AI重大突破關鍵在於硬體設計
http://bit.ly/2OKY25O
未來幫助AI實踐下一個重大突破的並非是演算法而是硬體設計。英偉達（Nvidia）首席科
學家也認為當前的深度學習革命已經通過硬體實現。
現今使用的許多演算法自20世紀80年代以來都一直存在，可是到21世紀初，開始使用大量
標籤數據來訓練神經網路之後才正式突破現狀。例如：到2010年初，深度學習革命的真正
起飛是採用繪圖處理器之後。因此，唯有繼續提供功能更強大的硬體，否則人工智慧的進
展將會放慢。
目前英偉達正在探索三條主要前進的道路：開發更特殊用途的晶片；減少深度學習期間所
需的運算；嘗試使用類比而非數位晶片架構。
英偉達就發現專為特定運算任務設計的高度專業化晶片可以勝過擅長處理許多不同類型運
算的GPU晶片。在相同性能下，這種晶片效率比GPU還要高20%。
其次，英偉達正在測試一項研究，在不犧牲深度學習模型的準確性情況下，降低訓練期間
必須執行的運算次數。研究人員發現約可跳過大約90%的運算，同時保持相同的學習準確
性。這意味著可以使用更小的晶片架構進行相同的學習任務。
最後，英偉達正在嘗試類比運算。電腦將幾乎所有資訊儲存為一系列的0或1。但是類必運
算將允許直接編碼各種數值，這變得更有效率，但是其團隊目前仍不確定如何將類比放入
未來的晶片設計之中。
英特爾也提出AI硬體重要性正不斷在AI領域中提高地位。隨著愈來愈多智慧裝置能夠連結
上網，透過將數據發送到雲端以便通過深度學習模型進行處理的模式並非是最適合的方式
。相反的，在裝置本身上運行一個小型，高效率的深度學習模型可能會更有意義。這種被
稱為“邊緣人工智慧”的想法將變得更有效率，因此其能夠從專屬且固定晶片架構中受益
。另一方面，支持透過雲端處理的AI之數據中心，能夠在完全靈活的可編程晶片架構上處
理更廣泛的學習任務。
總之，無論英特爾和英偉達決定採用何種晶片設計，對人工智慧發展的影響都將是巨大的
。縱觀歷史，個別文明因其獨特的材料而以不同的方式發展。同樣，英特爾和英偉達通過
不同的晶片設計而使操作更容易，這將極大地影響AI所追求的學習任務類型。