33
?
從 2016 年的人“狗”圍棋之戰(zhàn)到《西部世界》，再到智能音箱，人工智能不再是科幻里的觸不可及，而是在身邊逐漸落地的真實。“如果一臺機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那么稱這臺機器具有智能。”是的，圖靈設想的人工智能來了。
近期，一張來自《紐約客》雜志的封面毫無征兆地在朋友圈里刷了屏。人類坐地行乞，機器人則扮演了施予者的角色，意指明顯——在未來社會，人類的工作機會被不斷進化的機器人剝奪，從而淪為了流落街頭的弱者。
?
再來看一份最可能被 AI 取代的 20 大崗位吧：
其實，這是一個老生常談的話題，當機器人概念走紅的時候，人類被取代的話題就已經被熱議，“AI 志向”不是單純的模仿人類，而是超越人類，因此催生“無用階層”是需要我們正面面對的問題，當然也會創(chuàng)造新的崗位。有人說，人工智能被認為是引領第四次工業(yè)革命的先鋒，也有人說，AlphaGo 是引發(fā)第五次工業(yè)革命的標志性機器。
?
作為小編的我，看到一份來自調研機構的預測，記者也在高危失業(yè)人群中，頓時心塞了，趁著失業(yè)前在本期《發(fā)現(xiàn) AI》中好好和大家扒一扒“人工智能”。
現(xiàn)在張口不帶“人工智能”、“AI”都感覺自己跟不上時代。那么問題來了，人工智能有哪些類型呢？
人工智能的類型
弱人工智能：特定場景下角色型的任務，如擅長于聊天的 Siri、擅長下棋的 AlphaGo；
通用人工智能：包含人類水平的任務，可以替代大部分人類工作，涉及機器的持續(xù)學習；
強人工智能：比人類更聰明的機器。
從弱到強，需要一個過程，那么就來看看人工智能的發(fā)展史吧。
?
?
?
人工智能發(fā)展史
人工智能的孕育期
1950 年，圖靈測試誕生，圖靈還預言在未來人類有創(chuàng)造出具有真正智能的機器的可能性。以圖靈為代表的科學家為 AI 提供了理論基礎和使用工具。
人工智能的早期發(fā)展（1956~1979）
1956 年的夏天，在美國舉行的達特矛斯學術會議，以馮·諾依曼、圖靈為首的科學家試圖通過符號化編程實現(xiàn)人工智能。之后的十幾年是 AI 的第一個黃金期，一臺叫做“STUDENT”的機器于 1964 年解除了應用題，一臺叫做“ELIZA”的機器于 1966 年實現(xiàn)了簡單的人機對話。
?
人工智能的中期發(fā)展（1980~1990）
人工智能的中期推動者還要從日本說起，日本經濟產業(yè)省撥款八億五千萬美元用以研發(fā)第五代計算機項目，而這個計算機就是可以與人對話、進行翻譯、進行推理的 AI 計算機。隨后英國、美國也開始向信息技術領域投入大量資金。
在這次的資金熱潮下，AI 程序“專家系統(tǒng)”問世，它是一個存儲加推理的能手，不過在經過七年的“輝煌期”之后被 1987 年蘋果和 IBM 生產的臺式機打敗了。
?
人工智能的熱潮期（1990 年后）
這一階段的情況就不多介紹了，我們正在感受人工智能新一輪的爆發(fā)。人工智能已成為創(chuàng)業(yè)和投資的熱點。
關于 AI 簡史我們就不再用太多篇幅來介紹了，與非小編已經按照大事件對此進行了梳理，可以查看《AI 技術簡史：從理論到應用的質變》。
?
人工智能如何為人所用？
“深度學習”是當前我們所聽到的與人工智能相關最常用的一個詞，這源于：當前人工智能主流應用還是基于深度學習神經網絡。從針對特定任務的標記數(shù)據(jù)中學習，而訓練過程需要消耗大量人類標注樣本。
天風海外何翩翩認為在很多現(xiàn)實場景下，特定垂直領域的數(shù)據(jù)并不足以支持系統(tǒng)建構，那么嘗試解決對人類標注樣本的依賴的強化學習很有機會成為下一個機器學習商業(yè)成功的驅動力。
下面透過幾張圖，來深度看一下 AI：
?
?
?
