醫(yī)療爭端、化學(xué)合成、罪犯識別、自動駕駛等應(yīng)用領(lǐng)域，AI的威力日趨擴(kuò)大。目前哪些是AI做不到的，未來哪些事又是AI可能做到的?美國商用系統(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)，還是有待商榷和驗證的。

　　簡史

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

　　計算機(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)家們在研究基于人類大腦功能計算是否能解決實(shí)際生活中的問題過程中，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)驗室?！癆I寒冬”到來。業(yè)內(nèi)人士認(rèn)為，當(dāng)時發(fā)展AI技術(shù)過于超前，甚至此技術(shù)永遠(yuǎn)都無法普及。

　　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告，報告探討了在“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)三巨頭之一的美國計算機(jī)科學(xué)家楊立昆(Yann LeCun)與當(dāng)時他在貝爾實(shí)驗室的同事通過培養(yǎng)能夠識別手寫ZIP碼的神經(jīng)系統(tǒng)而驗證了一個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CPU。AI大軍似乎卷土重來了。

　　現(xiàn)在

　　為什么現(xiàn)在投資界都在聊AI，說到底驅(qū)動因素是計算機(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)級的芯片中，將以上資源協(xié)調(diào)在一起，而且系統(tǒng)級的芯片是以硬件加速器為載體的。

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

　　谷歌和特斯拉這樣的公司對集成電路設(shè)計也許還并不成熟，而AI Movie、Horizon Robotics等AI初創(chuàng)企業(yè)雖然對機(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道路上的車輛、物體。每個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)制必須在檢測到物體時保證較寬的帶寬，并且在沒有遇到物體，優(yōu)化能源耗損時分配較窄的帶寬。而優(yōu)化的手段就是更新更高級的算法。這樣的AI算法每天都要更新或升級一次。

　　如果把現(xiàn)在的深度算法芯片比作香蕉，那么沒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AI芯片來說，問世時間比其他類別的半導(dǎo)體更加敏感。

　　未來

　　除了深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)大幅推動了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)無法有更大的實(shí)質(zhì)突破，更不用說用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，它無法完成一個與歷史經(jīng)驗毫無關(guān)聯(lián)的任務(wù)。神經(jīng)網(wǎng)絡(luò)也并沒有將已有知識與陌生規(guī)則(例如，“向上”的對立面是“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)沒有標(biāo)簽的數(shù)據(jù)解決問題，好比一個人即使沒被燙過，也不會主動去碰點(diǎn)燃的火爐，AI卻還做不到。即使通過“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)，未來可以變得更聰明。算法和芯片系統(tǒng)的設(shè)計都可以進(jìn)步，這需要AI芯片具備更高級的記憶系統(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。