英偉達首席科學家 Bill Dally：硬體的發展推動了人工智慧的發展

Bill Dally 是並行計算與超大型集成電路處理領域的頂級科學家，作為英偉達首席科學家，他持續帶領團隊落實 CUDA 計劃，讓 NVIDIA GPU 成功變成一個通用並行處理器。在1月28日下午的EmTech China峰會上，Bill Dally 充分闡釋了硬體與人工智慧之間的強大關聯。以下便是經整理後的全部演講內容：

現在深度學習影響到了人類生活的方方面面，同時它也影響到了我們的研究生涯。其實我在很久以前就做過一些簡單的機器學習研究，比如怎麼樣在電腦上找馬、找人。但現在我們有了神經網路，它的性能更高，前景更大。現在有些機器的識別能力在自然語言處理，語音識別、遊戲等領域已經是不低於人了。

之前機器需要學習很多參數也才只能實現簡單的圖像識別功能，但是隨著AI的發展，特別是神經網路技術的發展，我們現在能夠更有效地去訓練一些複雜的數據，機器的學習能力大大提高了。有的人會擔心AI的崛起，他們擔心AI可能會取代人類。但我認為AI只會取代一些無聊的工作，人們也將不需要浪費時間去做一些重複性和費體力的工作了，而是做一些更加有效和更加充滿藝術性的工作。所以，我認為AI不會取代人類，它只會解放我們的雙手，提高我們的工作效率。

硬體的發展和大數據的出現在推動此輪的AI革命中扮演了非常重要的角色。其實有很多演算法、神經網路、以及深度神經網路，它們早在80年代就已經出現了，但是直到進幾年硬體的大大發展以及大數據的出現才讓人工智慧突然崛起。

我們以前一般要花上兩周的時間去訓練數據，因為那是硬體的性能還比較低。但一旦硬體的性能得到提高，就會推動整個AI的快速發展。硬體的發展讓我們的處理速度大大提高。而在不同的硬體之間，我們需要做的就是加強它們不同的應用能力。

其實，無人駕駛汽車的發展在某種程度上也是由硬體性能的提高推動的。現在世界上用於深度學習的最先進的硬體設備就是我們的VoltaV100，它擁有120TFLOPS的計算能力，它能大大提高深度學習的發展。它的速度比當年東京NEC公司推出的世界上最快的Earth Simulator計算機快了3倍以上。

對於物聯網應用，我們也推出了相應的SOC晶元，它的特色之一就是利用了DOA體系結構，使它更適用於深度學習計算。它具有很強的稀疏性，大大提高了深度神經網路的運算速度。不僅如此，我們還提高了我們硬體產品的能效、縮小了硬體的體積。而為了更進一步提高硬體的運算效率，我們還進行了演算法優化，層次簡化。這些都會最終推動物聯網的發展。

總之，我們這些年在GPU硬體方面取得了很多的進展，進一步促進了人工智慧的革命。現在GPU可以說是最適合於深度學習計算的硬體了。

不過，雖然我們提升了硬體的運算效率，但其實我們也犧牲了一定的運算精度。所以，我們在未來的研究重點是提高硬體的運算精度，會持續在精度的改善上做工作。這在以後是很有必要的。另外，我們還要進一步提高硬體的稀疏性。這也是很有必要的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！