如果用一句話總結 AI 如何為人所用，那就是它正在變革它能觸及到的各行各業(yè)，從醫(yī)療保健到零售，廣告，金融，交通，教育，農業(yè)等等。如今，快速發(fā)展的 AI 技術主要由大型企業(yè)通過機器學習和預測分析來使用。下面舉幾個簡單的例子：
1. 安全認證與風險管理
數(shù)據(jù)、數(shù)據(jù)處理能力和商業(yè)變現(xiàn)場景是金融領域計算機面臨的三大要素，而人工智能恰恰能很好的因對這三大元素帶來的挑戰(zhàn)?；蛟S金融行業(yè)是最適合 AI 施展“才華”的領域。如今，花旗等銀行開始利用人工智能為客戶定制服務，開發(fā)理財產品；對于信息安全、投資風控等，人工智能也逐漸被應用。
2. 自動駕駛
對于 AI 與汽車電子的結合，被認為天作之合的無疑是“自動駕駛”。
3. 醫(yī)療及生命科學
Arterys 使用深度學習來加快醫(yī)學圖像分析，這項技術應用于 GE Healthcare MRI 機器上，協(xié)助進行心臟疾病的診斷；Enlitic 運用深度學習來分析醫(yī)學圖像，以找出腫瘤、近乎看不到的破裂處和其他疾病。有了 AI 后，放射科醫(yī)生將更加高效的工作，將精力集中在困難病例上。
4. 零售行業(yè)
個性化推薦提高在線銷售銷量、精準的市 場預測將降低庫存成 本，人工智能技術將帶來 4200 億人民幣的本與增益價值。
在日漸智能的算法下，機器可以學習、說話、做出明智的決策，并以一種越來越有效的方式執(zhí)行復雜的任務?？吹?AI 可創(chuàng)造的價值，就不難理解為何企業(yè)蜂擁而至了：
那么，現(xiàn)在就不難回答誰在推動 AI 的發(fā)展這個問題了，快速增長背后不僅僅是科技巨頭在引領了這場競賽，更是技術、資本、企業(yè)。
?
?
AI 基礎層生態(tài)解讀
人工智能是一個大話題，由基礎層、技術層、應用層組成?；A層主要是計算平臺和數(shù)據(jù)中心，屬于計算智能；技術層通過機器學習建模，開發(fā)面向不同領域的算法和技術，包括感知智能和認知智能；應用層主要實現(xiàn)人工智能在不同場景下的應用。
我國與美國是 AI 浪潮中最強勁的兩股勢力。美國 AI 公司多聚焦于應用層，對于技術層和基礎層企業(yè)，實力強且企業(yè)相對集中。與此相比，應用層實力接近，在基礎和技術層有差距，尤其是基礎層的實力較弱。美國有英偉達 GPU、英特爾 CPU 與 FPGA、賽靈思 FPGA、谷歌 TPU，我國有寒武紀與深鑒，但從產業(yè)規(guī)模來看，差距還較大。
下面我們就透過 AI 背后的 AI 芯實力。
?
神經網絡的兩個主要階段是訓練和推理。在深度學習上游訓練端，GPU 毫無懸念是第一選擇，ASIC 包括谷歌 TPU、寒武紀 NPU 也如雨后春筍為市場提供更多可能與選擇；下游推理端更接近終端應用，需求更加細分，GPU 主流芯片之外，包括 CPU/FPGA/ASIC 也會在這個領域發(fā)揮各自的優(yōu)勢特點。那么就從訓練端與推理端分別看看其特色：
訓練端
GPU：多維計算及大規(guī)模并行計算架構，可實現(xiàn)通用、靈活、強大的特點，廣泛契合當前 AI 監(jiān)督深度學習以及生成式對抗網絡(GAN)/ 強化學習所需要的密集數(shù)據(jù)和多維并算處理需求，在 3-5 年內 GPU 仍然是深度學習市場的第一選擇。這個市場英偉達有著至高無上的話語權，而同樣擁有 GPU 產品的 AMD 卻只能看著眼饞，如今英特爾有望涉足此領域，不知道未來是何種局面。
ASIC：以谷歌 TPU 為代表，針對特定框架進行深度優(yōu)化定制，但開發(fā)周期長，通用性較低。比特幣價格瘋長刺激挖礦機的不斷升級，如今很多挖礦機從 GPU 轉向了 ASIC 專用礦機。
CPU：通用性強，但難以適應于人工智能時代大數(shù)據(jù)并行計算工作。
推理端
GPU：英偉達 Volta GPU 也開始布局推理端，并且也將成為主導。英偉達依靠 Volta 構架升級以及廣泛成熟的開發(fā)生態(tài)環(huán)境，自上而下的對訓練、推理兼顧，擴張版圖。以 2016 年為例，全年服務器市場出貨量約在 1110 萬臺，在只有 7%用于人工智能 workload，其中約 3.4%配置 GPU，總量僅 2.6 萬臺。所以全球新增服務器中 GPU 的滲透率僅為 0.24%，據(jù)天風海外預測 2020 年前全球服務器 GPU 滲透率將達 4 倍以上增長。
ASIC：下游推理端更接近終端應用，需求更加細分，英偉達 DLA、寒武紀 NPU 等將依靠特定優(yōu)化和效能優(yōu)勢，在此領域獲得一定市場份額。
?
