人工智能的發(fā)展及硬件技術(shù)分析

李國棟

（深圳市華途數(shù)字技術(shù)有限公司，廣東深圳 518000）

人工智能被視為“第四次技術(shù)革命”的核心驅(qū)動力，推動著全球經(jīng)濟(jì)產(chǎn)業(yè)與生活模式的智能化變革升級，是大國新一輪科技競賽的“掌上明珠”。2016年，我國就將人工智能作為發(fā)展新一代信息技術(shù)的主要方向，探索人工智能的關(guān)鍵技術(shù)與發(fā)展應(yīng)用，對于推動新科技、新產(chǎn)業(yè)、新應(yīng)用加速重塑具有重要意義。

1 人工智能概念及內(nèi)涵

1.1 人工智能的概念

人工智能（Artificial Intelligence）是通過人工模擬、延伸和擴(kuò)展人的智能思維過程及行為的一門技術(shù)，主要的物質(zhì)載體和實(shí)現(xiàn)平臺是現(xiàn)代計(jì)算機(jī)，并包含了仿生學(xué)、神經(jīng)科學(xué)、信息學(xué)、心理學(xué)、自然語言學(xué)、數(shù)學(xué)和哲學(xué)等諸多學(xué)科。關(guān)于人工智能內(nèi)涵，最早可追溯至艾倫?圖靈提出“圖靈測試”，隨著信息技術(shù)的不斷發(fā)展，其內(nèi)涵也在不斷深化完善，目前各領(lǐng)域給出的定義與闡釋不盡相同，但基本可以包含3個(gè)層級：①弱人工智能，就是利用算力和算法模擬人的思考過程，通常專注或限制于特定領(lǐng)域、專用應(yīng)用場景，作為腦力與初級智能的延伸，本質(zhì)上是不完備的人工智能，當(dāng)前人工智能發(fā)展水平還主要停留在這一層；②強(qiáng)人工智能，是人工智能向認(rèn)知型、通用型發(fā)展的結(jié)果，不再受限于某個(gè)領(lǐng)域，能夠綜合各類知識進(jìn)行類人推理、分析、整合，并通過自然表現(xiàn)形式進(jìn)行呈現(xiàn)，這一層人工智能基本可以順利通過“圖靈測試”；③超人工智能，是人工智能發(fā)展的高級形態(tài)，目前通過想象還不能完全描繪其樣貌，至少應(yīng)包含的特征有：除人類智能外，還同時(shí)具有人類情感和自主意識，具備獨(dú)立且先進(jìn)的創(chuàng)造能力而并非人類勞動的簡單替代。

1.2 人工智能關(guān)鍵技術(shù)

從當(dāng)前發(fā)展看，人工智能圍繞模擬人類感知、學(xué)習(xí)、處理、表達(dá)、行動等各個(gè)環(huán)節(jié)，按應(yīng)用領(lǐng)域發(fā)展出計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、自然語言處理、智能芯片、智能控制等關(guān)鍵技術(shù)。其中，計(jì)算機(jī)視覺用于智能圖像處理，能夠感知、提取、分析、判斷圖像中實(shí)體對象，廣泛運(yùn)用于面部識別、自動駕駛等領(lǐng)域；機(jī)器學(xué)習(xí)是通過模擬人類學(xué)習(xí)認(rèn)知過程，通過知識訓(xùn)練不斷修正算法模型的過程，是智能算法的核心；自然語言處理重點(diǎn)解決人機(jī)自然通信問題，既能分析、理解人的語音、語法、語義，還要能夠運(yùn)用自然語言表達(dá)邏輯、思想等；智能芯片是人工智能的底層基礎(chǔ)，通過大規(guī)模并行計(jì)算為智能算法和大數(shù)據(jù)處理等提供算力支撐；智能控制是人工智能的外部行為體現(xiàn)，在無人操控情況下實(shí)現(xiàn)機(jī)器自主決策、智能驅(qū)動、自動控制。

