來源：行業(yè)報告研究院

一,、人工智能與深度學(xué)習(xí)

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(lǐng)域的新一輪關(guān)注,。在與李世石對戰(zhàn)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(dāng)時排名世界第二的李世石是3532分,。按照這個等級分?jǐn)?shù)對弈，AlphaGo每盤的勝算只有約11%,，而結(jié)果是3個月之后它在與李世石對戰(zhàn)中以4比1大勝,。AlphaGo的學(xué)習(xí)能力之快，讓人惶恐,。

1.人工智能：讓機(jī)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(jī)科學(xué)家就在達(dá)特茅斯會議上首次提出了此概念。他們夢想著用當(dāng)時剛剛出現(xiàn)的計算機(jī)來構(gòu)造復(fù)雜的,、擁有與人類智慧同樣本質(zhì)特性的機(jī)器,，也就是我們今日所說的“強(qiáng)人工智能”。這個無所不能的機(jī)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(jī)器：友好的,，像星球大戰(zhàn)中的C-3PO；邪惡的,，如終結(jié)者,。強(qiáng)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(shí)現(xiàn)它們,，至少目前還不行。

我們目前能實(shí)現(xiàn)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(zhí)行特定任務(wù)的技術(shù)。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(shù)實(shí)現(xiàn)的方法就是“機(jī)器學(xué)習(xí)”,。

2.機(jī)器學(xué)習(xí)：使人工智能真實(shí)發(fā)生

人工智能的核心就是通過不斷地機(jī)器學(xué)習(xí),，而讓自己變得更加智能。機(jī)器學(xué)習(xí)最基本的做法,，是使用算法來解析數(shù)據(jù),、從中學(xué)習(xí)，然后對真實(shí)世界中的事件做出決策和預(yù)測,。與傳統(tǒng)的為解決特定任務(wù),、硬編碼的軟件程序不同，機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”,，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù),。

機(jī)器學(xué)習(xí)最成功的應(yīng)用領(lǐng)域是計算機(jī)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(biāo)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(fā)算法來識別標(biāo)志牌從哪里開始,、到哪里結(jié)束，從而感知圖像,，判斷圖像是不是一個停止標(biāo)志牌,。

這個結(jié)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(biāo)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(jī)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(huán)境條件的干擾。

3.人工神經(jīng)網(wǎng)絡(luò)：賦予機(jī)器學(xué)習(xí)以深度

人工神經(jīng)網(wǎng)絡(luò)是早期機(jī)器學(xué)習(xí)中的一個重要的算法,，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨,。神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同,，人工神經(jīng)網(wǎng)絡(luò)具有離散的層,，每一次只連接符合數(shù)據(jù)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(jīng)網(wǎng)絡(luò)的第一層,。在第一層的每一個神經(jīng)元都把數(shù)據(jù)傳遞到第二層。第二層的神經(jīng)元也是完成類似的工作,，把數(shù)據(jù)傳遞到第三層,，以此類推，直到最后一層,，然后生成結(jié)果,。

每一個神經(jīng)元都為它的輸入分配權(quán)重，這個權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān),。最終的輸出由這些權(quán)重加總來決定,。

我們?nèi)砸酝Ｖ箻?biāo)志牌為例：將一個停止標(biāo)志牌圖像的所有元素都打碎，然后用神經(jīng)元進(jìn)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(biāo)志的典型尺寸和靜止不動運(yùn)動特性等等,。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論,，它到底是不是一個停止標(biāo)志牌。神經(jīng)網(wǎng)絡(luò)會根據(jù)所有權(quán)重,，給出一個經(jīng)過深思熟慮的猜測——“概率向量”,。

這個例子里，系統(tǒng)可能會給出這樣的結(jié)果：86%可能是一個停止標(biāo)志牌,；7%的可能是一個限速標(biāo)志牌；5%的可能是一個風(fēng)箏掛在樹上等等,。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò),，它的結(jié)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(jīng)網(wǎng)絡(luò)也還是為人工智能圈所淡忘,。其實(shí)在人工智能出現(xiàn)的早期,，神經(jīng)網(wǎng)絡(luò)就已經(jīng)存在了，但神經(jīng)網(wǎng)絡(luò)對于“智能”的貢獻(xiàn)微乎其微,。主要問題是,，即使是最基本的神經(jīng)網(wǎng)絡(luò)，也需要大量的運(yùn)算,，而這種運(yùn)算需求難以得到滿足,。

4.深度學(xué)習(xí)：剔除神經(jīng)網(wǎng)絡(luò)之誤差

深度學(xué)習(xí)由人工神經(jīng)網(wǎng)絡(luò)衍生而來,，是一種需要訓(xùn)練的具有大型神經(jīng)網(wǎng)絡(luò)的多隱層層次結(jié)構(gòu)，其每層相當(dāng)于一個可以解決問題不同方面的機(jī)器學(xué)習(xí),。利用這種深層非線性的網(wǎng)絡(luò)結(jié)構(gòu),，深度學(xué)習(xí)可以實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，將表征輸入數(shù)據(jù)分布式表示,，繼而展現(xiàn)強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力,，并使概率向量更加收斂。

簡單來說,，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的處理方式和學(xué)習(xí)方式與人類大腦的神經(jīng)元更加相似,，比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確。

我們回過頭來看這個停止標(biāo)志識別的例子：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)從成百上千甚至幾百萬張停止標(biāo)志圖像中提取表征數(shù)據(jù),，通過重復(fù)訓(xùn)練將神經(jīng)元輸入的權(quán)重調(diào)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(jié)果,。只有這個時候，我們才可以說神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個停止標(biāo)志的樣子,。

Google的AlphaGo也是先學(xué)會了如何下圍棋,，然后通過不斷地與自己下棋，訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò),，這種訓(xùn)練使得AlphaGo成功在三個月后擊敗了等級分?jǐn)?shù)更高的李世石,。

二、深度學(xué)習(xí)的實(shí)現(xiàn)

深度學(xué)習(xí)仿若機(jī)器學(xué)習(xí)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(shí)現(xiàn)了各種我們曾經(jīng)想都不敢想的任務(wù)，使得幾乎所有的機(jī)器輔助功能都變?yōu)榭赡?。更好的電影推薦,、智能穿戴，甚至無人駕駛汽車,、預(yù)防性醫(yī)療保健,，都近在眼前，或者即將實(shí)現(xiàn),。人工智能就在現(xiàn)在,，就在明天。你的C-3PO我拿走了,，你有你的終結(jié)者就好,。

但是正如前面提到的，人工神經(jīng)網(wǎng)絡(luò),，即深度學(xué)習(xí)的前身,，已經(jīng)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?yàn)槭裁?

