詳解人工智能芯片 CPU/GPU/FPGA有何差異？

　　在深度學習的領域里，最重要的是數據和運算。誰的數據更多，誰的運算更快，誰就會占據優勢。因此，在處理器的選擇上，可以用于通用基礎計算且運算速率更快的GPU迅速成為人工智能計算的主流芯片。可以說，在過去的幾年，尤其是2015年以來，人工智能大爆發就是由于英偉達公司的GPU得到廣泛應用……

　　一、人工智能與深度學習

　　2016年，AlphaGo與李世石九段的圍棋對決無疑掀起了全世界對人工智能領域的新一輪關注。在與李世石對戰的5個月之前，AlphaGo因擊敗歐洲圍棋冠軍樊麾二段，圍棋等級分上升至3168分，而當時排名世界第二的李世石是3532分。按照這個等級分數對弈，AlphaGo每盤的勝算只有約11%，而結果是3個月之后它在與李世石對戰中以4比1大勝。AlphaGo的學習能力之快，讓人惶恐。

　　1.人工智能：讓機器像人一樣思考

　　自AlphaGo之后，“人工智能”成為2016年的熱詞，但早在1956年，幾個計算機科學家就在達特茅斯會議上首次提出了此概念。他們夢想著用當時剛剛出現的計算機來構造復雜的、擁有與人類智慧同樣本質特性的機器，也就是我們今日所說的“強人工智能”。這個無所不能的機器，它有著我們所有的感知、所有的理性，甚至可以像我們一樣思考。

　　人們在電影里也總是看到這樣的機器：友好的，像星球大戰中的C-3PO;邪惡的，如終結者。強人工智能目前還只存在于電影和科幻小說中，原因不難理解，我們還沒法實現它們，至少目前還不行。

　　我們目前能實現的，一般被稱為“弱人工智能”。弱人工智能是能夠與人一樣，甚至比人更好地執行特定任務的技術。例如，Pinterest上的圖像分類，或者Facebook的人臉識別。這些人工智能技術實現的方法就是“機器學習”。

　　2.機器學習：使人工智能真實發生

　　人工智能的核心就是通過不斷地機器學習，而讓自己變得更加智能。機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

　　機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。以識別停止標志牌為例：人們需要手工編寫形狀檢測程序來判斷檢測對象是不是有八條邊;寫分類器來識別字母“S-T-O-P”。使用以上這些手工編寫的分類器與邊緣檢測濾波器，人們總算可以開發算法來識別標志牌從哪里開始、到哪里結束，從而感知圖像，判斷圖像是不是一個停止標志牌。

　　這個結果還算不錯，但并不是那種能讓人為之一振的成功。特別是遇到霧霾天，標志牌變得不是那么清晰可見，又或者被樹遮擋一部分，算法就難以成功了。這就是為什么很長一段時間，計算機視覺的性能一直無法接近到人的能力。它太僵化，太容易受環境條件的干擾。

　　3.人工神經網絡：賦予機器學習以深度

　　人工神經網絡是早期機器學習中的一個重要的算法，歷經數十年風風雨雨。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離內的任意神經元不同，人工神經網絡具有離散的層，每一次只連接符合數據傳播方向的其它層。

　　例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最后一層，然后生成結果。

　　每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。

　　我們仍以停止標志牌為例：將一個停止標志牌圖像的所有元素都打碎，然后用神經元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經網絡的任務就是給出結論，它到底是不是一個停止標志牌。神經網絡會根據所有權重，給出一個經過深思熟慮的猜測——“概率向量”。

　　這個例子里，系統可能會給出這樣的結果：86%可能是一個停止標志牌;7%的可能是一個限速標志牌;5%的可能是一個風箏掛在樹上等等。然后網絡結構告知神經網絡，它的結論是否正確。

　　即使是這個例子，也算是比較超前了。直到前不久，神經網絡也還是為人工智能圈所淡忘。其實在人工智能出現的早期，神經網絡就已經存在了，但神經網絡對于“智能”的貢獻微乎其微。主要問題是，即使是最基本的神經網絡，也需要大量的運算，而這種運算需求難以得到滿足。

　　4.深度學習：剔除神經網絡之誤差

　　深度學習由人工神經網絡衍生而來，是一種需要訓練的具有大型神經網絡的多隱層層次結構，其每層相當于一個可以解決問題不同方面的機器學習。利用這種深層非線性的網絡結構，深度學習可以實現復雜函數的逼近，將表征輸入數據分布式表示，繼而展現強大的從少數樣本集中學習數據集本質特征的能力，并使概率向量更加收斂。

　　簡單來說，深度學習神經網絡對數據的處理方式和學習方式與人類大腦的神經元更加相似，比傳統的神經網絡更準確。

　　我們回過頭來看這個停止標志識別的例子：深度學習神經網絡從成百上千甚至幾百萬張停止標志圖像中提取表征數據，通過重復訓練將神經元輸入的權重調制得更加精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。只有這個時候，我們才可以說神經網絡成功地自學習到一個停止標志的樣子。

　　Google的AlphaGo也是先學會了如何下圍棋，然后通過不斷地與自己下棋，訓練自己的神經網絡，這種訓練使得AlphaGo成功在三個月后擊敗了等級分數更高的李世石。

　　二、深度學習的實現

　　深度學習仿若機器學習最頂端的鉆石，賦予人工智能更璀璨的未來。其摧枯拉朽般地實現了各種我們曾經想都不敢想的任務，使得幾乎所有的機器輔助功能都變為可能。更好的電影推薦、智能穿戴，甚至無人駕駛汽車、預防性醫療保健，都近在眼前，或者即將實現。人工智能就在現在，就在明天。你的C-3PO我拿走了，你有你的終結者就好。

　　但是正如前面提到的，人工神經網絡，即深度學習的前身，已經存在了近三十年，但直到最近的5到10年才再次興起，這又是因為什么?

　　1.突破局限的學習算法

　　20世紀90年代，包括支撐向量機(SVM)與最大熵方法(LR)在內的眾多淺層機器學習算法相繼提出，使得基于反向傳播算法(BP)的人工神經網絡因難以彌補的劣勢漸漸淡出人們的視線。直到 2006年，加拿大多倫多大學教授、機器學習領域的泰斗 Geoffrey Hinton 和他的學生在《科學》上發表了一篇文章，解決了反向傳播算法存在的過擬合與難訓練的問題，從而開啟了深度學習在學術界和工業界的浪潮。

　　深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。因此，“深度模型”是手段，“特征學習”是目的。區別于傳統的淺層學習，深度學習的不同在于：

　　·強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點;

　　·明確突出了特征學習的重要性，也就是說，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預測更加容易。

　　這種算法的差別提升了對訓練數據量和并行計算能力的需求，而在當時，移動設備尚未普及，這使得非結構化數據的采集并不是那么容易。