[[423611]]

雖然人工智能驅(qū)動(dòng)的設(shè)備和技術(shù)已經(jīng)成為我們生活的重要組成部分，但機(jī)器智能仍可能在一些領(lǐng)域做出重大改進(jìn)。

為了填補(bǔ)這些隱喻性的空白，非人工智能技術(shù)可以派上用場(chǎng)。

人工智能 (AI) 是一種“具有合成智能的新興計(jì)算機(jī)技術(shù)”。人們普遍認(rèn)為，我們?cè)谌粘Ｉ钪锌吹降娜斯ぶ悄軕?yīng)用只是其力量和能力的冰山一角。人工智能領(lǐng)域需要不斷演進(jìn)和不斷發(fā)展，以消除常見的人工智能局限性。

通常，人工智能由以下子領(lǐng)域組成，如認(rèn)知計(jì)算，也通常包括在內(nèi)，但以下領(lǐng)域幾乎在所有人工智能系統(tǒng)中無處不在：

• 機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)結(jié)合使用來自神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)、一般和特定統(tǒng)計(jì)數(shù)據(jù)、操作結(jié)果和其他來源，在不受外部引導(dǎo)的情況下發(fā)現(xiàn)信息中的模式。深度學(xué)習(xí)使用包含多個(gè)復(fù)雜處理單元層的神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)使用更大的數(shù)據(jù)集來提供復(fù)雜的輸出，如語音和圖像識(shí)別。
• 神經(jīng)網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)(也稱為人工神經(jīng)網(wǎng)絡(luò))利用數(shù)字和數(shù)學(xué)信息進(jìn)行數(shù)據(jù)處理。神經(jīng)網(wǎng)絡(luò)包含幾個(gè)類似神經(jīng)元和突觸的數(shù)據(jù)節(jié)點(diǎn)，模擬人類大腦的功能。
• 計(jì)算機(jī)視覺：利用模式識(shí)別和深度學(xué)習(xí)，計(jì)算機(jī)視覺識(shí)別圖像和視頻中的內(nèi)容。通過對(duì)圖像和視頻的處理、分析和獲取知識(shí)，計(jì)算機(jī)視覺幫助人工智能實(shí)時(shí)解釋周圍環(huán)境。
• 自然語言處理：這些是深度學(xué)習(xí)算法，使人工智能系統(tǒng)能夠理解、處理和生成人類的口語和書面語言。

非AI技術(shù)會(huì)讓AI變得更先進(jìn)(或者至少減少AI的局限性)，通常會(huì)增強(qiáng)其中一個(gè)部分，或積極地影響其輸入、處理或輸出能力。

1. 半導(dǎo)體：改善人工智能系統(tǒng)中的數(shù)據(jù)移動(dòng)

半導(dǎo)體和人工智能系統(tǒng)在同一領(lǐng)域共存的現(xiàn)象非常普遍。有幾家公司生產(chǎn)用于人工智能應(yīng)用的半導(dǎo)體。在現(xiàn)有的半導(dǎo)體企業(yè)中，為了制造人工智能芯片或?qū)⑷斯ぶ悄芗夹g(shù)嵌入到生產(chǎn)線上，實(shí)施了專門的項(xiàng)目。這類機(jī)構(gòu)參與人工智能領(lǐng)域的一個(gè)突出例子是英偉達(dá)(NVIDIA)，其包含半導(dǎo)體芯片的圖形處理單元(GPU)被大量用于數(shù)據(jù)服務(wù)器，以進(jìn)行人工智能訓(xùn)練。

半導(dǎo)體結(jié)構(gòu)的改變可以提高人工智能電路的數(shù)據(jù)使用效率。半導(dǎo)體設(shè)計(jì)的改變可以提高人工智能內(nèi)存存儲(chǔ)系統(tǒng)的數(shù)據(jù)移動(dòng)速度。除了增加功率，存儲(chǔ)系統(tǒng)也可以變得更高效。

隨著半導(dǎo)體芯片的參與，有幾個(gè)想法可以改善人工智能系統(tǒng)的各個(gè)數(shù)據(jù)使用方面。其中一種想法是只在需要的時(shí)候向神經(jīng)網(wǎng)絡(luò)發(fā)送數(shù)據(jù)(而不是不斷地通過網(wǎng)絡(luò)發(fā)送信號(hào))。另一個(gè)進(jìn)步的概念是在與人工智能相關(guān)的半導(dǎo)體設(shè)計(jì)中使用非易失性存儲(chǔ)器。正如我們所知，非易失性存儲(chǔ)芯片在沒有電源的情況下仍然可以保存保存的數(shù)據(jù)。將非易失性存儲(chǔ)器與處理邏輯芯片相結(jié)合，可以創(chuàng)造出滿足新型人工智能算法日益增長的需求的專用處理器。

