AI晶元的過去、現在與未來

醫療爭端、化學合成、罪犯識別、自動駕駛等應用領域，AI的威力日趨擴大。目前哪些是AI做不到的，未來哪些事又是AI可能做到的？美國商用系統晶元互連IP供應商ArterisIP的CTO Ty Garibay發表了一篇博客，解釋了AI及AI晶元的前世今生。

經歷了第一次泡沫、寒冬時期、研究重啟的AI技術，目前的突破點在基礎層AI晶元的更新中。AI到底能不能超越現在順利達到深度學習的高標準，還是有待商榷和驗證的。

簡史

「人工智慧」的術語1956年便誕生，由三位科學家John McCarthy、Claude Shannon and Marvin Minsky在英國達特茅斯會議上提出。當時那個年代末期，Arthur Samuel創造了「機器學習」的概念，指能夠從錯誤中學習的程序，這個程序甚至能夠在跳棋等遊戲中表現勝過編程的人。

計算機技術的飛速進步使研究者相信，AI可很快解決。科學家們在研究基於人類大腦功能計算是否能解決實際生活中的問題過程中，創造了「神經網路」的理念。

1970年，科學家Marvin Minsky在《生活周刊》採訪中表示，3至8年內，將有望出現一台與人類平均智力相當的機器。

上世紀80年代，AI走出了實驗室並走向商業化，還掀起了AI投資狂潮。當AI相關的科技股泡沫破滅後，AI又重新回到實驗室。「AI寒冬」到來。業內人士認為，當時發展AI技術過於超前，甚至此技術永遠都無法普及。

1986年，神經網路之父Geoffrey Hinton和其他研究人員發表了一篇里程碑式的報告，報告探討了在「反向傳播」演算法如何使深層神經網路反應更出色。

1989年，深度學習三巨頭之一的美國計算機科學家楊立昆（Yann LeCun）與當時他在貝爾實驗室的同事通過培養能夠識別手寫ZIP碼的神經系統而驗證了一個AI理論在真實生活中的可行性。

2009年，斯坦福大學的Rajat Raina、Anand Madhavan和Andrew Ng發表了論文，論證了現代GPU的深度學習能力遠遠超過CPU。AI大軍似乎捲土重來了。

現在

為什麼現在投資界都在聊AI，說到底驅動因素是計算機技術成熟，海量數據容易獲得，一旦研究者有了這些資源，演算法與解決方案也就不是天方夜譚。

但AI晶元的最大挑戰是，如何在系統級的晶元中，將以上資源協調在一起，而且系統級的晶元是以硬體加速器為載體的。

所以AI晶元的設計要求很高，尤其是在汽車行業，對安全和可靠性的標準一點都不能降低。

谷歌和特斯拉這樣的公司對集成電路設計也許還並不成熟，而AI Movie、Horizon Robotics等AI初創企業雖然對機器學習有很深造詣，但要完成高水準的系統級晶元研發也很困難。

以汽車前置攝像頭中的深度學習AI晶元加速器為例，此晶元主要用途是為了分析和檢測道路上的車輛、物體。每個AI晶元都帶有記憶文件以確保最大的帶寬。

晶元內互聯機制必須在檢測到物體時保證較寬的帶寬，並且在沒有遇到物體，優化能源耗損時分配較窄的帶寬。而優化的手段就是更新更高級的演算法。這樣的AI演算法每天都要更新或升級一次。

如果把現在的深度演算法晶元比作香蕉，那麼沒人願意保留爛了的香蕉。其實AI晶元中舊演算法就好比爛香蕉。所以對AI晶元來說，問世時間比其他類別的半導體更加敏感。

未來

除了深度學習和神經網路大幅推動了AI技術的進程，仍有很多研究者認為，如果AI要達到更好的要求，還需要更多的方法去支持AI晶元。

大多數AI晶元的設計目前只是基於楊立昆和Hinton等學者的理論而研發出的不同版本，但如果一直沿著這一條軌道前進，AI技術無法有更大的實質突破，更不用說用AI完全替代人類思維。

目前AI技術還是要建立在「標籤化」數據的基礎上的，它無法完成一個與歷史經驗毫無關聯的任務。神經網路也並沒有將已有知識與陌生規則（例如，「向上」的對立面是「向下」、孩子由父母生育等事實）。

AI技術現在還不能根據沒有標籤的數據解決問題，好比一個人即使沒被燙過，也不會主動去碰點燃的火爐，AI卻還做不到。即使通過「標籤化」的數據學習，數據樣本也要足夠大。

AI晶元似乎沒能表現得比人類更智能，但它們的學習能力很強，未來可以變得更聰明。演算法和晶元系統的設計都可以進步，這需要AI晶元具備更高級的記憶系統和連接機制，以及承載深度學習數據流的硬體加速器。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！