2 人工智能的發(fā)展

人工智能概念的提出最早可追溯至20世紀(jì)50年代，經(jīng)多次延宕發(fā)展至今，總的看可分為4個(gè)階段。

2.1 萌芽奠基階段（1950—1980年）

1950年，圖靈首次探討了機(jī)器擁有人的智能這一思想模型，并提出了“圖靈測試”的概念，1956年，在達(dá)特茅斯會議上首次提出了“人工智能”的概念。并確定了人工智能的發(fā)展目標(biāo)，即“可以像人類一樣運(yùn)用思維模型自主獲取處理知識并解決問題的機(jī)器”，自此開啟了人工智能的研究探索之旅，計(jì)算機(jī)科學(xué)家圍繞模擬思維邏輯構(gòu)建過程進(jìn)行了諸多有益的嘗試。算法模型上，比較典型的有羅森?布拉特提出的感知器模型，主要模擬了生物神經(jīng)突觸的信息感知處理機(jī)制，并首次引入了機(jī)器學(xué)習(xí)、M-P 模型、梯度下降算法等概念，雖然感知器模型作為一種二元線性分類器，僅僅實(shí)現(xiàn)了單層人工神經(jīng)網(wǎng)絡(luò)，且被證實(shí)無法解決異或等線性不可分問題，但基本思想為后來神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型奠定了重要基礎(chǔ)。試驗(yàn)運(yùn)用上，1952年，劍橋大學(xué)基于EDSAC 電腦開發(fā)了“購物者”模擬器，能夠初步模擬人類購物行為；1956年，Oliver Selfridge 開發(fā)了首個(gè)基于字符的模式識別軟件；1959年，Arthur Samuel 開發(fā)了“跳棋程序”，加入泛化機(jī)制能夠在對弈過程中自主獲取“經(jīng)驗(yàn)”，并在與州跳棋冠軍對抗中取得勝利；1970年，日本早稻田大學(xué)研制了第一個(gè)擬人機(jī)器人WABOT-1。這一階段，由于算法模型還存在參數(shù)引入單一基礎(chǔ)性制約，對于稍高維度、復(fù)雜問題顯得束手無策，人工智能發(fā)展一度陷入低迷期。

2.2 跌宕發(fā)展階段（1980—1996年）

20 世紀(jì)80 年代初，以Edward Feigenbaum 為代表的“知識學(xué)派”提出人工智能不應(yīng)囿于通用求解方法，應(yīng)著眼引入“知識”模擬人類專家求解具體領(lǐng)域的問題，開啟了知識工程系統(tǒng)的發(fā)展階段，出現(xiàn)了以XCON 為代表的系列專家系統(tǒng)，專注于醫(yī)療、地質(zhì)等領(lǐng)域的智能應(yīng)用，但受知識獲取限制，知識系統(tǒng)依然難以解決較為復(fù)雜的問題，傳統(tǒng)人工智能發(fā)展進(jìn)入瓶頸期。為解決海量知識獲取與模型建立難題，人們又提出了自下而上的“涌現(xiàn)”式解決思路，即讓計(jì)算機(jī)“自己學(xué)習(xí)”。圍繞這一思路，傳統(tǒng)人工智能研究者、神經(jīng)網(wǎng)絡(luò)研究者、生物行為研究者分別從不同方向進(jìn)行了探索，并形成了符號學(xué)派、連接學(xué)派和行為學(xué)派三個(gè)主要發(fā)展方向，其中，符號學(xué)派聚焦于模擬人外在行為和表現(xiàn)，嘗試將人的高級行為模式如推理、規(guī)劃等進(jìn)行“符號化”，本質(zhì)上是希望通過算力和存儲優(yōu)勢擴(kuò)展人的邏輯思考過程；連接學(xué)派則聚焦于模擬人腦和神經(jīng)系統(tǒng)的活動過程，是由感知器模型的基礎(chǔ)上發(fā)展而來，并將單一神經(jīng)網(wǎng)絡(luò)擴(kuò)展為多層神經(jīng)網(wǎng)絡(luò)，其中，BP 算法的引入有效解決了多層神經(jīng)網(wǎng)絡(luò)復(fù)雜參數(shù)訓(xùn)練問題，成為第三次人工智能浪潮的最重要推動力之一；行為學(xué)派則將目標(biāo)轉(zhuǎn)向低等生物仿生學(xué)，嘗試通過模擬低等生物行為和組織活動來理解智能的產(chǎn)生，這一階段，涌現(xiàn)出多種人工智能算法模型，但當(dāng)時(shí)處理器算力、機(jī)器性能明顯還無法滿足復(fù)雜模型的計(jì)算需求，對人工智能的探索多停留在試驗(yàn)階段。

