人工智能技术的未来分析，硬件基础仍是关键点

【产业链图谱 | 人工智能产业链图谱_人工智能产业链全景图】

【研究报告 | 人工智能行业研究报告】

　　人工智能在近几年的发展引发了科技界新的发展趋向，众多企业纷纷投入到人工智能的研究中，人工智能技术可以改变很多行业的现有运转方式，但是对人工智能的讨论也需要落在实地上，今天从人工智能的硬件基础讨论人工智能的行业发展。

　　以DeepMind的发展为例，DeepMind推出的数字AI系统能够处理二进制世界的链接和点击共享等问题，在当前市场得到应用。同时，DeepMind还懂得分析用户心理，通过培养技术的神秘性进行技术推销。但是技术最后的硬件需求大家了解的很少。

　　从科技发展的历史来看，在RFC(Request For Comments)被发布之后，互联网的协议逐渐分散。虽然定义协议是分散的，但使用这些协议的核心平台仍然是专有的并且是封闭的。而思科1990年的首次公开募股开启了不可思议的Web时代。由于主要的网络供应商都有自己的硬件，所以虽然局外人可以为协议规范做出贡献，但只有网络公司的开发人员才能将这些协议添加到他们的平台。思科创建了各种公司，然后经历各种收购或合并，直至互联网泡沫破灭。这之后的操作系统、桌面应用程序也都经历了类似的战斗。无论是20世纪90年代的Netscape和IE，还是今天的Chrome、IE和Firefox，浏览器一直是令人垂涎的应用程序，因为它是网络的前端。

　　技术的发展最后真正仍然要突破硬件技术的瓶颈。

　　首先，是摩尔定律的扁平化。1958年，第一个集成电路包含了2个晶体管，体积相当大，覆盖一平方厘米。到1971年，“摩尔定律”在集成芯片性能的指数级增长中变得明显;2300个晶体管在同一表面上，与以前一样。到2014年，IBM P8处理器拥有多达42亿个晶体管和16个核心，所有这些覆盖在650平方毫米。在给定的硅片上，你能装多少个晶体管是有一个自然的限制的，而且我们很快就会达到这个极限。

　　此外是，机器学习应用，尤其是在语音和图像识别中的并行问题。我们看到谷歌对图像进行识别时候，并不知道它的运算需要1600个处理器进行技术处理，这也就代表了我们不能在移动设备运行这些算法，如果我们想要运行这些算法，需要依赖云的计算能力。而终端计算带来的用户体验和数据安全性是云计算不能给予的。所以需要对机器学习的算法使用范围进行适当的优化，才能提升用户的用户体验，促进人工智能的未来发展。

　　设备变热的原因，以及我们当前计算机硬件设计的主要问题，是所谓的“冯诺依曼瓶颈”：经典的计算机架构将数据处理与数据存储分离开来，这意味着数据需要在计算过程中从一个地方转移到另一个地方。并行度通过分解计算和分布处理来解决部分问题，但你仍然需要在最后移动数据，将所有的数据都转换成期望的输出。那么，如果有一种方法可以完全消除硬件瓶颈呢?如果处理和数据在同一个地方，无需移动，也不会产生热量或消耗那么多的能量，那会怎样呢?毕竟，我们的大脑就是这样工作的：我们没有像计算机那样处理数据和存储数据的独立区域，所有的事情都发生在我们的神经元上。

　　在二十世纪九十年代，人工智能就已经出现在了大家的视野中，现在人工智能已经经过了三十年发展，现在人工智能已经被赋予了“第四次工业革命”的重任，在各行各业都被列为重要的投资方向，掌握好技术的硬件需求，才能在未来的竞争中实现持续的突破。