經過了2017的風光，人工智慧的未來還要踏實做硬體

2017火了一年，才過去的CES大展又火了一把，人工智慧在科技界年度大戲的主角位置是坐穩了。但想要繼續保持自身地位，AI可不能只靠演算法，一個只會下棋的人工智慧可無法幫助企業盈利！

CES大展AI主思路：沒有硬體就沒有未來

「硬體革命」可以說是AI在這屆CES上的主旋律，各大企業都紛紛掏出了自己的AI晶元和其他硬體方案。

任何技術都需要有適配自己的應用場景，否則這項技術的價值就無法體現。AI也同樣如此，大部分企業還在力求攻克人工智慧的演算法難關時，總會有些人走在了其他人的前面，開始設計和開發能最大效應發揮AI能力的硬體應用。

谷歌CEO皮查伊就是其中之一，在CES大會上他表示「人工智慧時代真正解決問題，要靠「人工智慧+軟體+硬體」的方法」。

近期谷歌的一系列動作也在向外界傳遞兩個信號，一是讓自己的AI硬體化，一個是語音交互生態化。

皮查伊發表的言論也正是如今AI「實用化」的必經之路，空有演算法軟體的人工智慧就好比失去機器人大軍的天網，毫無威脅可言。

只是硬體化這條必經之路上並不是一帆風順的，如今硬體的核心技術是否可以發揮出AI的最大實力呢？

摩爾定律也將迎來極限

摩爾定律是由英特爾(Intel)創始人之一戈登·摩爾(GordonMoore)提出來的。

其內容為：當價格不變時，集成電路上可容納的元器件的數目，約每隔18-24個月便會增加一倍，性能也將提升一倍。

但這條已經被印證了半個世紀的定律眼看就要失效。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。

在給定的矽片上，你能裝多少個晶體管是有一個自然限制的，而且我們很快就會達到這個極限。

沒有「更高級」的晶體管被發明之前，如果不能突破這個限制，那麼很快我們晶元性能的進步就會停滯不前。

而機器學習應用，尤其是在模式識別（如理解語音、圖像等方面）需要大量的並行處理。

當谷歌宣布其演算法能夠識別貓的圖像時，他們沒有提到的是，它的軟體需要16000個處理器才能運行。

如果你可以在雲計算的伺服器上運行你的演算法，這不是什麼大問題，但如果你必須在一個移動設備上運行這些演算法呢？以目前的硬體技術是無法支撐的。

「神經形態計算」或可突破目前瓶頸

我們當前計算機硬體設計的主要問題，是所謂的「馮諾依曼瓶頸」。

馮諾依曼結構是計算機的靜電架構，這種架構會將數據處理與數據存儲分離開來，這意味著數據需要在計算過程中從一個地方轉移到另一個地方。

如果希望可以完全消除這個硬體瓶頸，就需要將處理和數據放置在同一個地方，無需移動，自然也不會產生熱量、消耗硬體的使用壽命。

而我們的大腦恰恰就是這樣工作的，我們沒有像計算機那樣處理數據和存儲數據的獨立區域，所有的事情都發生在我們的神經元上。

神經形態計算晶元便是依託於這個概念被設計而出。自20世紀70年代以來，人們就已經設想出這樣一種方式，希望用硬體直接「繪製」大腦的結構。

去年九月Intel也已經推出了自家研發的神經形態晶元Loihi。

如果神經形態晶元可以應用在人工智慧的終端上，那很有可能將整個智能設備提升到一個全新的水平。

試想一個可以媲美AlphaGo的AI程序在你的手機上自如運行，那麼你的手機將會多強大！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！