醫(yī)療爭(zhēng)端、化學(xué)合成、罪犯識(shí)別、自動(dòng)駕駛等應(yīng)用領(lǐng)域，AI的威力日趨擴(kuò)大。目前哪些是AI做不到的，未來(lái)哪些事又是AI可能做到的？美國(guó)商用系統(tǒng)芯片互連IP供應(yīng)商ArterisIP的CTO Ty Garibay發(fā)表了一篇博客，解釋了AI及AI芯片的前世今生。

經(jīng)歷了第一次泡沫、寒冬時(shí)期、研究重啟的AI技術(shù)，目前的突破點(diǎn)在基礎(chǔ)層AI芯片的更新中。AI到底能不能超越現(xiàn)在順利達(dá)到深度學(xué)習(xí)的高標(biāo)準(zhǔn)，還是有待商榷和驗(yàn)證的。

簡(jiǎn)史

“人工智能”的術(shù)語(yǔ)1956年便誕生，由三位科學(xué)家John McCarthy、Claude Shannon and Marvin Minsky在英國(guó)達(dá)特茅斯會(huì)議上提出。當(dāng)時(shí)那個(gè)年代末期，Arthur Samuel創(chuàng)造了“機(jī)器學(xué)習(xí)”的概念，指能夠從錯(cuò)誤中學(xué)習(xí)的程序，這個(gè)程序甚至能夠在跳棋等游戲中表現(xiàn)勝過(guò)編程的人。

計(jì)算機(jī)技術(shù)的飛速進(jìn)步使研究者相信，AI可很快解決?？茖W(xué)家們?cè)谘芯炕谌祟惔竽X功能計(jì)算是否能解決實(shí)際生活中的問(wèn)題過(guò)程中，創(chuàng)造了“神經(jīng)網(wǎng)絡(luò)”的理念。

1970年，科學(xué)家Marvin Minsky在《生活周刊》采訪中表示，3至8年內(nèi)，將有望出現(xiàn)一臺(tái)與人類平均智力相當(dāng)?shù)臋C(jī)器。

上世紀(jì)80年代，AI走出了實(shí)驗(yàn)室并走向商業(yè)化，還掀起了AI投資狂潮。當(dāng)AI相關(guān)的科技股泡沫破滅后，AI又重新回到實(shí)驗(yàn)室?！癆I寒冬”到來(lái)。業(yè)內(nèi)人士認(rèn)為，當(dāng)時(shí)發(fā)展AI技術(shù)過(guò)于超前，甚至此技術(shù)永遠(yuǎn)都無(wú)法普及。

1986年，神經(jīng)網(wǎng)絡(luò)之父Geoffrey Hinton和其他研究人員發(fā)表了一篇里程碑式的報(bào)告，報(bào)告探討了在“反向傳播”算法如何使深層神經(jīng)網(wǎng)絡(luò)反應(yīng)更出色。

1989年，深度學(xué)習(xí)三巨頭之一的美國(guó)計(jì)算機(jī)科學(xué)家楊立昆（Yann LeCun）與當(dāng)時(shí)他在貝爾實(shí)驗(yàn)室的同事通過(guò)培養(yǎng)能夠識(shí)別手寫(xiě)ZIP碼的神經(jīng)系統(tǒng)而驗(yàn)證了一個(gè)AI理論在真實(shí)生活中的可行性。

2009年，斯坦福大學(xué)的Rajat Raina、Anand Madhavan和Andrew Ng發(fā)表了論文，論證了現(xiàn)代GPU的深度學(xué)習(xí)能力遠(yuǎn)遠(yuǎn)超過(guò)CPU。AI大軍似乎卷土重來(lái)了。

現(xiàn)在

為什么現(xiàn)在投資界都在聊AI，說(shuō)到底驅(qū)動(dòng)因素是計(jì)算機(jī)技術(shù)成熟，海量數(shù)據(jù)容易獲得，一旦研究者有了這些資源，算法與解決方案也就不是天方夜譚。