1.突破局限的學(xué)習(xí)算法

20世紀(jì)90年代,，包括支撐向量機(jī)（SVM）與最大熵方法（LR）在內(nèi)的眾多淺層機(jī)器學(xué)習(xí)算法相繼提出,，使得基于反向傳播算法（BP）的人工神經(jīng)網(wǎng)絡(luò)因難以彌補(bǔ)的劣勢漸漸淡出人們的視線。直到 2006年,，加拿大多倫多大學(xué)教授,、機(jī)器學(xué)習(xí)領(lǐng)域的泰斗 Geoffrey Hinton 和他的學(xué)生在《科學(xué)》上發(fā)表了一篇文章，解決了反向傳播算法存在的過擬合與難訓(xùn)練的問題,，從而開啟了深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮,。

深度學(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù),，來學(xué)習(xí)更有用的特征,，從而最終提升分類或預(yù)測的準(zhǔn)確性。因此,，“深度模型”是手段,，“特征學(xué)習(xí)”是目的。區(qū)別于傳統(tǒng)的淺層學(xué)習(xí),，深度學(xué)習(xí)的不同在于：

強(qiáng)調(diào)了模型結(jié)構(gòu)的深度,，通常有5層、6層,，甚至10多層的隱層節(jié)點(diǎn),；

明確突出了特征學(xué)習(xí)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(yù)測更加容易,。

這種算法的差別提升了對訓(xùn)練數(shù)據(jù)量和并行計算能力的需求,，而在當(dāng)時，移動設(shè)備尚未普及,，這使得非結(jié)構(gòu)化數(shù)據(jù)的采集并不是那么容易。

2.驟然爆發(fā)的數(shù)據(jù)洪流

深度學(xué)習(xí)模型需要通過大量的數(shù)據(jù)訓(xùn)練才能獲得理想的效果,。以語音識別問題為例,，僅在其聲學(xué)建模部分，算法就面臨著十億到千億級別的訓(xùn)練樣本數(shù)據(jù),。訓(xùn)練樣本的稀缺使得人工智能即使在經(jīng)歷了算法的突破后依然沒能成為人工智能應(yīng)用領(lǐng)域的主流算法,。直到2012年，分布于世界各地的互相聯(lián)系的設(shè)備,、機(jī)器和系統(tǒng)促進(jìn)了非結(jié)構(gòu)化數(shù)據(jù)數(shù)量的巨大增長,，并終于在可靠性方面發(fā)生了質(zhì)的飛躍,，大數(shù)據(jù)時代到來。

大數(shù)據(jù)到底有多大,？一天之中,，互聯(lián)網(wǎng)產(chǎn)生的全部內(nèi)容可以刻滿1.68億張DVD；發(fā)出的郵件有2940億封之多,，相當(dāng)于美國兩年的紙質(zhì)信件數(shù)量,；發(fā)出的社區(qū)帖子達(dá)200萬個，相當(dāng)于《時代》雜志770年的文字量,；賣出的手機(jī)為37.8萬臺,，高于全球每天出生的嬰兒數(shù)量37.1萬倍。然而,，即使是人們每天創(chuàng)造的全部信息,，包括語音通話、電子郵件和信息在內(nèi)的各種通信,，以及上傳的全部圖片,、視頻與音樂，其信息量也無法匹及每一天所創(chuàng)造出的關(guān)于人們自身活動的數(shù)字信息量,。

我們現(xiàn)在還處于所謂“物聯(lián)網(wǎng)”的最初級階段,，隨著技術(shù)的成熟，我們的通訊設(shè)備,、交通工具和可穿戴科技將能互相連接與溝通,，信息量的增加也將以幾何倍數(shù)持續(xù)下去。

3.難以滿足的硬件需求

驟然爆發(fā)的數(shù)據(jù)洪流滿足了深度學(xué)習(xí)算法對于訓(xùn)練數(shù)據(jù)量的要求,，但是算法的實(shí)現(xiàn)還需要相應(yīng)處理器極高的運(yùn)算速度作為支撐,。當(dāng)前流行的包括X86和ARM在內(nèi)的傳統(tǒng)CPU處理器架構(gòu)往往需要數(shù)百甚至上千條指令才能完成一個神經(jīng)元的處理，但對于并不需要太多的程序指令,，卻需要海量數(shù)據(jù)運(yùn)算的深度學(xué)習(xí)的計算需求,，這種結(jié)構(gòu)就顯得非常笨拙。尤其是在當(dāng)前功耗限制下無法通過提升CPU主頻來加快指令執(zhí)行速度,，這種矛盾愈發(fā)不可調(diào)和,，深度學(xué)習(xí)研究人員迫切需要一種替代硬件來滿足海量數(shù)據(jù)的運(yùn)算需求。

或許終有一日將會誕生全新的,、為人工智能而專門設(shè)計的處理器架構(gòu),，但在那之前的幾十年，人工智能仍然要向前走,，便只能改進(jìn)現(xiàn)有處理器,，使之成為能夠最大程度適應(yīng)大吞吐量運(yùn)算的計算架構(gòu)。目前來看，圍繞現(xiàn)有處理器的主流改進(jìn)方式有兩個：

圖形處理器通用化：

將圖形處理器GPU用作矢量處理器,。在這種架構(gòu)中,，GPU擅長浮點(diǎn)運(yùn)算的特點(diǎn)將得到充分利用，使其成為可以進(jìn)行并行處理的通用計算芯片GPGPU,。英偉達(dá)公司從2006年下半年已經(jīng)開始陸續(xù)推出相關(guān)的硬件產(chǎn)品以及軟件開發(fā)工具,，目前是人工智能硬件市場的主導(dǎo)。

多核處理器異構(gòu)化：

將GPU或FPGA等其他處理器內(nèi)核集成到CPU上,。在這種架構(gòu)中,，CPU內(nèi)核所不擅長的浮點(diǎn)運(yùn)算以及信號處理等工作，將由集成在同一塊芯片上的其它可編程內(nèi)核執(zhí)行,，而GPU與FPGA都以擅長浮點(diǎn)運(yùn)算著稱,。AMD與Intel公司分別致力于基于GPU與FPGA的異構(gòu)處理器，希望借此切入人工智能市場,。

