人工智能的基石

　　深度学习技术主流厂商及产品解析

　　人工智能是目前最流行的前沿技术，就像当初因特网、移动互联网大爆发的时候一样炙热，它的出现改变了很多事物的处理方式，大量人们之前难以想象、难以处理的内容，用人工智能都可以轻松的完成。人工智能如此强大，产业界究竟存在哪一些主打人工智能研究的企业？又有多少厂商推出过人工智能的技术基础—AI芯片？这些芯片又有什么技术特点呢？今天本文就和大家一起来了解这些内容。

　　人类生产力的提升、生产关系的改变往往和颠覆性的技术创新紧密相连。纵观历史，蒸汽机的发明带来了工业革命，电力的普及开启了电气时代，计算机的高速发展创造了PC王朝，因特网的出现推动了信息技术发展和全球互联。那么，下一个带来人类生产力爆发的技术是什么？虽然答案尚不明确，但许多的特征都指向一个词，那就是人工智能。和蒸汽机、电力、PC以及因特网等具备划时代意义的创世纪产品技术一样，从人工智能已有的信息和未来数年内它可能实现的能力来看，人工智能的发展将带来人类生产力进一步的提升和生产关系更深层次的改变。

　　制造另一种智慧物种是人类的终极梦想，这一点从大量的神话传说中可以看出不少端倪：无论是上帝造人，还是女娲造人，赐予人类智慧的步骤无一不是充满了崇高和神秘。智慧或者说智能，目前来看还是一个难以企及的秘密，但这也并不影响人工智能的发展和进步。毕竟梦想总是要有的，万一哪天就实现了呢？

　　强人工智能，弱人工智能

　　所谓人工智能，根据1956年达特茅斯会议的定义，就是“让机器行为看起来就像是人所表现出的智能行为一样”。但这句话说起来简单，实现起来确颇为复杂。人类目前大部分新技术的来源和发展，都离不开对现有生物现象和自然现象的观察、模仿和规律总结。要想发展人工智能，就离不开对真正的智能、人类思维和人类大脑的研究。但是，由于大脑极端复杂，其研究难度远超想象。因此目前的科学界对人类智能、包括大脑如何工作以及大脑是如何产生意识等问题几乎没有给出统一和全面的解释。这就意味着人们缺乏模拟的对象，也不够了解智能产生的原因，实现真正意义上的人工智能更是举步维艰。

　　在这种大背景下，业内对人工智能的研究就变得更偏向于实用化，其目的是一方面先解决部分应用问题，另一方面也是为了等待脑科学、心理学、语言学以及数学、生命科学等基础学科的进步。也只有基础科学有所突破，才能真正打开人工智能的大门。为此，业界干脆将人工智能划分成两大类：强人工智能和弱人工智能。所谓强人工智能，是指机器可以实现自我推理、自我解决问题，并且这样的机器可以被认为是有自我意识的。强人工智能的机器既可以使用类人的方式实现，也可以使用非类人的方式、和人拥有完全不一样的推理、思维等。强人工智能就像科幻电影里面会思考、会自主行动的机器人或者控制人类的超级电脑那样，拥有自主意识。弱人工智能是指机器拥有一定的判断和解决问题的能力，但是并没有真正的智能和意识。广义来说，本文乃至整个业界目前所接触、研发和推广所有人工智能算法、产品都属于弱人工智能，甚至包括你我的智能手机、计算机操作系统等都包含了不少弱人工智能技术。广义上来看，强人工智能完全包含弱人工智能。

　　强人工智能的短期无望，并没有浇灭人们进步的决心。强的不行，就把强的拆成很多的子项分别实现，子项再难的话，继续向下拆分—这实际上构成了目前人工智能研究的基本图谱，那就是大量的研究方向和不断涌现的全新算法，大家都试图在一个小角落中抢先形成突破，不断解决难题，最终合纵连横。比如人工智能研究中对人类一些基本功能的模拟，包括对计算机视觉、计算机听觉、计算机推理等涉及到信息识别、判断和转换的方方面面。这些研究和模拟，能够使得机器拥有一定的自主处理信息的能力，从而辅助人们进行生产和工作，提高效率。鉴于此，人们提出了不少实现方法，比较常见的包括专家系统、机器学习、进化计算、模糊逻辑、推荐系统等，这些流派或多或少都有各自的长处和短处。不过，人工智能再难，也总有一点点突破的时候。随着计算机技术的发展，机器学习分支下的人工神经网络技术率先突破，成为短期内最有望实用化和商业化的人工智能技术。

