通向人工智能未来的三条赛道：量子计算 vs. 神经拟态计算 vs. 高性能计算

转载时间：2022.03.04（原文发布时间：2017.11.24）

转载作者：36氪企服点评小编

阅读次数：30次

本文来自：腾股创投（微信ID: tengguvc，BP投递：bp@tengguvc.com）原文来自 Data Science Central，由腾股创投编译整理。

有三种技术都致力于带来更快，更简单，更便宜，更智能的人工智能。高性能计算今天已经可用，量子计算机和神经拟态计算网络也即将进入商业化，后两种技术将革新 AI 和深度学习。

人工智能和深度学习存在三个问题：

时间：训练 CNN、RNN 这类深度网络需要数周时间，这还不包括定义问题和深度网络编程达到可用性能之前所需要的时间。

成本：用几百个 GPU 连续进行计算是非常昂贵的。从亚马逊的云计算服务租用 800 个GPU一个星期就会花费大约 12 万美元。这还不包括人力成本。一个人工智能项目可能需要几个月或一年以上的高级人才成本。

数据：在很多情况下，没有足够数量标记数据项目很难成功。有很多好的点子存在，但训练数据的价格太高。

在商业上取得了很大的进步的领域，主要涉及图像处理、文字或语音识别，这些创业公司很多都利用了 Google，IBM，微软等公司优秀的图像和语音模型 API。

人工智能的三条赛道

如果你关注这个领域，你会发现我们已经开始使用 CNN (卷积神经网络)、RNN (循环神经网络)。而超越这些应用的发展才刚刚出现，下一波进展将来自生成敌对网络（GANs）和强化学习（Reinforcement Learning），以及 Watson 这样的问答机器（QAMs）。

通向人工智能未来的三条赛道：量子计算 vs. 神经拟态计算 vs. 高性能计算

这是我们如何推动人工智能最常见的看法。使用越来越复杂的深层神经网络，与现在常见的 CNN 和 RNN 不同的体系结构，运行速度更快。

实际上未来可能完全不同。我们看到的是基于完全不同技术的人工智能未来的三方竞赛。分别是：

1、高性能计算（HPC）

2、神经拟态计算（NC）

3、量子计算（QC）

其中，高性能计算是当今主要的关注焦点。芯片制造商和谷歌等厂商之间正在展开竞争，都在加速开发深度学习的芯片。神经拟态计算（脉冲神经网络）和量子计算似乎还需要几年时间的发展。而事实上，已经有神经拟态芯片和量子计算机投入到机器学习的商用中。

无论冷热，这两种新技术都将直接颠覆人工智能的路径，这是一件好事。

高性能计算

目前最受关注的是高性能计算。高性能计算让现有的深度神经网络结构更快，更容易访问。

基本上这意味着两件事情：更好的通用环境，如 TensorFlow，在更大的数据中心中更好地使用 GPU 和 FPGA，以及更多专用芯片的出现。

AI 的新商业模式是“开源”。在 2016 年上半年，基本上所有 AI 的主要玩家都将他们的 AI 平台开源。他们在数据中心，云服务和人工智能知识产权方面投入巨资相互竞争。开源背后的策略很简单，平台用户最多者获胜。

尽管英特尔，英伟达和其他传统芯片制造商纷纷满足 GPU 的新需求，谷歌和微软这样的巨头正在通过开发专有芯片，使自己的深度学习平台更快，更具吸引力。

TensorFlow 作为谷歌功能强大的通用解决方案，最新发布的专有芯片 TPU，TensorFlow 与相结合，以取得更好的成绩。

微软一直在兜售使用非专有的 FPGA，并发布了认知工具包（CNTK）的 2.0 版本。 CNTK 提供了一个 Java API，可直接与 Spark 进行集成。它支持 Keras 的代码，使用户可以轻松地从谷歌迁移。据报道 CNTK 比 TensorFlow 更快，更准确，并提供 Python API。

整合 Spark 将继续保持重要的驱动因素。雅虎已经把 TensorFlow 带到了 Spark。 Spark 的主要商业供应商 Databricks 已经推出了开源软件包，可以将深度学习与 Spark 结合起来。

这里的关键驱动因素至少解决了三个障碍中的两个。这些改进使编程更快，更容易，以获得更可靠的良好结果，尤其是更快的芯片使机器的计算时间更短。