三,、現(xiàn)有市場——通用芯片GPU

在深度學(xué)習(xí)的領(lǐng)域里，最重要的是數(shù)據(jù)和運(yùn)算,。誰的數(shù)據(jù)更多,，誰的運(yùn)算更快，誰就會占據(jù)優(yōu)勢,。因此,，在處理器的選擇上，可以用于通用基礎(chǔ)計算且運(yùn)算速率更快的GPU迅速成為人工智能計算的主流芯片,?？梢哉f，在過去的幾年,，尤其是2015年以來,，人工智能大爆發(fā)就是由于英偉達(dá)公司的GPU得到廣泛應(yīng)用，使得并行計算變得更快,、更便宜,、更有效。

1.GPU是什么,？

圖形處理器GPU最初是用在個人電腦,、工作站、游戲機(jī)和一些移動設(shè)備上運(yùn)行繪圖運(yùn)算工作的微處理器,，可以快速地處理圖像上的每一個像素點(diǎn),。后來科學(xué)家發(fā)現(xiàn)，其海量數(shù)據(jù)并行運(yùn)算的能力與深度學(xué)習(xí)需求不謀而合,，因此,，被最先引入深度學(xué)習(xí)。2011年吳恩達(dá)教授率先將其應(yīng)用于谷歌大腦中便取得驚人效果,，結(jié)果表明,，12顆英偉達(dá)的GPU可以提供相當(dāng)于2000顆CPU的深度學(xué)習(xí)性能，之后紐約大學(xué),、多倫多大學(xué)以及瑞士人工智能實(shí)驗(yàn)室的研究人員紛紛在GPU上加速其深度神經(jīng)網(wǎng)絡(luò),。

2.GPU和CPU的設(shè)計區(qū)別

那么GPU的快速運(yùn)算能力是如何獲得的？這就要追溯到芯片最初的設(shè)計目標(biāo)了,。中央處理器CPU需要很強(qiáng)的處理不同類型數(shù)據(jù)的計算能力以及處理分支與跳轉(zhuǎn)的邏輯判斷能力,，這些都使得CPU的內(nèi)部結(jié)構(gòu)異常復(fù)雜；而圖形處理器GPU最初面對的是類型高度統(tǒng)一的,、相互無依賴的大規(guī)模數(shù)據(jù)和不需要被打斷的純凈的計算環(huán)境,，所以GPU只需要進(jìn)行高速運(yùn)算而不需要邏輯判斷。目標(biāo)運(yùn)算環(huán)境的區(qū)別決定了GPU與CPU不同的設(shè)計架構(gòu)：

CPU基于低延時的設(shè)計

大量緩存空間Cache,，方便快速提取數(shù)據(jù),。CPU將大量訪問過的數(shù)據(jù)存放在Cache中，當(dāng)需要再次訪問這些數(shù)據(jù)時,，就不用從數(shù)據(jù)量巨大的內(nèi)存中提取了,，而是直接從緩存中提取。

強(qiáng)大的算術(shù)運(yùn)算單元ALU,，可以在很短的時鐘周期內(nèi)完成算數(shù)計算,。當(dāng)今的CPU可以達(dá)到64bit雙精度，執(zhí)行雙精度浮點(diǎn)源計算加法和乘法只需要1～3個時鐘周期,，時鐘周期頻率達(dá)到1.532～3gigahertz,。

復(fù)雜的邏輯控制單元，當(dāng)程序含有多個分支時,，它通過提供分支預(yù)測來降低延時,。

包括對比電路單元與轉(zhuǎn)發(fā)電路單元在內(nèi)的諸多優(yōu)化電路，當(dāng)一些指令依賴前面的指令結(jié)果時,，它決定這些指令在pipeline中的位置并且盡可能快的轉(zhuǎn)發(fā)一個指令的結(jié)果給后續(xù)指令,。

GPU基于大吞吐量的設(shè)計

壓縮緩存空間Cache，從而最大化激發(fā)內(nèi)存吞吐量,，可以處理超長的流水線,。緩存的目的不是保存之后需要訪問的數(shù)據(jù)，而是擔(dān)任數(shù)據(jù)轉(zhuǎn)發(fā)的角色,，為線程提高服務(wù),。如果有很多線程需要訪問同一個數(shù)據(jù)，緩存會合并這些訪問,，再去DRAM中訪問數(shù)據(jù),，獲取的數(shù)據(jù)將通過緩存轉(zhuǎn)發(fā)給對應(yīng)的線程,。這種方法雖然減小了緩存，但由于需要訪問內(nèi)存,，因而自然會帶來延時效應(yīng),。

高效的算數(shù)運(yùn)算單元和簡化的邏輯控制單元，把串行訪問拆分成多個簡單的并行訪問,，并同時運(yùn)算,。例如，在CPU上約有20%的晶體管是用作計算的,，而GPU上有80%的晶體管用作計算,。

3.GPU和CPU的性能差異

CPU與GPU在各自領(lǐng)域都可以高效地完成任務(wù)，但當(dāng)同樣應(yīng)用于通用基礎(chǔ)計算領(lǐng)域時,，設(shè)計架構(gòu)的差異直接導(dǎo)致了兩種芯片性能的差異,。

CPU擁有專為順序邏輯處理而優(yōu)化的幾個核心組成的串行架構(gòu)，這決定了其更擅長邏輯控制,、串行運(yùn)算與通用類型數(shù)據(jù)運(yùn)算,；而GPU擁有一個由數(shù)以千計的更小、更高效的核心組成的大規(guī)模并行計算架構(gòu),，大部分晶體管主要用于構(gòu)建控制電路和Cache,，而控制電路也相對簡單，且對Cache的需求小,，只有小部分晶體管來完成實(shí)際的運(yùn)算工作,。所以大部分晶體管可以組成各類專用電路、多條流水線,，使得GPU的計算速度有了突破性的飛躍,，擁有了更強(qiáng)大的處理浮點(diǎn)運(yùn)算的能力。這決定了其更擅長處理多重任務(wù),，尤其是沒有技術(shù)含量的重復(fù)性工作,。

當(dāng)前最頂級的CPU只有4核或者6核，模擬出8個或者12個處理線程來進(jìn)行運(yùn)算,，但是普通級別的GPU就包含了成百上千個處理單元,，高端的甚至更多，這對于多媒體計算中大量的重復(fù)處理過程有著天生的優(yōu)勢,。