2.3 理論成型階段（1997—2011年）

20世紀(jì)90年代后，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，特別是“摩爾定律”帶動計(jì)算機(jī)算力飛速提升、功耗不斷下降，加之人工智能算法的深化演進(jìn)，數(shù)字通信、大數(shù)據(jù)存儲等一系列前沿技術(shù)的興起，也推動著人工智能技術(shù)得以長足發(fā)展，帶動了“第三次人工智能浪潮”。這一階段開啟的標(biāo)志事件是IBM 公司研發(fā)的“深藍(lán)”超級計(jì)算機(jī)首次擊敗了世界第一的人類棋手，引發(fā)世界廣泛關(guān)注。同時(shí)，人工智能也開始在模式識別、自然語言理解、計(jì)算機(jī)視覺等領(lǐng)域迅速發(fā)展。這一階段，統(tǒng)計(jì)學(xué)習(xí)的數(shù)學(xué)模型被引入人工智能，數(shù)學(xué)家先后提出線性SVM、AdaBoost、隨機(jī)森林、圖模型等理論模型，使人工智能在分類、回歸等問題上取得較大突破，并開始嘗試為機(jī)器學(xué)習(xí)構(gòu)建新的統(tǒng)一框架。2006年，Hinton 及其學(xué)生正式提出了深度學(xué)習(xí)的概念，圍繞“梯度消失”問題給出了解決方案，成為當(dāng)前基于神經(jīng)網(wǎng)絡(luò)的人工智能算法基礎(chǔ)性模型，人工智能正式進(jìn)入深度學(xué)習(xí)時(shí)代。同年，英偉達(dá)公司推出CUDA芯片，用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練；2011年，蘋果公司推出了首個(gè)智能手機(jī)語音助理Siri，人工智能開始逐漸向消費(fèi)端轉(zhuǎn)移。這一階段，隨著基礎(chǔ)理論模型的發(fā)展完善，人工智能開始不再只是實(shí)驗(yàn)室里的產(chǎn)物，更多的科技產(chǎn)業(yè)開始將目光轉(zhuǎn)向人工智能領(lǐng)域，推動人工智能應(yīng)用進(jìn)入涌現(xiàn)期。

