人工智能算法遭遇瓶頸，但硬件革命將其推向主流

近年來(lái)，隨著(zhù)計算機在越來(lái)越復雜的任務(wù)中顯示出其相對于人類(lèi)的優(yōu)越性，智能算法已經(jīng)成為了人工智能領(lǐng)域的一大突破。

然而，如今，在推動(dòng)人工智能向前發(fā)展方面，另一種力量可能會(huì )產(chǎn)生更大的影響。專(zhuān)業(yè)芯片和其他硬件的進(jìn)步提升了最先進(jìn)的人工智能系統的能力，同時(shí)也將該類(lèi)技術(shù)推向主流。這是否能夠產(chǎn)生切實(shí)的商業(yè)利益，則是另一回事。

斯坦福大學(xué)的一個(gè)研究小組發(fā)起的項目人工智能指數(AI Index)清楚地表明了人工智能硬件革命的重要性。最新的AI Index試圖總結人工智能的進(jìn)展，捕捉到了過(guò)去18個(gè)月來(lái)人工智能最大進(jìn)展的軌跡的一個(gè)變化。

從很多層面來(lái)看，這些算法并沒(méi)有實(shí)現近年來(lái)的飛躍。部分原因是，在一些任務(wù)中，該類(lèi)技術(shù)所取得的成果并沒(méi)有顯著(zhù)增加：例如，在圖像識別方面，計算機在完成了對人類(lèi)的超越以后，便沒(méi)有更多的建樹(shù)。

這也反映了一個(gè)事實(shí)，即有待解決的問(wèn)題越來(lái)越難，進(jìn)展也越來(lái)越慢。眾所周知，語(yǔ)言是機器智能的下一個(gè)前沿領(lǐng)域，攻克難度尤其大。雖然語(yǔ)音識別和語(yǔ)言翻譯等任務(wù)已經(jīng)被解決，但理解和推理仍然是人類(lèi)所統治的一個(gè)領(lǐng)域。

相反，最引人注目的進(jìn)步來(lái)自硬件。例如，經(jīng)過(guò)專(zhuān)門(mén)設計的芯片被用來(lái)處理機器學(xué)習所需的大量數據，業(yè)界也為針對這項工作開(kāi)發(fā)專(zhuān)用的系統。

美國研究機構OpenAI指出了2012年出現的一個(gè)硬件拐點(diǎn)。在那之前，芯片行業(yè)的經(jīng)驗法則摩爾定律(Moore’s Law)在人工智能計算領(lǐng)域占據主導地位。摩爾定律是指，處理能力每?jì)赡昃蜁?huì )翻一番。

從那時(shí)起，人工智能系統就遵循了摩爾定律。隨著(zhù)新型硬件和更多的資源投入到這個(gè)問(wèn)題上，最先進(jìn)的人工智能系統的能力每3.4個(gè)月就提升一番。

這種硬件加速存在一個(gè)悖論。一方面，在科學(xué)的前沿，它讓人工智能變成了一場(chǎng)鮮有人能夠參與的軍備競賽。

能夠控制巨大計算資源的大公司和政府將是唯一有能力參與這場(chǎng)競賽的。OpenAI的運營(yíng)理念一直是，擁有最大計算機的人工智能研究人員將會(huì )繼承這個(gè)世界。該組織最近從微軟獲得了10億美元的投資，來(lái)繼續留在這場(chǎng)競賽當中。

然而，硬件革命的另一個(gè)影響是，將這項技術(shù)推向了主流。谷歌的TPU是世界上最先進(jìn)的機器學(xué)習處理芯片之一，外界可以通過(guò)該公司的云計算平臺按小時(shí)租用(如果你的工作負荷沒(méi)有時(shí)間敏感性，而且你不介意排隊等候，只需每小時(shí)1.35美元)。

在硅谷，人們過(guò)多地主張“大眾化”新技術(shù)，但在人工智能領(lǐng)域，該主張是合理的。隨著(zhù)亞馬遜網(wǎng)絡(luò )服務(wù)(AWS)等云服務(wù)使得低成本的硬件和機器學(xué)習工具得到廣泛使用，訓練神經(jīng)網(wǎng)絡(luò )——人工智能中計算最密集的部分——突然變得普遍觸手可及。

斯坦福大學(xué)的DawnBench項目提供了一種對人工智能系統進(jìn)行基準測試的方法。根據該項目的數據，在不到兩年的時(shí)間里，在被廣泛使用的ImageNet數據集上訓練一個(gè)系統所需的時(shí)間已經(jīng)從3小時(shí)降至88秒。這意味著(zhù)能夠將成本從2323美元大幅削減至12美元。

訓練時(shí)間和成本的巨大減少是否會(huì )讓高級人工智能成為一項實(shí)用技術(shù)，則是另一回事。機器學(xué)習的廣泛影響很難確定，但AI Index指向了一個(gè)很有前景的衡量標準。今年10月，美國約1.32%的招聘信息與人工智能有關(guān)，高于2010年的0.26%。這個(gè)數字仍然很小，“人工智能工作”的定義也有爭議，但大方向是明確的。

麻省理工學(xué)院教授埃里克·布林約爾松(Erik Brynjolfsson)致力于研究新技術(shù)對經(jīng)濟的影響，他警告稱(chēng)，雇傭了數據科學(xué)家和機器學(xué)習專(zhuān)家的公司不會(huì )馬上看到回報：它們首先需要通過(guò)開(kāi)發(fā)最大限度地利用這項技術(shù)所需的新工作流程，以便克服內部的瓶頸。

從一項被大肆吹捧的技術(shù)中獲取切實(shí)的回報的人工智能競賽已經(jīng)拉開(kāi)帷幕。