FPGA：依靠電路級別的通用性，加上可編程性，適用于開發(fā)周期較短的 IoT 產品、傳感器數(shù)據(jù)預處理工作以及小型開發(fā)試錯升級迭代階段等。FPGA 廠商寥寥無幾，包括 Xilinx、Altera（英特爾）、Lattice 及 Microsemi。
?
?
GPU 主流趨勢下，ASIC 也將割據(jù)一地
都是通用芯片，為何 GPU 成為 AI 最強“收割機”
先要強調一點，機器學習得以普及的一個重要原因就是是計算能力的提升和 GPU 的出現(xiàn)。
由于 GPU 在執(zhí)行復雜的多維計算和幾何計算中十分有效，因此被廣泛地運用在圖像和圖形處理中。但 GPU 只作為圖形處理芯片還真的有點屈才，其并行特性大數(shù)據(jù)等多任務處理中表現(xiàn)突出，因此成為 AI 浪潮中的“收割者”。
都是通用芯片，GPU 比 CPU 擁有更多的運算器。在處理龐大的數(shù)據(jù)中，GPU 可以做得更高效。一個 CPU 核可以同時執(zhí)行 4 項 32 位指令（用 CPU 中的 128 位 SSE 指令集）或者通過 256 位高級矢量擴展指令集(AVX)執(zhí)行 8 個指令集。但 GPU 如 AMD 的 Radeon HD 5970，則可以執(zhí)行 3200 個 32 位的指令（通過其 3200 個運算器）。二者之間的運算效率的差距達到 800 倍（如果使用 AVX 則是 400 倍）之多。GPU 的高運算性能讓它能夠應用在科學計算、密碼破解、數(shù)值分析、海量數(shù)據(jù)處理等方面。
2012 年，英偉達與谷歌的人工智能團隊合作，建造最大的人工神經網絡，并首次將人工智能用于分析 YouTube 的視頻內容。2016 年 4 月，英偉達發(fā)布 Pascal 架構 GPU Tesla P100。黃仁勛表示，該款 GPU 較之以往產品可以讓深度學習神經網絡的處理速度提高 12 倍。
谷歌 TPU
谷歌設計了一款為人工智能運算定制的硬件設備，張量處理單元 TPU 芯片。
TPU 的主要特點是：
1. 從硬件層面適配 TensorFlow 深度學習系統(tǒng)，是一款定制的 ASIC 芯片，谷歌將 TPU 插放入其數(shù)據(jù)中心機柜的硬盤驅動器插槽里來使用；
2. 數(shù)據(jù)的本地化，減少了從存儲器中讀取指令與數(shù)據(jù)耗費的大量時間；
3. 芯片針對機器學習專門優(yōu)化，尤其對低運算精度的容忍度較高，這就使得每次運算所動用的晶體管數(shù)量更少，在同時間內通過芯片完成的運算操作也會更多。研究人員就可以使用更為強大的機器學習模型來完成快速計算。
值得注意的是 TPU 雖然理論上支持所有深度學習開發(fā)框架，但目前只針對 TensorFlow 進行了深度優(yōu)化。而英偉達 GPU 支持包括 TensorFlow、Caffe 等在內所有主流 AI 框架。
谷歌曾在論文中將 TPU 與英特爾、英偉達產品進行對比：
1. ?針對自身產品的人工智能負載，推理階段，TPU 處理速度比 CPU 和 GPU 快 15-30 倍；
2. TPU 的功耗效率（TOPS/Watt，萬億次運算 / 瓦特）也較傳統(tǒng)芯片提升了 30-80 倍；
3. 基于 TPU 和 TensorFlow 框架的神經網絡應用代碼僅需 100-1500 行。
TPU 的設計思路比 GPU 更接近一個浮點運算單元，是一個直接連接到服務器主板的簡單矩陣乘法協(xié)處理器。TPU 上的 DRAM 是作為一個獨立的并行單元，TPU 類似 CPU、GPU 一樣是可編程的，并不針對某一特定神經網絡設計的，而能在包括 CNN、LSTM 和大規(guī)模全連接網絡上都執(zhí)行 CISC 指令。
作為與非網新的原創(chuàng)欄目《AI 發(fā)現(xiàn)》的第一期，我們就做了一個綜述，下期我們將重點講推動 AI 發(fā)展的巨頭們。
與非網原創(chuàng)內容，未經許可，不得轉載！