2.4 廣泛應(yīng)用階段（2012年—至今）

隨著谷歌等科技巨頭的紛紛加入，人工智能正式進(jìn)入大應(yīng)用時(shí)代，同時(shí)，新一代移動通信技術(shù)、大數(shù)據(jù)、云計(jì)算等也迎來爆發(fā)式發(fā)展，“算力+數(shù)據(jù)+移動網(wǎng)絡(luò)”使人工智能技術(shù)在算法和運(yùn)用上都得到了突破性進(jìn)展。這一階段的標(biāo)志性事件是谷歌DeepMind研發(fā)的AlphaGo 機(jī)器人，成為首個(gè)戰(zhàn)勝人類圍棋冠軍的智能機(jī)器，與傳統(tǒng)的“窮舉式”人工智能不同，AlphaGo 真正實(shí)現(xiàn)了通過“深度學(xué)習(xí)”進(jìn)行知識迭代，成為人工智能走向未來的一絲曙光?；谏疃葘W(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法，各大科技公司相繼推出了人工智能開發(fā)基礎(chǔ)框架，如谷歌公司的TensorFlow、臉書公司的PyTorch、華為公司MindSpore 等，助推人工智能領(lǐng)域快速向外擴(kuò)展，智能應(yīng)用進(jìn)一步普及化，進(jìn)入通信、零售、物流、生產(chǎn)、社交媒體等大眾生活的方方面面，也為智能學(xué)習(xí)獲取到大量學(xué)習(xí)樣本。深度學(xué)習(xí)算法進(jìn)一步技術(shù)迭代，衍生出卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)等多種模型，使人工智能在各領(lǐng)域發(fā)生從“象征性應(yīng)用”到“實(shí)質(zhì)性應(yīng)用”巨大轉(zhuǎn)變。目前，人們還在圍繞知識數(shù)據(jù)雙重驅(qū)動、人機(jī)物深度融合、開放自適應(yīng)等方向持續(xù)完善突破，驅(qū)動人工智能技術(shù)進(jìn)一步向通用化、自主化、生態(tài)化發(fā)展，“人工智能+”或?qū)⒊蔀槲磥砩畹男鲁B(tài)。

3 人工智能硬件關(guān)鍵技術(shù)分析

人工智能硬件包括AI 芯片、智能傳感器與中間件、智能外設(shè)等，作為算法實(shí)現(xiàn)的承載基礎(chǔ)，AI 芯片是人工智能硬件的關(guān)鍵核心。目前AI 芯片技術(shù)發(fā)展主要遵循2種路徑：①基于傳統(tǒng)的馮?諾依曼架構(gòu)，通過提升算力和并行處理能力，實(shí)現(xiàn)先進(jìn)算法支撐，包括英偉達(dá)Tesla 系列GPU、英特爾Arria FPGA 等；②另起爐灶，擺脫原有體系結(jié)構(gòu)，根據(jù)人腦神經(jīng)結(jié)構(gòu)研制類腦芯片。

3.1 GPU+CPU

CPU 與GPU 的組合是目前最廣泛的智能芯片架構(gòu)，其中，GPU 因其在高并行處理、浮點(diǎn)數(shù)據(jù)計(jì)算上的獨(dú)特優(yōu)勢，能夠充分發(fā)揮人工智能的潛力，成為近年來智能芯片方案的首選，而CPU 主要擔(dān)負(fù)任務(wù)處理和控制等任務(wù)。從GPU 架構(gòu)看，以英偉達(dá)為例，在AI 計(jì)算上采用CUDA 架構(gòu)，可包含數(shù)千個(gè)Stream Processors（SP），每個(gè)SP 就是一個(gè)并行處理核心，能夠提供強(qiáng)大的并行處理算力，相比于傳統(tǒng)CPU，GPU 在AI 運(yùn)算上速度可提升10倍以上，同時(shí)CUDA 提供了統(tǒng)一的開發(fā)模型，能夠有效縮短開發(fā)周期，提升開發(fā)效率。目前，GPU 主要應(yīng)用于模型訓(xùn)練與算法推理2個(gè)方面，模型訓(xùn)練上主要用于深度學(xué)習(xí)算法卷積層計(jì)算，目前主要GPU 生產(chǎn)商均有針對卷積層計(jì)算的矩陣乘法庫，如英特爾MKL 等，以及針對性優(yōu)化算法，如Tensor Core 等；算法推理上主要是針對AI 算法進(jìn)行模型和編譯優(yōu)化，如網(wǎng)絡(luò)剪枝、張量分解等，目前GPU 在模型訓(xùn)練上的計(jì)算優(yōu)勢較為明顯，在算法推理上還有較大短板。