雖然可以通過半導(dǎo)體的設(shè)計(jì)改善來滿足人工智能的應(yīng)用需求，但也有可能引發(fā)生產(chǎn)問題。由于對(duì)內(nèi)存的巨大需求，人工智能芯片通常比標(biāo)準(zhǔn)芯片要大。因此，半導(dǎo)體公司將需要花更多的錢來制造它們。因此，開發(fā)人工智能芯片對(duì)他們來說沒有多大經(jīng)濟(jì)意義。

為了解決這個(gè)問題，可以使用一個(gè)通用的人工智能平臺(tái)。芯片供應(yīng)商可以通過輸入/輸出傳感器和加速器來增強(qiáng)這些類型的AI平臺(tái)。使用這些資源，制造商可以根據(jù)不斷變化的應(yīng)用需求塑造平臺(tái)。通用人工智能系統(tǒng)的靈活性可以為半導(dǎo)體公司帶來成本效益，并大大減少人工智能的局限性。通用平臺(tái)是連接基于人工智能的應(yīng)用和改進(jìn)的半導(dǎo)體的未來。

2. 物聯(lián)網(wǎng) (IoT)：增強(qiáng) AI 輸入數(shù)據(jù)

人工智能在物聯(lián)網(wǎng)中的引入改善了二者的功能，并無縫解決了各自的缺點(diǎn)。正如我們所知，物聯(lián)網(wǎng)包含多種傳感器、軟件和連接技術(shù)，使多個(gè)設(shè)備以及其他數(shù)字實(shí)體能夠通過互聯(lián)網(wǎng)相互通信和交換數(shù)據(jù)。這些設(shè)備可以是日常生活用品，也可以是復(fù)雜的組織機(jī)器。從根本上說，物聯(lián)網(wǎng)減少了觀察、確定和理解一個(gè)情況或其周圍環(huán)境的幾個(gè)互連設(shè)備的人為因素。相機(jī)、傳感器和聲音探測(cè)器等設(shè)備可以自行記錄數(shù)據(jù)。這就是人工智能的用武之地。機(jī)器學(xué)習(xí)總是要求它的輸入數(shù)據(jù)集來源盡可能廣泛。物聯(lián)網(wǎng)擁有大量連接設(shè)備，為人工智能研究提供了更廣泛的數(shù)據(jù)集。

為了充分利用物聯(lián)網(wǎng)為人工智能系統(tǒng)提供的大量數(shù)據(jù)儲(chǔ)備，企業(yè)組織可以構(gòu)建自定義機(jī)器學(xué)習(xí)模型。利用物聯(lián)網(wǎng)從多個(gè)設(shè)備收集數(shù)據(jù)并在時(shí)尚的用戶界面上以有組織的格式呈現(xiàn)數(shù)據(jù)的能力，數(shù)據(jù)專家可以有效地將其與人工智能系統(tǒng)的機(jī)器學(xué)習(xí)組件集成。

人工智能和物聯(lián)網(wǎng)的結(jié)合對(duì)這兩個(gè)系統(tǒng)都很有效，因?yàn)槿斯ぶ悄軓钠湮锫?lián)網(wǎng)對(duì)應(yīng)物獲得大量原始數(shù)據(jù)進(jìn)行處理。作為回報(bào)，人工智能可以快速找到信息模式，從未分類的大量數(shù)據(jù)中整理和呈現(xiàn)有價(jià)值的見解。人工智能從一組分散的信息中直觀地檢測(cè)模式和異常的能力得到了物聯(lián)網(wǎng)傳感器和設(shè)備的補(bǔ)充。通過物聯(lián)網(wǎng)生成和簡化信息，人工智能可以處理與溫度、壓力、濕度和空氣質(zhì)量等各種概念相關(guān)的大量細(xì)節(jié)。

近年來，幾家大型企業(yè)成功部署了各自對(duì)人工智能和物聯(lián)網(wǎng)結(jié)合的理解，以在其行業(yè)中獲得競(jìng)爭(zhēng)優(yōu)勢(shì)并解決人工智能的局限性。 Google Cloud IoT、Azure IoT 和 AWS IoT 是這一趨勢(shì)的一些著名例子。

