正如20年前多媒体应用于及3D游戏蓬勃发展倒逼显示卡硬件升级一样，互联网大数据的蓬勃发展对超算芯片明确提出了新的市场需求。 事实上，AI界的泰斗，加拿大多伦多大学的Hiton教授早在2006年就明确提出了深度自学的概念，浅层自学算法堪称早于在上世纪80年代就为学术界所普遍接纳。
之所以最近几年该领域应用于才渐渐加剧，是因为AI的发展必不可少两方面的反对，大数据和计算资源。 一、从深蓝到AlphaGO，人工智能走到二十年 距离1996年深蓝大战卡斯帕罗夫整整20年后，AlphaGO再度通过人机对战的形式为人工智能的发展历史添上了浓厚一笔。车站在2020-03-30 ，我们可以大笑言那曾多次令人瞠目结舌的深蓝实质上只是一个运营于超级计算机上的一个有趣的国际象棋程序，而为了承托这个程序，IBM团队打造出了一台重1.2吨、配有480颗国际象棋专用芯片的庞然大物。
不同于深蓝依赖极强运算能力所采行的迭代搜寻策略，AlphaGO的设计中带入了近年来获得明显进展的深度自学算法。深度自学之所以被称作深度，是比较前向误差对系统神经网络、反对向量机等浅层自学算法而言。后者的局限性在于受限样本和计算出来单元情况下，对简单函数的回应能力受限，且必须依赖人工经验提取样本特征。深度自学算法则通过建构一种深层非线性网络结构来构建简单函数迫近及自动特征提取，具备强劲的从少数样本集中于挖出数据统计资料规律的能力。
在基于深度自学方法的人脸识别领域，2014年，Facebook公司的DeepFace项目以及香港中文大学的DeepID项目在户外人脸识别数据库上的辨识正确率分别超过97.45%和97.35%，完全可以媲美人类97.5%的识别率。此外，在图像分类、大自然语音辨识等领域，深度自学也已证明了其无可比拟的优势，特别是在现存最简单的几乎信息博弈论之一的棋士上的顺利，解释该算法还大有潜力可挖。 关于AlphaGO还有个不为人知的小插曲。
在对战李世石之前，AlphaGO曾于2016年1月以5：0的占优势比数战胜欧洲棋士冠军樊麾二段。旁观的李世石在比赛完结后回应有信心保卫人类在棋类运动上最后的荣誉。然而短短的一个月时间内，Google将AlphaGO的核心运算单元从CPUGPU替换成了专门的深度自学芯片。
于是，我们看见了石佛失望的笑容和颤抖的手指。 二、瓦解硬件反对，深度自学不能是屠龙之技 事实上，AI界的泰斗，加拿大多伦多大学的Hiton教授早在2006年就明确提出了深度自学的概念，浅层自学算法堪称早于在上世纪80年代就为学术界所普遍接纳。之所以最近几年该领域应用于才渐渐加剧，是因为AI的发展必不可少两方面的反对，大数据和计算资源。
深度自学模型必须通过大量的数据训练才能获得理想的效果。以语音辨识问题为事例，仅有在其声学建模部分，算法就面对着十亿到千亿级别的训练样本。在这种情况下，只有表达能力强劲的数学模型才需要充份考古海量数据中蕴含的非常丰富信息。
适当地，海量数据的运算处置也必需有强劲的计算资源作为承托。 荐个从不滑稽的例子，2020-03-30 的计算机一个中小型网络的训练必须一天时间，有可能用于20年前的计算机必须近20年才能已完成。因此，即便深度自学算法早20年问世，没硬件给定也不能是屠龙之技。
而即便是2020-03-30 ，AI涉及硬件的发展仍远领先于软件算法。一方面，AI界的算法大牛实在太多，追赶摩尔定律数十年来笔耕不辍地升级着软件；另一方面，当前继续执行深度自学算法的主流方式是使用GPU芯片，为深度自学算法专门自定义的芯片还近没构成规模。虽然从架构上看，GPU比起CPU更加有效率，但是离拟合还相距甚远。
而且GPU功耗难以置信，很难委身于移动终端，更加遑论物联网应用于。
本文来源：678体育-www.nextbestmodels.com