硬件又回來了！

關于人工智能的炒作都是關于算法的。在機器學習領域處于領先地位的谷歌公司Deep Mind最近發表了一篇文章，其中描述了AlphaGo Zero如何從零開始成為一個圍棋大師，其利用強化學習算法的先進技術，擊敗了之前的所有版本。

然而，盡管企業和組織為引進算法設計和數據科學領域的頂尖人才而相互競爭，但真正的新聞并不是來自于比特世界，而是來自于電線、硅和電子行業：硬件又回來了！

摩爾定律的扁平化

首先，一個快速的歷史旅程：1958年，第一個集成電路包含了2個晶體管，體積相當大，覆蓋一平方厘米。到1971年，“摩爾定律”在集成芯片性能的指數級增長中變得明顯；2300個晶體管在同一表面上，與以前一樣。到2014年，IBM P8處理器擁有多達42億個晶體管和16個核心，所有這些覆蓋在650平方毫米。

在給定的硅片上，你能裝多少個晶體管是有一個自然的限制的，而且我們很快就會達到這個極限。

此外，機器學習應用，尤其是在模式識別（如理解語音、圖像等方面）需要大量的并行處理。當谷歌宣布其算法能夠識別貓的圖像時，他們沒有提到的是，它的軟件需要16000個處理器才能運行。

如果你可以在云計算的服務器上運行你的算法，這不是什么大問題，但如果你必須在一個移動設備上運行這些算法呢？這正日益成為一個重要的行業需求。在終端上運行先進的機器學習算法給用戶帶來了巨大的優勢，同時也解決了許多數據隱私問題。

想象一下，如果Siri不需要做云計算，就能夠處理智能手機硬件上的所有數據和算法。但是，如果你發現智能手機在幾分鐘通話或玩 Minecraft后變得太熱，你就等著用手機來讓Siri變得真正個性化。

解決瓶頸問題

設備變熱的原因，以及我們當前計算機硬件設計的主要問題，是所謂的“馮諾依曼瓶頸”：經典的計算機架構將數據處理與數據存儲分離開來，這意味著數據需要在計算過程中從一個地方轉移到另一個地方。并行度通過分解計算和分布處理來解決部分問題，但你仍然需要在最后移動數據，將所有的數據都轉換成期望的輸出。

那么，如果有一種方法可以完全消除硬件瓶頸呢？如果處理和數據在同一個地方，無需移動，也不會產生熱量或消耗那么多的能量，那會怎樣呢？畢竟，我們的大腦就是這樣工作的：我們沒有像計算機那樣處理數據和存儲數據的獨立區域，所有的事情都發生在我們的神經元上。

我們的大腦功能在人工智能研究中并不新鮮，我們已經在利用神經網絡進行深度學習了。我們通過機器學習算法和并行處理來模擬神經元的功能。但是，如果我們的計算機不像我們的大腦那樣運行，那該怎么辦呢？

自20世紀70年代以來，人們就已經設想出這樣一種方式：將大腦功能映射到硬件上，換句話說，就是用硬件直接“繪制”大腦的結構。這種方法被稱為“神經形態計算”，目前終于開始走向商業化。英特爾和高通等公司最近宣布，其將推出用于商業用途的神經形態芯片（neuromorphic chips）。

神經形態芯片可以用于AI應用的終端，這的確是一個非常令人興奮的消息。不過，它們也有可能將機器智能提升到一個全新的水平。通過使用電子硬件而不是軟件來發展機器認知，我們或許能夠實現通用人工智能的夢想，并創造出真正的智能系統。

量子：計算大爆炸

但是，計算真正的大爆炸并非來自于神經形態芯片（盡管有巨大的潛力，最終可能只會有小眾應用），而是來自于量子物理學的應用。隨著對快速計算的需求增加，我們解決真正困難問題的雄心也在增加。如果我們能計算出排列一系列分子的最佳方式來開發治療癌癥的方法呢？這個問題實際上是針對減少所有癌癥的研究，目前是由試錯法進行的。

經典計算無法解決這樣的問題：在經過幾次迭代之后，參數的組合就會爆炸。量子計算有可能同時計算所有可能的組合，并在幾秒鐘內得出正確答案。有許多類似的優化問題可以用量子計算解決。比如在復雜的業務中優化資源配置，或者在經濟中做出能夠支持最佳策略的預測，或者在密碼學中分解數字。

量子計算機正在快速發展：我們現在處于50量子位的水平。讓我們把這個數字寫進預先考慮的范圍。一臺32位的量子計算機可以處理40億個系數和265 GB的信息——你可能會說，這并不令人印象深刻，因為你可以在幾秒鐘內在一臺筆記本電腦上運行類似的程序。但一旦我們達到了64位的量子計算機極限，故事就會發生巨大的變化。這樣的計算機可以同時計算出互聯網上所有的信息，即74“艾字節”（十億GB）——這將需要數年時間才能在當前的超級計算機上完成。我們已經非常接近了！

然而，一旦我們開發出了256位量子計算機，真正的游戲規則將會改變。這樣的計算機將能夠計算出宇宙中所有原子的數量，量子計算是宇宙計算，它對人類文明的影響可能是巨大而深遠的。