3.2 現(xiàn)場可編程門陣列FPGA

FPGA 能夠同時(shí)完成并行AI 運(yùn)算和并行任務(wù)處理，與GPU 相比，其峰值運(yùn)算能力較弱，但具有功耗低、部署靈活、成本可控等優(yōu)點(diǎn)，在特定應(yīng)用領(lǐng)域時(shí)具有一定效率優(yōu)勢。FPGA 可最大包含數(shù)百萬個(gè)布爾運(yùn)算單元、數(shù)千個(gè)存儲器以及多個(gè)處理器內(nèi)核，每個(gè)時(shí)鐘周期可觸發(fā)百萬次并行計(jì)算操作，由于不需要進(jìn)行取指令和指令譯碼，在相同算力情況下，其功耗較GPU 低80%左右，F(xiàn)PGA 的高穩(wěn)定性也使其廣泛運(yùn)用于智能汽車、無人飛行等復(fù)雜場景，也可與GPU、ASIC 芯片搭配使用。但由于沒有統(tǒng)一框架和專用的集成開發(fā)環(huán)境，目前使用FPGA 開發(fā)AI 芯片還比較復(fù)雜，開發(fā)難度大、周期長。

3.3 定制ASIC

專用人工智能ASIC 在性能和能耗上均優(yōu)于CPU和FPGA，并具有封裝緊密、體積小、可靠性強(qiáng)、保密性高、成本低廉等諸多優(yōu)點(diǎn)。對于同等規(guī)格的GPU 和ASIC，算力上ASIC 可達(dá)GPU 的2.5倍以上，功耗僅有GPU 的1/15。但ASIC 一旦定制后便無法更改，難以適應(yīng)當(dāng)前快速迭代的算法更新，部署靈活性受限，因此應(yīng)用還不夠廣泛，目前部分用于礦機(jī)芯片，如ASICMiner、Avalon 等。

3.4 類腦芯片

類腦芯片是人工智能芯片的發(fā)展方向，此類芯片的基本思路是徹底改變傳統(tǒng)芯片架構(gòu)，借鑒腦科學(xué)領(lǐng)域的基本原理，開發(fā)類人腦工作模式的新架構(gòu)。相比于傳統(tǒng)的總線傳輸形式，類腦芯片數(shù)據(jù)處理單元與存儲單元一體，可減少數(shù)據(jù)交換能耗，同時(shí)采取神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有自適應(yīng)調(diào)整、分布式處理、高并發(fā)連接等優(yōu)勢，能夠在極低功耗下處理海量數(shù)據(jù)、解決復(fù)雜問題。以IBM 推出的“真北”類腦芯片為例，其包含54億個(gè)晶體管、2.56億個(gè)可編程突觸，突觸運(yùn)算速度可達(dá)460億次/s，但功耗不足70 mW。我國清華大學(xué)、浙江大學(xué)等也在同步開發(fā)相應(yīng)的類腦芯片。但由于晶體管在模擬神經(jīng)單元上的差異，以及當(dāng)前對于腦科學(xué)認(rèn)識不足，類腦芯片在商業(yè)化應(yīng)用上還有較長的路要走。

4 結(jié)束語

人工智能自提出至今已逾60余載，先后歷經(jīng)多次曲折發(fā)展，不斷吸收融合各領(lǐng)域前沿科技，其理論框架日益成熟，軟硬件基礎(chǔ)日益完善，應(yīng)用領(lǐng)域日益廣泛?？偟膩砜?，人類在弱人工智能領(lǐng)域已取得長足進(jìn)步，正在努力突破強(qiáng)人工智能的瓶頸。隨著計(jì)算機(jī)技術(shù)與基礎(chǔ)理論的不斷突破，人工智能技術(shù)在未來將取得更大發(fā)展，深刻改變?nèi)藗兊纳罘绞健?/p>