舉個常見的例子,，一個向量相加的程序，可以讓CPU跑一個循環(huán),，每個循環(huán)對一個分量做加法,，也可以讓GPU同時開大量線程，每個并行的線程對應(yīng)一個分量的相加,。CPU跑循環(huán)的時候每條指令所需時間一般低于GPU,，但GPU因?yàn)榭梢酝瑫r開啟大量的線程并行地跑,，具有SIMD的優(yōu)勢。

4.GPU行業(yè)的佼佼者：Nvidia

目前全球GPU行業(yè)的市場份額有超過70%被英偉達(dá)公司占據(jù),，而應(yīng)用在人工智能領(lǐng)域的可進(jìn)行通用計算的GPU市場則基本被英偉達(dá)公司壟斷,。

2016年三季度英偉達(dá)營收為20.04億美元，較上年同期的13.05億美元增長54%,；凈利潤為5.42億美元，較上年同期的2.46億美元增長120%,，營收的超預(yù)期增長推動其盤后股價大幅上漲約16%,。以面向的市場平臺來劃分，游戲業(yè)務(wù)營收12.4億美元,，同比增長63%,，是創(chuàng)造利潤的核心部門；數(shù)據(jù)中心業(yè)務(wù)營收2.4億美元,，同比增長193%,，成為增長最快的部門；自動駕駛業(yè)務(wù)營收1.27億美元,，同比增長61%,，正在逐步打開市場。

這樣的業(yè)績創(chuàng)下了英偉達(dá)的歷史最好季度收入,，但這并非是其股票暴漲的理由,，事實(shí)上，在過去的六年里,，英偉達(dá)的業(yè)績基本一直呈現(xiàn)上升趨勢,。從2012年財年至2016財年，英偉達(dá)的營業(yè)收入實(shí)現(xiàn)了從40億美元到50億美元的跨越,，而其凈利潤也從2012財年的5.8億美元逐步上升到了2016財年的6.14億美元,。但在此期間，英偉達(dá)的股價并未出現(xiàn)翻番式的增長,。

真正促成英偉達(dá)股價飆升的是人工智能的新市場,。在剛剛過去的2016年，英偉達(dá)的股價上漲了228%,，過去的5年內(nèi)累計上漲500%,。500億美元的市值將會持續(xù)給英偉達(dá)帶來40倍的市場收入，這幾乎是業(yè)內(nèi)擁有最高收益的公司,。

5.Nvidia的市場定位：人工智能計算公司

自1999年發(fā)布第一款GPU以來,，GPU就成為了英偉達(dá)最為核心的產(chǎn)品，占到了英偉達(dá)總營業(yè)收入的八成,，而英偉達(dá)也以顯卡廠商的身份進(jìn)入人們的視線,。這些芯片最初是以板卡的形式出售給游戲玩家的,，游戲玩家需要自己動手將芯片裝到PC主板上，從而擁有更快的3D圖形處理速度,。他們的產(chǎn)品命名也很有講究,，用'GeForce'這樣具有超能力的字眼來開辟市場。

今日的英偉達(dá),，已經(jīng)不再是一家單純的顯卡技術(shù)廠商,，他現(xiàn)在很趕時髦地稱自己為“人工智能計算公司”。據(jù)英偉達(dá)官網(wǎng)數(shù)據(jù)顯示,，2016年,，有近兩萬家機(jī)構(gòu)將英偉達(dá)產(chǎn)品用于深度學(xué)習(xí)加速計算，相比2014年翻了13倍,。醫(yī)療,、生命科學(xué)、教育,、能源,、金融、汽車,、制造業(yè)以及娛樂業(yè)等諸多行業(yè)均將得益于海量數(shù)據(jù)的分析,。

谷歌、微軟,、Facebook 和亞馬遜等技術(shù)巨頭大量購買英偉達(dá)的芯片來擴(kuò)充自己數(shù)據(jù)中心的處理能力,；Massachusetts General Hospital等醫(yī)療研究機(jī)構(gòu)用英偉達(dá)的芯片來標(biāo)記CT掃描圖片上的病變點(diǎn)；特斯拉將在所有的汽車上安裝英偉達(dá)的芯片來實(shí)現(xiàn)無人駕駛,； June等家電公司用英偉達(dá)的芯片制造人工智能驅(qū)動的家用電器,。在人工智能到來之前，英偉達(dá)從來都沒有處于一個如此巨大的市場的中心,，這也充分表明了一個事實(shí),，那就是英偉達(dá)在GPU的計算處理技術(shù)上無人能及。

同時,，英偉達(dá)還在投資不同領(lǐng)域里新興的,、需要借助深度學(xué)習(xí)來構(gòu)建業(yè)務(wù)的公司，使這些公司能夠更好地借助其提供的人工智能平臺起步,，這類似于以前一些初創(chuàng)公司通過微軟Windows來構(gòu)建服務(wù)以及最近通過iTunes來發(fā)布應(yīng)用,。

6.Nvidia的核心產(chǎn)品：Pascal家族

英偉達(dá)的傳統(tǒng)強(qiáng)項(xiàng)是桌面和移動終端的GPU，但是堅定地向著人工智能大步邁進(jìn)的英偉達(dá)顯然已經(jīng)不滿足于僅僅在單一領(lǐng)域做提高GPU性能的事了,。相比于傳統(tǒng)的計算密集型GPU產(chǎn)品來說,，英偉達(dá)努力的方向是使得GPU芯片不僅僅只針對訓(xùn)練算法這一項(xiàng)起到作用，更是能處理人工智能服務(wù)的推理工作負(fù)載,，從而加速整個人工智能的開發(fā)流程,。目前該公司的核心產(chǎn)品包括基于Pascal架構(gòu)的TeslaP4與Tesla P40深度學(xué)習(xí)芯片,，這兩款芯片均已于2016年第四季度開始投入量產(chǎn)。

Tesla P4為資料中心帶來最高的能源效率

其小尺寸及最小50瓦特的低功率設(shè)計可安裝于任何服務(wù)器內(nèi),，讓生產(chǎn)作業(yè)負(fù)載推論的能源效率達(dá)CPU的40倍,。在進(jìn)行視頻推論作業(yè)負(fù)載時，單一服務(wù)器裡安裝單顆Tesla P4即可取代13臺僅采用CPU的服務(wù)器,，而包含服務(wù)器及用電量的總持有成本則能節(jié)省達(dá)8倍,。