　　机器学习，人工神经网络的研究

　　机器学习，顾名思义就是让计算机自己学习的方法。对人类来说，人类的学习几乎是天经地义的事情，从牙牙学语的婴孩开始一直到垂暮之年的老人，人类不断地通过眼耳鼻舌身接触外界信息，再经由大脑加工学习，形成每个人独有的意识和思维。这个过程对机器学习来说，就是理解学习的本质和建立有效的学习系统的过程，也就是机器通过一定的算法，将外界的大量信息和数据梳理加工成机器可以理解、使用、判断的知识库，从而达到智能处理数据的能力。通过近30年的发展，机器学习已经发展成为了一门专门的学科，其中涉及诸如概率论、统计学、逼近论、凸分析、计算复杂性理论等大量的内容，具体的计算方法也包括人工神经网络、决策树、感知器、贝叶斯分类器、高斯回归、线性判断等诸多算法，而目前应用最成功的，则是人工神经网络。

　　说起人工神经网络，就不得不提起人类的神经系统了。我们知道，从生物学角度来看，人类的思维和活动主要是由神经系统控制的，其中核心的部分就是大脑。构成神经系统的主要部分是神经元，神经系统就是不同功能神经元网络化所构成的系统，人类的神经元数量大约在850亿左右。和神经系统类似的是，所谓人工神经网络，是人们通过观察人类中枢神经系统后，得出的一种利用计算机模拟人类神经系统运作方法的方式。在人工神经网络中也有计算节点，就像神经元那样用于传递和处理信息，同样，人工神经网络也存在不同的深度和层次。进一步通过网络结构来分析的话，人工神经网络又可以分为前馈神经网络、递归神经网络和强化式架构神经网络，通过神经网络技术和深度学习算法的结合，人工智能才有了突破的曙光。

　　深度学习技术

　　从这些年的回顾来看，人工智能技术的发展并不是一帆风顺，它不断地拆分和细分目标，全球无数的科学家贡献了几乎上百种研发方向，而目前真正有商业化希望和实际应用能力的也只有弱人工智能的机器学习分类下的人工神经网络部分的深度学习技术。显而易见，人工智能技术在第四级分支才出现了一点点突破，这只是技术尖端在人工智能的大灯笼上扎出了漏光一点的小眼而已。也就是这一点光亮，却照亮了人工智能商业化的前景。

　　言归正传。所谓深度学习技术，是指一种试图使用包含复杂结构或由多重非线性变化构成多个处理层对数据进行高层抽象的算法。深度学习结合神经网络技术，有深度神经网络、卷积神经网络、深度置信网络、递归神经网络等多个方向。简而言之，深度学习技术就是一种计算机自我学习的技术，它的深度来自于不断对目标信息的拆分。举例来说，如何让计算机认识猫这个动物呢？先利用深度学习算法对计算机进行训练，也就是向计算机输入猫的图片，计算机通过首层拆分，得到一些具体的图片信息，再通过二层、三层甚至更多层拆分，将一张猫的图片拆分成无数的特征点，并加以处理和记忆。当有更多的、数十万张猫的图片输入计算机后，计算机会从这数十万张图片多层拆分后得到的特征点中提炼出猫的信息和如何识别猫这样的计算模块，这样训练就完成了。在训练完成后，就是具体的推断过程了，如果人们此时再拿一张计算机从未见过的照片给计算机，计算机就可以通过原有的猫的识别模型推断出照片中是否存在猫。深度学习的“深度”二字，就是指计算机对原始信息的多层次拆分，拆分层次越多则越深。当然实际应用中并不是越深越好，还得看具体情况。

　　深度学习技术是目前人工智能技术发展的最重要的突破，它的优势在于可以借助目前发展迅速的以并行计算为主的GPU或者其他并行计算加速器进行加速，通过海量数据不断地训练和学习，最终实现让机器拥有一定人工智能的能力。这一点要比其他的人工智能研发方向更具有优势，当部分人工智能研发人员还在和数学、逻辑学纠缠基本理论的时候，经过深度学习技术改造的设备已经可以实现部分人们梦寐以求的功能了，比如计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等。

　　深度学习技术的突破并不意味着万事无忧。目前深度学习技术只是带来了计算机视觉和相关识别方面的便利，至于深度学习技术演化出的模型和特征中的细节究竟是什么，人们基本无从得知（一般也不需要知道），这也是深度学习被认为是黑盒技术从而招致批评的原因—黑盒意味着深度学习技术缺乏相关的逻辑性，它可以告诉人们这是猫、这是狗，这是STOP、这是校车，但是完全无法理解“孩子抱着猫从校车上走下来，身后跟着一条狗”这样充满一定逻辑性的情境，也缺乏判断能力。因此，一些人工智能研发前沿单位只是将深度学习作为一个部分部署在整个人工智能系统中，综合其它的人工智能技术进行应用，才能获得非常出色的效果。总的来说，深度学习带来了人工智能技术的一次重大的发展和进步，也照亮了一个庞大无比的商业化市场。

