資源分配，並做出能夠支持最佳策略的預測或者考慮將密碼因子分解。

量子計算機正在快速發展：我們現在處於50個量子位的水平。讓我們把這個數字放在前面，一個32位的量子計算機可以處理40億個係數和265GB的信息，這可不是太令人印象深刻，你可能會說，因為你可以在幾秒鐘內在筆記本電腦上運行類似的程序。但是一旦我們達到了64位的量子計算機的極限，這個故事可能就會產生變化。

這樣的計算機可以一次計算出互聯網上所有的信息，或者74「艾位元組」（十億十億GB），這個處理在現在的超級計算機上要花費很多年的時間。我們已經非常接近了！然而，一旦我們開發出256位的量子計算機，真正的「遊戲規則改變者」就會來臨。這樣一台計算機將能夠計算出宇宙中所有原子的數量產生更大的計算。量子計算是宇宙計算，它對人類文明的影響可以是巨大而深刻的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！