“真智能”需何種人工“大腦”硬件那么多怎么選？
使用中央處理器（CPU），圖形處理器（GPU），現場可編程邏輯門陣列（FPGA）和專用集成電路（ASIC）來理解人工智能。
樹莓派（RaspberryPi，是一款針對電腦業(yè)余愛好者、教師、小學生以及小型企業(yè)等用戶的迷你電腦）在電腦業(yè)余愛好者中十分受歡迎。縱觀各國，有的人用它來推動啤酒生產自動化，有的人用它打開了機器人新世界的大門，還有的人在電影學科快速發(fā)展的現狀下，用它變革了科學、技術、工程、數學四大學科的教學方式。這些方式都是值得贊美的。那么微軟又利用它做了些什么呢？答案是設計了捕獵松鼠的噴水機器人。
在某公司的機器學習與優(yōu)化小組中，研究員發(fā)現幾只松鼠正在從喂鳥器中偷取花蕾和種子。為此，這個研究小組設計了一個計算機視覺模型，并把模型放到樹莓派3的主板上。然后，每當有嚙齒動物出現時，它就會打開灑水器。
這個故事的關鍵并不是他們多么討厭松鼠而是他們將卷積碼神經網絡與ARM處理器（英國Acorn有限公司設計的低功耗成本的第一款RISC微處理器）相結合。這也體現了這些公司正在改進硬件以支持AI運算法則。隨著AI越來越受關注，研究員們致力于發(fā)展其解決基礎事務的能力，比如識別圖像和語音。
隨著人們對科技的期望越來越大，如研發(fā)自動飛行無人機和自動駕駛汽車，硬件發(fā)展所面臨的挑戰(zhàn)也越來越大。對此，各個公司正在生產硅制品和計算節(jié)點來應對這些挑戰(zhàn)。
美國市場研究公司ABIResearch研究部主任JeffOrr將AI硬件發(fā)展劃分為3個廣泛領域：云服務，在線設備及混合領域。云服務主要是在微軟、亞馬遜和谷歌等超大規(guī)模數據中心環(huán)境下，在線上完成AI任務進程。
而在另一領域，他看到了設備的更多進程。在這些進程中，連接或延時禁止了數據傳送回云。
他說，它的作用可能是發(fā)出聲音指令，使智能手機或智能眼鏡等可佩戴式設備不再需要人們親自動手操作。這方面的技術還會繼續(xù)發(fā)展，因為當今世界還沒有大量在線設備的例子。他認為增強現實是關鍵驅動力，要不然就只能假設永遠都有這種應用程序。
最后，混合領域結合了以上兩個領域來完成AI計算。然后，你的手機便能通過基于云的AI來識別你的問題和要求。
云：下雨式算法
云的重要性源于AI的學習方式。AI模型漸漸能夠開始深度學習，能使用多層復雜神經網絡來創(chuàng)造更精確的AI程序。
神經網絡的運用包含兩個方面。第一是測驗網絡是在何處分析數據并得出數據模型的，這是一種有效的學習階段。第二是推斷神經網絡在何處解析新數據并得出精確結果。測驗這些網絡會消耗大量的計算能力，但是測驗負載可以分成多個并發(fā)運行的任務。這就是為什么有雙倍浮點精度和大芯數的GPU會如此擅長該任務。
然而，神經網絡規(guī)模正在擴大，面臨的挑戰(zhàn)也越來越多。GPU主要供應商英偉達公司（Nvidia，工業(yè)機器人維修，是一家以設計智核芯片組為主的無晶圓（Fabless）IC半導體公司）加速計算小組的副組長IanBuck說他們正在以每年兩倍的速度擴張。該公司正在創(chuàng)造更多計算密集的圖形處理器架構來應對其擴張，但也在改變著其對待數學的方式。
他說即使精確度不那么高，它也能完成。最初，神經網絡測驗主要著手于32-位浮點數，但他們在5月宣布，庫卡機器人驅動器維修，該神經網絡優(yōu)化了新的Volta架構（英偉達的新一代GPU架構），使之能將16-點輸入32-位內部計算。
