“真智能”需何种人工“大脑”硬件那么多怎么选？

使用中央处理器（CPU），图形处理器（GPU），现场可编程逻辑门阵列（FPGA）和专用集成电路（ASIC）来理解人工智能。

树莓派（RaspberryPi，是一款针对电脑业余爱好者、教师、小学生以及小型企业等用户的迷你电脑）在电脑业余爱好者中十分受欢迎。纵观各国，有的人用它来推动啤酒生产自动化，有的人用它打开了机器人新世界的大门，还有的人在电影学科快速发展的现状下，用它变革了科学、技术、工程、数学四大学科的教学方式。这些方式都是值得赞美的。那么微软又利用它做了些什么呢？答案是设计了捕猎松鼠的喷水机器人。

在某公司的机器学习与优化小组中，研究员发现几只松鼠正在从喂鸟器中偷取花蕾和种子。为此，这个研究小组设计了一个计算机视觉模型，并把模型放到树莓派3的主板上。然后，每当有啮齿动物出现时，它就会打开洒水器。

这个故事的关键并不是他们多么讨厌松鼠而是他们将卷积码神经网络与ARM处理器（英国Acorn有限公司设计的低功耗成本的第一款RISC微处理器）相结合。这也体现了这些公司正在改进硬件以支持AI运算法则。随着AI越来越受关注，研究员们致力于发展其解决基础事务的能力，比如识别图像和语音。

随着人们对科技的期望越来越大，如研发自动飞行无人机和自动驾驶汽车，硬件发展所面临的挑战也越来越大。对此，各个公司正在生产硅制品和计算节点来应对这些挑战。

美国市场研究公司ABIResearch研究部主任JeffOrr将AI硬件发展划分为3个广泛领域：云服务，在线设备及混合领域。云服务主要是在微软、亚马逊和谷歌等超大规模数据中心环境下，在线上完成AI任务进程。

而在另一领域，他看到了设备的更多进程。在这些进程中，连接或延时禁止了数据传送回云。

他说，它的作用可能是发出声音指令，使智能手机或智能眼镜等可佩戴式设备不再需要人们亲自动手操作。这方面的技术还会继续发展，因为当今世界还没有大量在线设备的例子。他认为增强现实是关键驱动力，要不然就只能假设永远都有这种应用程序。

最后，混合领域结合了以上两个领域来完成AI计算。然后，你的手机便能通过基于云的AI来识别你的问题和要求。

云：下雨式算法

云的重要性源于AI的学习方式。AI模型渐渐能够开始深度学习，能使用多层复杂神经网络来创造更精确的AI程序。

神经网络的运用包含两个方面。第一是测验网络是在何处分析数据并得出数据模型的，这是一种有效的学习阶段。第二是推断神经网络在何处解析新数据并得出精确结果。测验这些网络会消耗大量的计算能力，但是测验负载可以分成多个并发运行的任务。这就是为什么有双倍浮点精度和大芯数的GPU会如此擅长该任务。

然而，神经网络规模正在扩大，面临的挑战也越来越多。GPU主要供应商英伟达公司（Nvidia，工业机器人维修，是一家以设计智核芯片组为主的无晶圆（Fabless）IC半导体公司）加速计算小组的副组长IanBuck说他们正在以每年两倍的速度扩张。该公司正在创造更多计算密集的图形处理器架构来应对其扩张，但也在改变着其对待数学的方式。

他说即使精确度不那么高，它也能完成。最初，神经网络测验主要着手于32-位浮点数，但他们在5月宣布，库卡机器人驱动器维修，该神经网络优化了新的Volta架构（英伟达的新一代GPU架构），使之能将16-点输入32-位内部计算。

Buck说，将其计算精确度缩减到16点有两大好处。

一是用户可以利用更快的算法，因为处理器在较低的分辨率下往往具有更多的生产量。二是增加了可用带宽的数量，因为你正在获取每一个算法的数据。

Buck谈道，问题是，其精确度可以达到多低呢？如果太低，便无法测验，就无法达到生产所需的精准度，或者会变得不稳定。

超越GPU

虽然英伟达公司在精炼其架构，但一些云供应商已经使用其他架构的GPU创建了自己的芯片。谷歌研发的TPU（谷歌为机器学习而设计的处理器）一代最初为推理工作负载而致力于8-点整数。在五月推出的新一代TPU提供了浮点精度，还能被用于测验。这些芯片是专用集成电路（ASIC）。与CPU和GPU不同，它们是为特定目的而设计的（这些天你经常会看到它们用于采矿比特币），但它们不能重新编程。缺乏无关的逻辑使得他们的电力使用在性能和经济上都非常高，但却非常昂贵。

谷歌的规模已经大到可以承担与设计ASIC相关的大量非经常性支出（NRE），因为它在基于AI的数据中心运营中节约了成本。它在许多操作中使用它们，从识别街景视图文本到执行Rankbrain搜索查询，并且每当TPU执行某些操作（除GPU）时，Google可以节省电力。

MoorInsights&Strategy的高级分析师KarlFreund说：这将节省很多钱。

不过，他认为Google并不完全是为了节省成本才这样做。我认为他们这样做能够完全控制硬件和软件堆栈。如果Google在AI上投注资金，那么从终端应用程序（如自动驾驶汽车到软件框架）和云端来控制它是有意义的。

现场可编程逻辑门阵列（FPGA）及其它

当面对的不是溺水的松鼠时，微软在自己的数据中心改造推出现场可编程门阵列（FPGA）。它们类似于ASIC（专用集成电路），但是可重新编程，以便更新其算法。它们处理Azure中的联网任务，但是微软也在机器翻译这样的AI工作负载上释放出来。英特尔想要AI行业的一部分，无论它在哪里运行，包括云。

到目前为止，其XeonPhi高性能CPU已经处理了通用机器学习，最新版本代号为Knight'sMill，并预计在今年出货。

尽管如此，该公司还拥有三项加速器，用于更具体的AI任务。对于研究深度学习神经网络，英特尔将其希望寄托在LakeCrest（专门为深度学习定制的一款芯片）。这是一个协处理器，该公司表示，使用一种名为HBM2的内存来克服数据传输性能上限，这比DDR4快了大约12倍。

虽然这些大厂商在与GPU，FPGA和ASIC构建的系统进行竞争，但其他人正在尝试从头改写AI架构。

据报道，Knuedge准备用基于云操作的256核心芯片，但他并未多说。

英国公司Graphcore由于需在2017年发布技术，已经透露了一些。它希望其智能处理单元（IPU）使用基于图形的处理，而不是GPU使用的向量或CPU中的标量处理。该公司希望这将使其能够将训练和推理工作负载适用于单个处理器。关于其技术有一个有趣的事情，它的基于图的处理应该是减轻AI处理中最大的问题之一从内存到处理单元的数据。而戴尔一直是该公司的支持者。

波的计算也专注于不同类型的处理，使用它所谓的数据流架构。它有一个专为数据中心运行而设计的训练器具，可以达到2.9PetaOPs/秒。