Tesla P40為深度學(xué)習(xí)作業(yè)負(fù)載帶來最大的處理量

一臺搭載8顆Tesla P40加速器的服務(wù)器擁有每秒47兆次運(yùn)算的推論性能及INT8指令，可取代140臺以上的CPU服務(wù)器的性能,。若以每臺CPU服務(wù)器約5,000美元計算,，可節(jié)省65萬美元以上的服務(wù)器采購成本。

基于上述兩種人工智能芯片,，英偉達(dá)為資料中心提供唯一的端對端深度學(xué)習(xí)平臺，并能夠?qū)⒂?xùn)練時間從數(shù)天大幅縮短至數(shù)小時,，從而實(shí)現(xiàn)資料的立即解析與服務(wù)的及時回應(yīng),。

7.Nvidia的應(yīng)用布局：自動駕駛

不僅僅是底層架構(gòu)，英偉達(dá)在應(yīng)用層面上也有非常明確的布局,，其中最看重也最有領(lǐng)先優(yōu)勢的就是自動駕駛,。早在2014年1月，英偉達(dá)就發(fā)布了為移動平臺設(shè)計的第一代Tegra系列處理器,，適用于智能手機(jī),、平板電腦和自動駕駛汽車，四個月后,，DRIVE PX自動駕駛計算平臺發(fā)布,，可實(shí)現(xiàn)包括高速公路自動駕駛與高清制圖在內(nèi)的自動巡航功能。同年10月,，搭載了Tegra K1處理器并應(yīng)用了DRIVEPX計算平臺的特斯拉新款Model S開始量產(chǎn),，英偉達(dá)成為第一個享受到自動駕駛紅利的廠商。

2016年英偉達(dá)在自動駕駛領(lǐng)域并沒有什么重大突破,，基本只是從技術(shù)升級及廠商合作兩個方面入手,，除了特斯拉這個老朋友外，百度,、沃爾沃也跟英偉達(dá)達(dá)成了合作,，他們都將生產(chǎn)搭載DRIVE PX 2的智能駕駛汽車。恰逢此時,，AI概念變得更加火熱,，智能駕駛也逐漸成熟，這些客觀因素讓英偉達(dá)收割了更多的紅利,，也讓公司站在了聚光燈之下,。

從整個自動駕駛行業(yè)來看,，Google、蘋果,、微軟等科技公司都在建立自己的汽車生態(tài)體系,，不過智能汽車對于他們來說都不是核心業(yè)務(wù)，更為重要的是,，他們并沒有真正進(jìn)入汽車供應(yīng)鏈體系,。與之相反，英偉達(dá)的Drive PX系列自動駕駛解決方案,，已經(jīng)進(jìn)入了汽車的上游供應(yīng)鏈中,，并創(chuàng)造了利潤，這也意味著英偉達(dá)將在汽車芯片市場與英特爾,、高通,、恩智浦、瑞薩電子等做CPU的公司正面碰撞,，自動駕駛的風(fēng)口讓英偉達(dá)在汽車市場從“邊緣人”變成了挑戰(zhàn)者,。

隨著特斯拉Model S等備受矚目的車型更加智能化與多媒體化，英偉達(dá)有了彎道超車的機(jī)會,，并有望在汽車產(chǎn)業(yè)的上游供應(yīng)鏈占據(jù)更有優(yōu)勢的地位,。最新款的Tegra系列處理器功耗只有10瓦，幾乎與同等級的FPGA產(chǎn)品功耗持平甚至更低,，這對于車載移動芯片來說是巨大的優(yōu)勢,。

但同樣的，單移動處理器的架構(gòu)和極低的功耗必然無法支撐起超大規(guī)模的運(yùn)算,，目前英偉達(dá)計算平臺的功能定位僅聚焦于高速公路上的自動巡航,，而CPU的應(yīng)用可以拓展至車機(jī)娛樂信息系統(tǒng)層面。未來自動駕駛的發(fā)展方向必然是整車的控制中心,，從目前英偉達(dá)基于Tesla架構(gòu)的主流芯片來看,，低功耗、極速運(yùn)算與邏輯控制是可以同時實(shí)現(xiàn)的,，英偉達(dá)公司在自動駕駛領(lǐng)域的優(yōu)勢非常明顯,。

8.Nvidia的產(chǎn)業(yè)優(yōu)勢：完善的生態(tài)系統(tǒng)

與其它芯片公司相比，帶有CUDA的重點(diǎn)軟件生態(tài)系統(tǒng)是英偉達(dá)占領(lǐng)人工智能市場的關(guān)鍵促成因素,。從2006年開始,，英偉達(dá)發(fā)布了一個名叫CUDA的編程工具包，該工具包讓開發(fā)者可以輕松編程屏幕上的每一個像素,。在CUDA發(fā)布之前,，給GPU編程對程序員來說是一件極其痛苦的事，因?yàn)檫@涉及到編寫大量低層面的機(jī)器碼以實(shí)現(xiàn)渲染每一個不同像素的目標(biāo)，而這樣的微型計算操作通常有上萬個,。CUDA在經(jīng)過了英偉達(dá)的多年開發(fā)之后,，成功將Java或C 這樣的高級語言開放給了GPU編程，從而讓GPU編程變得更加輕松簡單,，研究者也可以更快更便宜地開發(fā)他們的深度學(xué)習(xí)模型,。

四、未來市場：半定制芯片F(xiàn)PGA

技術(shù)世界正在邁向一個全新的軌道,，我們對于人工智能的想象已經(jīng)不再局限于圖片識別與聲音處理,，機(jī)器，將在更多領(lǐng)域完成新的探索,。不同領(lǐng)域?qū)τ嬎愕男枨笫遣町惖?，這就要求深度學(xué)習(xí)的訓(xùn)練愈發(fā)專業(yè)化與區(qū)別化。芯片的發(fā)展趨勢必將是在每一個細(xì)分領(lǐng)域都可以更加符合我們的專業(yè)需求,，但是考慮到硬件產(chǎn)品一旦成型便不可再更改這個特點(diǎn),，我們不禁開始想，是不是可以生產(chǎn)一種芯片,，讓它硬件可編程,。

也就是說，這一刻我們需要一個更適合圖像處理的硬件系統(tǒng),，下一刻我們需要一個更適合科學(xué)計算的硬件系統(tǒng),，但是我們又不希望焊兩塊板子,，我們希望一塊板子便可以實(shí)現(xiàn)針對每一個應(yīng)用領(lǐng)域的不同需求,。這塊板子便是半定制芯片F(xiàn)PGA，便是未來人工智能硬件市場的發(fā)展方向,。