Buck說，將其計算精確度縮減到16點有兩大好處。
一是用戶可以利用更快的算法，因為處理器在較低的分辨率下往往具有更多的生產量。二是增加了可用帶寬的數量，因為你正在獲取每一個算法的數據。
Buck談道，問題是，其精確度可以達到多低呢？如果太低，便無法測驗，就無法達到生產所需的精準度，或者會變得不穩(wěn)定。
超越GPU
雖然英偉達公司在精煉其架構，但一些云供應商已經使用其他架構的GPU創(chuàng)建了自己的芯片。谷歌研發(fā)的TPU（谷歌為機器學習而設計的處理器）一代最初為推理工作負載而致力于8-點整數。在五月推出的新一代TPU提供了浮點精度，還能被用于測驗。這些芯片是專用集成電路（ASIC）。與CPU和GPU不同，它們是為特定目的而設計的（這些天你經常會看到它們用于采礦比特幣），但它們不能重新編程。缺乏無關的邏輯使得他們的電力使用在性能和經濟上都非常高，但卻非常昂貴。
谷歌的規(guī)模已經大到可以承擔與設計ASIC相關的大量非經常性支出（NRE），因為它在基于AI的數據中心運營中節(jié)約了成本。它在許多操作中使用它們，從識別街景視圖文本到執(zhí)行Rankbrain搜索查詢，并且每當TPU執(zhí)行某些操作（除GPU）時，Google可以節(jié)省電力。
MoorInsights&Strategy的高級分析師KarlFreund說：這將節(jié)省很多錢。
不過，他認為Google并不完全是為了節(jié)省成本才這樣做。我認為他們這樣做能夠完全控制硬件和軟件堆棧。如果Google在AI上投注資金，那么從終端應用程序（如自動駕駛汽車到軟件框架）和云端來控制它是有意義的。
現場可編程邏輯門陣列（FPGA）及其它
當面對的不是溺水的松鼠時，微軟在自己的數據中心改造推出現場可編程門陣列（FPGA）。它們類似于ASIC（專用集成電路），但是可重新編程，以便更新其算法。它們處理Azure中的聯網任務，但是微軟也在機器翻譯這樣的AI工作負載上釋放出來。英特爾想要AI行業(yè)的一部分，無論它在哪里運行，包括云。
到目前為止，其XeonPhi高性能CPU已經處理了通用機器學習，最新版本代號為Knight'sMill，并預計在今年出貨。
盡管如此，該公司還擁有三項加速器，用于更具體的AI任務。對于研究深度學習神經網絡，英特爾將其希望寄托在LakeCrest（專門為深度學習定制的一款芯片）。這是一個協處理器，該公司表示，使用一種名為HBM2的內存來克服數據傳輸性能上限，這比DDR4快了大約12倍。
雖然這些大廠商在與GPU，FPGA和ASIC構建的系統進行競爭，但其他人正在嘗試從頭改寫AI架構。
據報道，Knuedge準備用基于云操作的256核心芯片，但他并未多說。
英國公司Graphcore由于需在2017年發(fā)布技術，已經透露了一些。它希望其智能處理單元（IPU）使用基于圖形的處理，而不是GPU使用的向量或CPU中的標量處理。該公司希望這將使其能夠將訓練和推理工作負載適用于單個處理器。關于其技術有一個有趣的事情，它的基于圖的處理應該是減輕AI處理中最大的問題之一從內存到處理單元的數據。而戴爾一直是該公司的支持者。
波的計算也專注于不同類型的處理，使用它所謂的數據流架構。它有一個專為數據中心運行而設計的訓練器具，可以達到2.9PetaOPs/秒。
，KUKA機器人示教器維修