　　深度学习技术主流厂商及产品解析

　　深度学习技术的重要性不言而喻，作为目前真正可以进入到实用阶段的人工智能获取方法，深度学习自从崭露头角以来就被全球各大巨头高度重视，毕竟这可能意味着一个巨大的市场，背后隐藏着千亿级别的利润。因此，厂商们纷纷推出了各种各样的芯片，基于深度学习技术而来，力求在市场上占领一席之地。下面本文就详细介绍下不同厂商推出的深度学习芯片以及其背后的技术支撑。

　　英伟达：早起的鸟儿有虫吃

　　如果要问近两年美国纳斯达克谁是股价最大赢家，一定非英伟达莫属。自从搭上了深度学习和人工智能的春风，英伟达的股价就从之前20美元左右一路狂飙到最高210美元，市值也成功突破千亿美元，一跃成为和英特尔、高通等并驾齐驱的行业巨头。

　　回顾历史，英伟达在深度学习方面的成功并不是一蹴而就的。早在数年前，英伟达就开始布局旗下核心产品G PU产品在多用途、多样化、通用计算乃至并行计算方面的新发展，转而推出了大名鼎鼎的CUDA。随后，英伟达又适时抓住了人工智能以及深度学习技术发展的契机，并通过软硬件产品的快速迭代和不断的加强生态营建，成功占据了行业顶端地位。

　　从产业角度来看，在深度学习的训练阶段，英伟达的GPU已经成为了事实上的标准。英伟达通过对CUDA、cnDNN的不断升级，对各种深度学习框架、深度学习库的匹配，以及推出集成深度学习库和开发工具的NVDocker等，在一个正向循环有利于自己的市场中搭建了起了一套完整的体系，并建立了足够深的产业护城河和足够高技术壁垒，已经占据了技术的领先地位和市场的优势地位。更为重要的是，目前这个市场看不到强有力的竞争对手出现，无论是谷歌还是英特尔，难以在短时间内通过数代产品挑战一个完整的生态系统，因此业内普遍判断英伟达在深度学习上优势已经形成，并且极有可能在未来维持寡头形态。

　　具体到产品方面，英伟达的产品目前主要是GPU。GPU可谓天然的并行计算加速器，在进一步优化后尤其适合深度学习。目前英伟达推出了基于GV100核心的Tesla V100加速卡以及Titan V显卡，其深度学习方面理论最高计算能力超过100TFlops，从数据上来看已经远超所有竞争对手。

　　谷歌：搭建生态环境，加强竞争态势

　　谷歌在深度学习上的投入也开始的比较早，不过早期谷歌推出的TPU 1.0产品仅仅用于推断阶段，并没有跨入训练阶段。令谷歌名声大噪的是AlphaGo和李世石以及柯洁的围棋大战，最终谷歌依靠着深度学习带来的强大处理能力，轻松挑落人类选手，也使得谷歌的深度学习产品名噪一时。

　　随后谷歌推出了全新的TPU 2.0产品。新产品不再仅仅面向推断阶段，而同样面向了训练阶段。由于TPU专门面向自家的TensorFlow框架定制，在功耗水平和效率方面要胜出早期的GPU一筹。不过问题在于似乎谷歌尚未想好应该怎么做或者说在更大规模的芯片研发和制造方面缺乏经验，在TPU 2.0发布后很长一段时间也没有进一步推出新一代产品。不仅如此，谷歌在深度学习的生态环境方面也存在一定问题，依旧需要GPU的配合才能完成所有过程，相对来说，目前谷歌的TPU更像是一个面向软件的加速器，未来谷歌还需要做更多的努力才能搭建起自家完整的生态系统。

　　在看清自家劣势之后，谷歌现在的重点放在了云端，也就是利用T P U 搭建了云服务器，希望用户可以利用云端进行深度学习的训练和推断，在云端，谷歌搭建了TensorFlow搭配GoogleCloud和TPU 2.0的生态系统，希望能够在深度学习的云端计算方面抢得先机。