1.FPGA是什么,？

場效可編程邏輯閘陣列FPGA運(yùn)用硬件語言描述電路，根據(jù)所需要的邏輯功能對電路進(jìn)行快速燒錄,。一個出廠后的成品FPGA的邏輯塊和連接可以按照設(shè)計者的需要而改變,，這就好像一個電路試驗(yàn)板被放在了一個芯片里，所以FPGA可以完成所需要的邏輯功能,。

FPGA和GPU內(nèi)都有大量的計算單元,，因此它們的計算能力都很強(qiáng)。在進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算的時候,，兩者的速度會比CPU快很多,。但是GPU由于架構(gòu)固定，硬件原生支持的指令也就固定了,，而FPGA則是可編程的,。其可編程性是關(guān)鍵，因?yàn)樗屲浖c終端應(yīng)用公司能夠提供與其競爭對手不同的解決方案，并且能夠靈活地針對自己所用的算法修改電路,。

2.FPGA和GPU的性能差異

同樣是擅長并行計算的FPGA和GPU,，誰能夠占領(lǐng)人工智能的高地，并不在于誰的應(yīng)用更廣泛,，而是取決于誰的性能更好,。在服務(wù)器端，有三個指標(biāo)可供對比：峰值性能,、平均性能與功耗能效比,。當(dāng)然，這三個指標(biāo)是相互影響的,，不過還是可以分開說,。

峰值性能：GPU遠(yuǎn)遠(yuǎn)高于FPGA

GPU上面成千上萬個核心同時跑在GHz的頻率上是非常壯觀的，最新的GPU峰值性能甚至可以達(dá)到10TFlops 以上,。GPU的架構(gòu)經(jīng)過仔細(xì)設(shè)計,，在電路實(shí)現(xiàn)上是基于標(biāo)準(zhǔn)單元庫而在關(guān)鍵路徑上可以用手工定制電路，甚至在必要的情形下可以讓半導(dǎo)體fab依據(jù)設(shè)計需求微調(diào)工藝制程,，因此可以讓許多core同時跑在非常高的頻率上,。

相對而言，F(xiàn)PGA首先設(shè)計資源受到很大的限制,，例如GPU如果想多加幾個核心只要增加芯片面積就行,，但FPGA一旦型號選定了邏輯資源上限就確定了。而且,，F(xiàn)PGA里面的邏輯單元是基于SRAM查找表,，其性能會比GPU里面的標(biāo)準(zhǔn)邏輯單元差很多。最后,，F(xiàn)PGA的布線資源也受限制,，因?yàn)橛行┚€必須要繞很遠(yuǎn)，不像GPU這樣走ASIC flow可以隨意布線,，這也會限制性能,。

平均性能：GPU遜于FPGA

FPGA可以根據(jù)特定的應(yīng)用去編程硬件，例如如果應(yīng)用里面的加法運(yùn)算非常多就可以把大量的邏輯資源去實(shí)現(xiàn)加法器,，而GPU一旦設(shè)計完就不能改動了,，所以不能根據(jù)應(yīng)用去調(diào)整硬件資源。

目前機(jī)器學(xué)習(xí)大多使用SIMD架構(gòu),，即只需一條指令可以平行處理大量數(shù)據(jù),，因此用GPU很適合。但是有些應(yīng)用是MISD,，即單一數(shù)據(jù)需要用許多條指令平行處理,，這種情況下用FPGA做一個MISD的架構(gòu)就會比GPU有優(yōu)勢。

所以，對于平均性能,，看的就是FPGA加速器架構(gòu)上的優(yōu)勢是否能彌補(bǔ)運(yùn)行速度上的劣勢,。如果FPGA上的架構(gòu)優(yōu)化可以帶來相比GPU架構(gòu)兩到三個數(shù)量級的優(yōu)勢，那么FPGA在平均性能上會好于GPU,。

功耗能效比：

功耗方面,，雖然GPU的功耗遠(yuǎn)大于FPGA的功耗，但是如果要比較功耗應(yīng)該比較在執(zhí)行效率相同時需要的功耗,。如果FPGA的架構(gòu)優(yōu)化能做到很好以致于一塊FPGA的平均性能能夠接近一塊GPU,，那么FPGA方案的總功耗遠(yuǎn)小于GPU，散熱問題可以大大減輕,。反之,，如果需要二十塊FPGA才能實(shí)現(xiàn)一塊GPU的平均性能，那么FPGA在功耗方面并沒有優(yōu)勢,。

能效比的比較也是類似,，能效指的是完成程序執(zhí)行消耗的能量，而能量消耗等于功耗乘以程序執(zhí)行的時間,。雖然GPU的功耗遠(yuǎn)大于FPGA的功耗,，但是如果FPGA執(zhí)行相同程序需要的時間比GPU長幾十倍，那FPGA在能效比上就沒有優(yōu)勢了,；反之如果FPGA上實(shí)現(xiàn)的硬件架構(gòu)優(yōu)化得很適合特定的機(jī)器學(xué)習(xí)應(yīng)用,，執(zhí)行算法所需的時間僅僅是GPU的幾倍或甚至于接近GPU，那么FPGA的能效比就會比GPU強(qiáng),。

3.FPGA市場前景

隨著科技的進(jìn)展,，制造業(yè)走向更高度的自動化與智能化，對工業(yè)控制技術(shù)等領(lǐng)域不斷產(chǎn)生新的需求,，在未來的工業(yè)制造領(lǐng)域,，F(xiàn)PGA將有更大的發(fā)展空間,。目前來看,，有兩個領(lǐng)域的應(yīng)用前景十分巨大：

工業(yè)互聯(lián)網(wǎng)領(lǐng)域

作為未來制造業(yè)發(fā)展的方向，工業(yè)大數(shù)據(jù),、云計算平臺,、MES系統(tǒng)等都是支持工業(yè)智能化的重要平臺，它們需要完成大數(shù)據(jù)量的復(fù)雜處理,，F(xiàn)PGA在其中可以發(fā)揮重要作用,。

工業(yè)機(jī)器人設(shè)備領(lǐng)域

在多軸向運(yùn)作的精密控制、實(shí)時同步的連接以及設(shè)備多功能整合等方面,，兼具彈性和整合性的FPGA,，更能展現(xiàn)設(shè)計優(yōu)勢。如汽車ADAS需要對實(shí)時高清圖像進(jìn)行及時的分析識別與處理；在人工智能方面,，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)也需要進(jìn)行大量并行運(yùn)算,。