但AI芯片的最大挑戰(zhàn)是，如何在系統(tǒng)級(jí)的芯片中，將以上資源協(xié)調(diào)在一起，而且系統(tǒng)級(jí)的芯片是以硬件加速器為載體的。

所以AI芯片的設(shè)計(jì)要求很高，尤其是在汽車行業(yè)，對(duì)安全和可靠性的標(biāo)準(zhǔn)一點(diǎn)都不能降低。

谷歌和特斯拉這樣的公司對(duì)集成電路設(shè)計(jì)也許還并不成熟，而AI Movie、Horizon Robotics等AI初創(chuàng)企業(yè)雖然對(duì)機(jī)器學(xué)習(xí)有很深造詣，但要完成高水準(zhǔn)的系統(tǒng)級(jí)芯片研發(fā)也很困難。

以汽車前置攝像頭中的深度學(xué)習(xí)AI芯片加速器為例，此芯片主要用途是為了分析和檢測(cè)道路上的車輛、物體。每個(gè)AI芯片都帶有記憶文件以確保最大的帶寬。

芯片內(nèi)互聯(lián)機(jī)制必須在檢測(cè)到物體時(shí)保證較寬的帶寬，并且在沒(méi)有遇到物體，優(yōu)化能源耗損時(shí)分配較窄的帶寬。而優(yōu)化的手段就是更新更高級(jí)的算法。這樣的AI算法每天都要更新或升級(jí)一次。

如果把現(xiàn)在的深度算法芯片比作香蕉，那么沒(méi)人愿意保留爛了的香蕉。其實(shí)AI芯片中舊算法就好比爛香蕉。所以對(duì)AI芯片來(lái)說(shuō)，問(wèn)世時(shí)間比其他類別的半導(dǎo)體更加敏感。

未來(lái)

除了深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)大幅推動(dòng)了AI技術(shù)的進(jìn)程，仍有很多研究者認(rèn)為，如果AI要達(dá)到更好的要求，還需要更多的方法去支持AI芯片。

大多數(shù)AI芯片的設(shè)計(jì)目前只是基于楊立昆和Hinton等學(xué)者的理論而研發(fā)出的不同版本，但如果一直沿著這一條軌道前進(jìn)，AI技術(shù)無(wú)法有更大的實(shí)質(zhì)突破，更不用說(shuō)用AI完全替代人類思維。

目前AI技術(shù)還是要建立在“標(biāo)簽化”數(shù)據(jù)的基礎(chǔ)上的，它無(wú)法完成一個(gè)與歷史經(jīng)驗(yàn)毫無(wú)關(guān)聯(lián)的任務(wù)。神經(jīng)網(wǎng)絡(luò)也并沒(méi)有將已有知識(shí)與陌生規(guī)則（例如，“向上”的對(duì)立面是“向下”、孩子由父母生育等事實(shí)）。

AI技術(shù)現(xiàn)在還不能根據(jù)沒(méi)有標(biāo)簽的數(shù)據(jù)解決問(wèn)題，好比一個(gè)人即使沒(méi)被燙過(guò)，也不會(huì)主動(dòng)去碰點(diǎn)燃的火爐，AI卻還做不到。即使通過(guò)“標(biāo)簽化”的數(shù)據(jù)學(xué)習(xí)，數(shù)據(jù)樣本也要足夠大。

AI芯片似乎沒(méi)能表現(xiàn)得比人類更智能，但它們的學(xué)習(xí)能力很強(qiáng)，未來(lái)可以變得更聰明。算法和芯片系統(tǒng)的設(shè)計(jì)都可以進(jìn)步，這需要AI芯片具備更高級(jí)的記憶系統(tǒng)和連接機(jī)制，以及承載深度學(xué)習(xí)數(shù)據(jù)流的硬件加速器。