物聯網的下一站是人工智能

　　2016年7月爆出了舉世震驚的軟銀234億英鎊收購ARM公司事件，軟銀首席執行官孫正義就此表示，這一收購標志著軟銀的一次“范式轉變”——投資物聯網。誠然，ARM作為壟斷了智能手機業的芯片設計公司，最近一兩年來正積極向物聯網拓展。

　　然而，ARM僅僅提供物聯網芯片的設計，即便真如Gartner所預測在2020年將有260億物聯網設備，但這也只是物聯網的物理基礎。如何對這260億物聯設備7×24源源不斷產生出來的數據進行分析、判斷和商業變現，單靠人工則遠遠不能滿足這一需求，而必須依靠自動化的算法，這就是Gartner所積極倡導的算法經濟。

　　人工智能將成主流商業競爭策略

　　為什么說人工智能將成主流商業競爭策略?這是因為在算法經濟時代，人工智能是終極算法，對終極算法的追求必將成為主流商業競爭策略。

　　在華盛頓大學教授Pedro Domingos的2015年新書《終極算法》中，有這樣論斷：“終極算法”就是通過機器學習的方式，自動發現和創造其它所有算法的“主算法”。這個所謂的“主算法”是單一的、全球通用的算法，這個“主算法”對于生物界來說是人類大腦，對于以物聯網為基礎的機器世界來說就是人工智能。

　　在過去60年間，全球最頂尖的科學家們一直在研究如何用數學的方式來模擬人類的智能。早期可證明《數學原理》的“邏輯理論家”程序讓機器具備邏輯推理能力，中期的專家系統讓機器能獲得人類的知識，再到后來旨在讓機器自主學習知識的機器學習算法，科學家們對人工智能的探索一直沒有停止。

　　進入到2016年，也是人工智能學科誕生60周年之際，基于深度學習的機器學習算法成為人工智能主流，而深度學習的核心就是多層深度神經元網絡DNN，這也是目前主流科學家能達到的最為成熟的機器智能。

　　2016年7月21日，技術解決方案提供商SoftServe發布了Big Data Snapshot 研究報告，研究顯示 62% 的大中型公司希望在未來的兩年內能將機器學習用于商業分析。這意味著商用多層深度神經元網絡DNN，即將成為各大企業追逐的主流商業競爭策略。

　　硬件進步推動人工智能商用

　　我們正在進入人工智能的商用時代。經過60年的發展，基于DNN的人工智能已經從高校和實驗室走進了企業，并從企業擴散向千家萬戶。谷歌今年剛發布的智能硬件Google Home、即將量產的阿里互聯網汽車、微軟人工智能助理Cortana等，都是基于DNN的規?；虡I應用。

　　在更為廣泛的傳統企業應用層面，一場大規模的人工智能商用化正在開始，這是基于硬件的進步，其中一個顯著的進步是GPU在人工智能商用中的崛起?！哆B線》雜志在2015年底發表了一篇名為《與Google競爭，Facebook開源了人工智能硬件》文章中談及GPU在人工智能商用時代的崛起?，F在，Facebook、Google、微軟、百度等大型互聯網公司正在轉向利用GPU完成人工智能商業應用。

　　在過去，算法模型依靠CPU計算得出，但人工智能算法的獨特性在于分布式并行計算，這并非基于串行計算的CPU所擅長。實際上針對圖形圖像處理的GPU從一開始就是大規模并行計算，這也是為什么斯坦福大學的吳恩達教授會考慮采用GPU優化人工智能算法的初衷。研究表明，12 顆 NVIDIA GPU 可以提供相當于2，000 顆 CPU 的深度學習性能。

　　盡管從長期來看，開發真正的人工智能芯片依然是全球學界與企業界共同需要完成的任務，但那仍需要很長時間的探索與實驗。從當前人工智能商業化需求來看，把GPU用于人工智能商用顯然具有極大的優勢。這就是2016年4月，NVIDIA推出基于GPU的全球首款深度學習超級計算機DGX-1的原因。

　　首款GPU深度學習超級計算機

　　首款GPU深度學習超級計算機NVIDIA DGX-1基于 NVIDIA Tesla P100 GPU，該 GPU 采用2016年最新的 NVIDIA Pascal GPU 架構。Pascal是第五代GPU架構，于兩年前的GPU技術大會(GTC)上公布，產品將于2016年上市，這就是Tesla P100 GPU。

　　作為新一代GPU架構，Pascal相比于前一代的Maxwell有較大的性能提升。根據NIVIDIA的數據，Pascal GPU 在訓練深度神經網絡的性能方面有1個數量級的提高。2015年GTC大會上，用4顆Maxwelll GPU訓練Alexnet深度神經網絡需要25小時，到了2016年GTC大會上用8顆Pascal GPU則只用2小時;對比英特爾雙路至強E5服務器訓練Alexnet網絡需要150個小時，而DGX-1只需要2個小時。