4.FPGA現(xiàn)有市場

FPGA市場前景誘人，但是門檻之高在芯片行業(yè)里無出其右,。全球有60多家公司先后斥資數(shù)十億美元,，前赴后繼地嘗試登頂FPGA高地，其中不乏英特爾,、IBM,、德州儀器、摩托羅拉,、飛利浦,、東芝、三星這樣的行業(yè)巨鱷,，但是最終登頂成功的只有位于美國硅谷的兩家公司：Xilinx與Altera,。這兩家公司共占有近90%的市場份額，專利達(dá)到6000余項(xiàng)之多,，如此之多的技術(shù)專利構(gòu)成的技術(shù)壁壘當(dāng)然高不可攀,。

2015年6月，英特爾用史無前例的167億美元巨款收購了Altera,，當(dāng)時業(yè)內(nèi)對于英特爾此舉的解讀主要集中在服務(wù)器市場,、物聯(lián)網(wǎng)市場的布局上，英特爾自己對收購的解釋也沒有明確提到機(jī)器學(xué)習(xí),。但現(xiàn)在看來,，或許這筆收購在人工智能領(lǐng)域同樣具有相當(dāng)大的潛力。

5.FPGA行業(yè)的開拓者：

英特爾能不能通過FPGA切入AI硬件市場,？要講清楚這個問題,，我們必須要把視角從人工智能身上拉遠(yuǎn)，看看英特爾的整體戰(zhàn)略布局,。最近幾年,，英特爾的核心盈利業(yè)務(wù)CPU同時遭到了三個因素的狙擊：PC市場增長放緩、進(jìn)軍移動市場的嘗試失敗以及摩爾定律逐漸逼近極限,。單純的賣CPU固然也能賺到錢,，但只有研發(fā)更高端的芯片，形成自己領(lǐng)導(dǎo)者的形象,，才能賺更多的錢,，支撐公司的發(fā)展。

上述三個因素的同時出現(xiàn),，已經(jīng)讓英特爾發(fā)現(xiàn),，如果自己仍然只是安心的守著自己的CPU業(yè)務(wù),，很快就會面臨巨大的危機(jī)，事實(shí)上在過去的一年里,，利潤下降,、裁員的新聞也一直圍繞在英特爾的身邊，揮之不去,。

因而英特爾十分渴望不要錯過下一個深度學(xué)習(xí)的潮流,，不過它缺乏自己最先進(jìn)的人工智能研究，所以在過去的兩年中瘋狂地收購,。2015年,，英特爾用史無前例的167億美元拍下了FPGA制造商Altera，2016年又相繼兼并了人工智能芯片初創(chuàng)公司Nervana與Movidius,。目前的英特爾正在試圖將他們整合在一起,。

6.Intel的產(chǎn)品布局

英特爾斥巨資收購Altera不是來為FPGA技術(shù)發(fā)展做貢獻(xiàn)的，相反,，它要讓FPGA技術(shù)為英特爾的發(fā)展做貢獻(xiàn),。表現(xiàn)在技術(shù)路線圖上，那就是從現(xiàn)在分立的CPU芯片 分立的FPGA加速芯片,，過渡到同一封裝內(nèi)的CPU晶片 FPGA晶片,，到最終的集成CPU FPGA芯片。預(yù)計這幾種產(chǎn)品形式將會長期共存,，因?yàn)榉至⑵骷m然性能稍差,，但靈活性更高。

如果簡單的將英特爾對于人工智能的產(chǎn)品布局,，可以分以下幾層：

Xeon Phi Nervana：用于云端最頂層的高性能計算,。

Xeon FPGA：用于云端中間層/前端設(shè)備的低功耗性能計算。

英特爾下一代的FPGA和SoC FPGA將支持Intel架構(gòu)集成,，大致如下：代號為Harrisville的產(chǎn)品采用Intel 22nm工藝技術(shù),，用于工業(yè)IoT、汽車和小區(qū)射頻等領(lǐng)域,；代號為Falcon Messa的中端產(chǎn)品采用Intel 10nm工藝技術(shù),，用于4G/5G無線通信、UHD/8K廣播視頻,、工業(yè)IoT和汽車等領(lǐng)域,；代號為Falcon Mesa的高端產(chǎn)品采用Intel 10nm工藝技術(shù),，用于云和加速,、太比特系統(tǒng)和高速信號處理等領(lǐng)域。

 Core（GT）：用于消費(fèi)級前端設(shè)備的性能計算,、圖形加速,。

 Euclid：提供給開發(fā)者/創(chuàng)客的開發(fā)板,，集成Atom低功耗處理器、RealSense攝像頭模塊,、接口,，可用做無人機(jī)、小型機(jī)器人的核心開發(fā)部件,。

Curie：提供給開發(fā)者/創(chuàng)客的模塊,，其內(nèi)置Quark SE系統(tǒng)芯片、藍(lán)牙低功耗無線電,、以及加速計,、陀螺儀等傳感器，可用做低功耗可穿戴設(shè)備的核心部件,。

從產(chǎn)品線來看,，包含了CPU與FPGA的異構(gòu)計算處理器將是Intel盈利的重點(diǎn)。預(yù)計到2020年Intel將有1/3的云數(shù)據(jù)中心節(jié)點(diǎn)采用FPGA技術(shù),，CPU FPGA擁有更高的單位功耗性能,、更低時延和更快加速性能，在大數(shù)據(jù)和云計算領(lǐng)域有望沖擊CPU GPU的主導(dǎo)地位,，而Intel的至強(qiáng)處理器Xeon FPGA也將在2017年下半年量產(chǎn),。

7.Intel的痛點(diǎn)：生態(tài)不完善

FPGA對GPU的潛力在于其計算速度與GPU不相上下，卻在成本和功耗上對GPU有著顯著優(yōu)勢,。當(dāng)然,，劣勢也有，但是FPGA的潛力是非常明顯的,。作為一個想要推向市場的商品來說,，F(xiàn)PGA最需要克服，也是最容易克服的問題是普及程度,。

大部分PC都配有或高端或低端的獨(dú)立GPU,，對于個人進(jìn)行的中小規(guī)模神經(jīng)網(wǎng)絡(luò)開發(fā)和訓(xùn)練來說，其實(shí)它們的性能已經(jīng)基本足夠,。而FPGA卻不是在電腦里能找得到的東西,，而多見于各種冰箱、電視等電器設(shè)備及實(shí)驗(yàn)室中,，因此想要搞到一塊能用來開發(fā)深度學(xué)習(xí)的FPGA其實(shí)還挺麻煩的,。不僅如此，F(xiàn)PGA的不普及還體現(xiàn)在以下三個方面：