3. 圖形處理單元：為人工智能系統(tǒng)提供計(jì)算能力

隨著 AI 的日益普及，GPU 已經(jīng)從單純的圖形相關(guān)系統(tǒng)組件轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)和計(jì)算機(jī)視覺過程的一個(gè)組成部分。事實(shí)上，人們普遍認(rèn)為 GPU 相當(dāng)于普通計(jì)算機(jī)中的 CPU 的人工智能。首先，系統(tǒng)需要處理器內(nèi)核來進(jìn)行計(jì)算操作。與標(biāo)準(zhǔn) CPU 相比，GPU 通常包含更多的內(nèi)核。這允許這些系統(tǒng)為跨多個(gè)并行進(jìn)程的多個(gè)用戶提供更好的計(jì)算能力和速度。此外，深度學(xué)習(xí)操作處理大量數(shù)據(jù)。 GPU 的處理能力和高帶寬可以輕松滿足這些要求。

GPU具有強(qiáng)大的計(jì)算能力，可以配置為訓(xùn)練AI和深度學(xué)習(xí)模型(通常是同時(shí)進(jìn)行)。如前所述，更大的帶寬使GPU比普通CPU具有必要的計(jì)算優(yōu)勢(shì)。因此，人工智能系統(tǒng)可以允許大量數(shù)據(jù)集的輸入，這可能會(huì)超過標(biāo)準(zhǔn)的CPU和其他處理器，從而提供更大的輸出。最重要的是，在AI驅(qū)動(dòng)的系統(tǒng)中，GPU的使用并不會(huì)占用大量內(nèi)存。通常，計(jì)算大的、不同的任務(wù)需要在標(biāo)準(zhǔn)CPU中使用幾個(gè)時(shí)鐘周期，因?yàn)樗奶幚砥靼错樞蛲瓿扇蝿?wù)，并且擁有有限數(shù)量的核心。

另一方面，即使是最基本的GPU也有自己的專用VRAM(視頻隨機(jī)訪問內(nèi)存)。因此，主處理器的內(nèi)存不會(huì)被小型和中型進(jìn)程占用。深度學(xué)習(xí)需要大量的數(shù)據(jù)集。雖然物聯(lián)網(wǎng)等技術(shù)可以提供更廣泛的信息，半導(dǎo)體芯片可以規(guī)范AI系統(tǒng)的數(shù)據(jù)使用，但GPU在計(jì)算能力和更大的內(nèi)存儲(chǔ)備方面提供了資源。因此，GPU 的使用限制了 AI 在處理速度方面的局限性。

4. 量子計(jì)算：升級(jí)人工智能的方方面面

從表面上看，量子計(jì)算類似于傳統(tǒng)的計(jì)算系統(tǒng)。主要區(qū)別在于使用了獨(dú)特的量子位(也稱為qubit)，它允許量子計(jì)算處理器中的信息同時(shí)以多種格式存在。量子計(jì)算電路執(zhí)行類似于常規(guī)邏輯電路的任務(wù)，但添加了糾纏和干擾等量子現(xiàn)象，以將其計(jì)算和處理提升到超級(jí)計(jì)算機(jī)水平。

量子計(jì)算允許人工智能系統(tǒng)從專門的量子數(shù)據(jù)集中獲取信息。為了實(shí)現(xiàn)這一點(diǎn)，量子計(jì)算系統(tǒng)使用稱為量子張量的多維數(shù)字陣列。然后使用這些張量創(chuàng)建大量數(shù)據(jù)集供 AI 處理。為了在這些數(shù)據(jù)集中找到模式和異常，部署了量子神經(jīng)網(wǎng)絡(luò)模型。最重要的是，量子計(jì)算提高了人工智能算法的質(zhì)量和精度。量子計(jì)算通過以下方式解決了常見的 AI 限制：

• 與標(biāo)準(zhǔn)計(jì)算系統(tǒng)相比，量子計(jì)算系統(tǒng)功能更強(qiáng)大，而且不易出錯(cuò)。
• 一般來說，量子計(jì)算有助于人工智能系統(tǒng)的開源數(shù)據(jù)建模和機(jī)器訓(xùn)練框架。
• 量子算法可以在糾纏輸入數(shù)據(jù)中尋找模式的過程中提高人工智能系統(tǒng)的效率。

我們可以清楚地看到，人工智能的發(fā)展可以通過增加輸入信息量(通過物聯(lián)網(wǎng))、提高數(shù)據(jù)使用率(通過半導(dǎo)體)、增加計(jì)算能力(通過 GPU)或簡單地改進(jìn)各個(gè)方面來實(shí)現(xiàn)其操作(通過量子計(jì)算)。

除此之外，未來可能還有其他幾種技術(shù)和概念可以成為人工智能發(fā)展的一部分。在其概念和誕生 60 多年后，人工智能在當(dāng)今幾乎每個(gè)領(lǐng)域都比以往任何時(shí)候都更加重要。無論它從哪里開始，人工智能的下一個(gè)進(jìn)化階段都將是引人入勝的。