　　英特尔：大量并购完成布局

　　作为传统PC行业巨头，英特尔在深度学习时代也积极布局。不过，由于英特尔在深度学习产业上介入较晚，因此英特尔只好通过并购等商业手段进行大刀阔斧的布局。英特尔先是以167亿美元收购Altera，获得了后者的FPGA技术，搭建了CPU+FPGA的深度学习硬件平台，然后又购买了为深度学习优化服务的厂商Nervana，获得了软件服务的能力。此外，在推断市场方面，英特尔通过收购Mobileye以及Movidus等厂商，获得了ADAS以及计算机视觉等技术，通过曲线救国的手段介入了人工智能市场。

　　除了收购的厂商外，英特尔本身也推出了Knight系列计算卡，其中最新的Knight Mill拥有双精度端口和向量神经网络指令端口，专门用于支持张量计算，加速深度学习算法处理速度。英特尔宣称新的Knight Mill在深度学习上的计算速度是前代产品的四倍左右。不过，虽然K night系列产品已经推出多年，但是最新消息显示英特尔将暂停这个产品线，未来将不再会推出Knight Mill的下一代，转而研究更先进的架构。

　　从英特尔的布局角度来看，无论是硬件、软件还是应用层面都有一定涉猎，尤其是对Altera和Mobileye的并购堪称大手笔，意图打通产线，形成从训练到推断的全产业链，拥有自家的综合解决方案。

　　寒武纪：全国产AI芯片的曙光

　　除了国外巨头在人工智能网络上努力外，国内厂商也在不断发力抢占市场。中科院旗下的寒武纪公司推出的“寒武纪”AI芯片就以独特的非冯·诺伊曼架构以及专门瞄准人工神经智能网络算法设计全新神经网络架构，实现了对深度学习计算效率的的大幅度提升。

　　目前寒武纪系列产品已经推出了三款，其中寒武纪1号面向神经网络的原型处理器结构，寒武纪2号面向大规模神经网络，寒武纪3号面向多种机器学习算法。根据寒武纪公布的数据，寒武纪1号主频约1GHz，峰值性能每秒4520亿次神经网络基本运算，65nm工艺下功耗为0.485W，面积仅为3平方毫米。由于其特殊的架构设计，寒武纪1号在神经网络效率上是普通CPU的100倍，面积和功耗只有CPU的十分之一。

　　由于寒武纪系列产品的超高性能功耗比，其已经被华为看中，将它纳入自家的麒麟处理器中，成为全球首款拥有深度学习加速模块的移动处理器。目前，寒武纪正在进一步加强自己的产品研发，推出相关指令集加速，构建齐全的人工神经网络产业链。作为纯粹的国产产品，寒武纪的出现不仅仅打破了国外厂商的垄断，形成了自主知识产权，还可以推广到更多的行业产品中，建立起自己的产业生态链，未来发展值得期待。

　　高通：移动SoC之王的深度学习AI远望

　　高通作为移动SoC和通讯业界的王者企业，介入人工智能的时代几乎是理所应当的。在高通最新发布的骁龙845处理器上，人们就看到了高通在这方面的努力。高通准备了一套名为骁龙神经处理引擎（SNPE）的系统，这套系统可以兼容目前主流的Google TensorFlow和Facebook Caffe/ Caf fe2、Tensorflow Lite和ONNX等深度学习框架，支持Google Android NN API，然后将其智能分配给处理器中的CPU、DPS、GPU等部件，实现深度学习的计算加速。

　　在移动处理器产品支持人工智能后，能够在更多的场合发挥作用，包括但不限于更精准的个人语音识别、图像识别、视频处理、图像处理、语音助手以及对用户个人习惯的学习和优化等。高通的全新架构是首个支持异构深度学习计算的架构，它将借助高通在移动SoC上的优势，将移动计算带入AI时代。

　　AI：可期的未来

　　从本文的介绍可以看出，人工智能是一个涉及非常广博的学科，它不仅仅只有深度学习，还有其他不同的研究方面，这些研究方面共同努力才带来了目前人工智能技术大爆发、大发展的态势。但是也正如本文所说，深度学习技术的突破和商业化前景，为人工智能的发展带来了一个良好的机会，也只有足够多的企业投身其中，在其中获得足够的收益，才会有越来越多的企业进入人工智能的战场，开展更多的研究并推出更多的产品。从这里来看，深度学习目前的突破，虽然只是人工智能这个大灯笼上扎破了一个小眼，但随着技术不断迭代和应用不断推广，这个小眼可能会越来越大，我们总能有机会一窥人工智能的真面目，逐渐走向更强大的弱人工智能时代，总有一天会撩开强人工智能的面纱，实现真正的人造智慧。

关注读览天下微信， 100万篇深度好文， 等你来看……