OpenCL編程平臺應(yīng)用不廣泛

即使GPU有著種種不足,，它也不是能夠輕易被取代的,。從深度學(xué)習(xí)應(yīng)用的開發(fā)工具角度，具備CUDA支持的GPU為用戶學(xué)習(xí)Caffe,、Theano等研究工具提供了很好的入門平臺,。自2006年推出CUDA以來,，已有超過5億的筆記本電腦、工作站,、計算集群和超級計算機(jī)安裝了支持CUDA的GPU,。

如果FPGA想要攻占深度學(xué)習(xí)的市場，那么產(chǎn)業(yè)鏈下游的編程平臺必不可少,。目前較為流行的異構(gòu)硬件編程的替代性工具是OpenCL,。不同于CUDA單一供應(yīng)商的做法，OpenCL對開發(fā)者開源,、免費(fèi),，這是一大重要競爭力。但目前來看,，其獲得的支持相較CUDA還略遜一籌,。

實(shí)現(xiàn)硬件編程困難

除了軟件編程的不普及之外，吸引偏好上層編程語言的研究人員和應(yīng)用科學(xué)家來開發(fā)FPGA尤為艱難,。雖然能流利使用一種軟件語言常常意味著可以輕松地學(xué)習(xí)另一種軟件語言,，但對于硬件語言翻譯技能來說卻非如此。針對FPGA最常用的語言是Verilog和VHDL,，兩者均為硬件描述語言（HDL）,。這些語言和傳統(tǒng)的軟件語言之間的主要區(qū)別是，HDL只是單純描述硬件,，而例如C語言等軟件語言則描述順序指令,，并無需了解硬件層面的執(zhí)行細(xì)節(jié)。

有效地描述硬件需要對數(shù)字化設(shè)計和電路的專業(yè)知識,，盡管一些下層的實(shí)現(xiàn)決定可以留給自動合成工具去實(shí)現(xiàn),，但往往無法達(dá)到高效的設(shè)計。因此,，研究人員和應(yīng)用科學(xué)家傾向于選擇軟件設(shè)計,，因其已經(jīng)非常成熟，擁有大量抽象和便利的分類來提高程序員的效率,。

部署環(huán)節(jié)需要定制復(fù)雜套件

FPGA需要有一個完善的復(fù)雜生態(tài)系統(tǒng)才能保證其使用,，不只體現(xiàn)在軟件與硬件編程平臺上，更體現(xiàn)在部署環(huán)節(jié)中,。FPGA在安裝過程中需要針對不同的IP核定制一系列復(fù)雜的工具套件,，相比之下，GPU通過PCI-e接口可以直接部署在服務(wù)器中,，方便而快速,。因此，嵌入式FPGA概念雖好,，想要發(fā)展起來仍將面臨十分嚴(yán)峻的挑戰(zhàn),。

8.Intel的優(yōu)勢

目前在深度學(xué)習(xí)市場FPGA尚未成氣候,，谷歌這樣的超級大廠又喜歡自己研發(fā)專用芯片,，因此可以說對于深度學(xué)習(xí)芯片來說,，個人開發(fā)者及中小型企業(yè)內(nèi)還有相當(dāng)大的市場。這個市場目前幾乎只有英偉達(dá)一家獨(dú)大,，英特爾想要強(qiáng)勢進(jìn)入未必沒有機(jī)會,。而相比于英偉達(dá)來說，英特爾有兩個明顯的優(yōu)勢：

更熟悉CPU

盡管目前的人工智能市場幾乎只有英偉達(dá)一家獨(dú)大,，但英偉達(dá)的芯片也不是能夠自己完成深度學(xué)習(xí)訓(xùn)練的,。或者說,，英偉達(dá)的GPU芯片還不足以取代那些英特爾的CPU,，大多數(shù)環(huán)境下它們暫時只能加速這些處理器。所以,，GPGPU暫時只是概念上的,，GPU還不足以在大多數(shù)復(fù)雜運(yùn)算環(huán)境下代替CPU，而隨著人工智能技術(shù)的進(jìn)步,，對硬件的邏輯運(yùn)算能力只會更高不會降低,，所以搭載強(qiáng)大CPU核心的多核異構(gòu)處理器才是更長期的發(fā)展方向。而論對CPU的熟悉,，沒有一家芯片廠商能過勝過英特爾,，英特爾是最有可能讓搭載了FPGA與CPU的異構(gòu)處理器真正實(shí)現(xiàn)多核心相輔相成的芯片公司。

曾涉足云計算

算法的訓(xùn)練應(yīng)該是貫穿整個應(yīng)用過程的,，這樣可以隨時為消費(fèi)者提供最好體驗(yàn)的服務(wù),。但是如果要將所有算法都集中于本地訓(xùn)練，不僅會面臨計算瓶頸的問題,，也容易面臨從單個用戶處收集到的數(shù)據(jù)量太少的尷尬,。我們暫時不考慮很久以后可能出現(xiàn)的基于小樣本的無監(jiān)督學(xué)習(xí)的AI，畢竟那其實(shí)已經(jīng)跟人差不多了,，在目前AI的發(fā)展?fàn)顩r下,，將所有數(shù)據(jù)集中于云端進(jìn)行計算顯然是更理性且有效的做法。這就對通信提出了極高的要求,，而英特爾恰巧在這個領(lǐng)域有著相當(dāng)多的積累,。雖然英特爾的通信部門連年虧損，但在現(xiàn)在的形勢下,，它卻意外地有了新的價值與潛力,。

招募人工智能學(xué)家科技記者

《人工智能學(xué)家》人工智能方向的新媒體和人工智能前沿研究機(jī)構(gòu)，獲得兩家著名投資機(jī)構(gòu)的第一輪融資,，在業(yè)內(nèi)形成了很強(qiáng)的影響力,，同時開展的前沿研究工作也獲得深度成果,，

前沿科技研究,、前沿企業(yè)和行業(yè)觀察報道 ，條件：熱愛科技前沿發(fā)展趨勢的學(xué)習(xí)和研究,，具有人工智能,，機(jī)器人，智能駕駛,，虛擬現(xiàn)實(shí),，腦科學(xué)等領(lǐng)域前沿科技領(lǐng)域基礎(chǔ)知識。有較好的文字能力