展望2018 AI芯片领域：众多厂商追随深度学习

微软每年都会举办两个主题是人工智能的内部员工大会，最近一次规模达到5000人，前SPARC处理器架构师Marc Tremblay表示，他现在负责微软在定制人工智能芯片和系统方面的工作。

有专家坦言，他们并不完全理解为什么现有的算法获得了这么好的效果。关于递归（RNN）和卷积（CNN）神经网络等类型的深度神经网络相对有效性引发了各种辩论，同时，新的模式仍在开发之中。

AMD公司研究员Allen Rush在最近一次关于人工智能的研讨会上表示：“各种算法非常有可能在未来五年内会发生变化。我们打赌，像矩阵乘法这样的最底层的原语将是不可改变的。”

这就是Google在TPU上投入的赌注，最新版本的TPU是针对训练和推理任务的，它本质上是一个大的乘法累加单元，运行和保存线性代数例程的结果。预计Nervana和Graphcore芯片也将效仿这一做法。

哈佛大学前大脑研究员、Nervana共同创始人、现任英特尔Nervana集团首席技术官Amir Khosrowshahi表示，目前在深度神经网络方面取得的成功，正在主导着更广泛的人工智能领域。他在IEEE研讨会上表示：“由于深度学习如此成功，所以在这之下事情发展得很顺利。大家都在做深度神经网络，这是一场悲剧......不要以为现在发生的事情，一年以后还会存在。”

今天深度神经网络得到了如此多的关注，但这仅代表了更为广泛的人工智能领域的很小一部分。（来源：英特尔）

尽管深度神经网络可以比人类更精确地识别图像，但“如今的数据科学家被迫花费不可接受的时间对数据进行预处理，对模型和参数进行迭代，并且等待训练的融合......每一步都要花费太多人力，或者太过于计算密集型了,”Khosrowshahi说。
总的来说，“人工智能的难题仍然很难解决，”他补充说。“最好的研究人员可以用一个机器人打开一扇门，但要拿起杯子，可能比赢过Alpha Go（深度神经网络赢得的早期胜利之一）还难。”