【產業鏈圖譜 | 人工智能產業鏈圖譜_人工智能產業鏈全景圖】

【研究報告 | 人工智能行業研究報告】

　　人工智能在近幾年的發展引發了科技界新的發展趨向，眾多企業紛紛投入到人工智能的研究中，人工智能技術可以改變很多行業的現有運轉方式，但是對人工智能的討論也需要落在實地上，今天從人工智能的硬件基礎討論人工智能的行業發展。

　　以DeepMind的發展為例，DeepMind推出的數字AI系統能夠處理二進制世界的鏈接和點擊共享等問題，在當前市場得到應用。同時，DeepMind還懂得分析用戶心理，通過培養技術的神秘性進行技術推銷。但是技術最后的硬件需求大家了解的很少。

　　從科技發展的歷史來看，在RFC(Request For Comments)被發布之后，互聯網的協議逐漸分散。雖然定義協議是分散的，但使用這些協議的核心平臺仍然是專有的并且是封閉的。而思科1990年的首次公開募股開啟了不可思議的Web時代。由于主要的網絡供應商都有自己的硬件，所以雖然局外人可以為協議規范做出貢獻，但只有網絡公司的開發人員才能將這些協議添加到他們的平臺。思科創建了各種公司，然后經歷各種收購或合并，直至互聯網泡沫破滅。這之后的操作系統、桌面應用程序也都經歷了類似的戰斗。無論是20世紀90年代的Netscape和IE，還是今天的Chrome、IE和Firefox，瀏覽器一直是令人垂涎的應用程序，因為它是網絡的前端。

　　技術的發展最后真正仍然要突破硬件技術的瓶頸。

　　首先，是摩爾定律的扁平化。1958年，第一個集成電路包含了2個晶體管，體積相當大，覆蓋一平方厘米。到1971年，“摩爾定律”在集成芯片性能的指數級增長中變得明顯;2300個晶體管在同一表面上，與以前一樣。到2014年，IBM P8處理器擁有多達42億個晶體管和16個核心，所有這些覆蓋在650平方毫米。在給定的硅片上，你能裝多少個晶體管是有一個自然的限制的，而且我們很快就會達到這個極限。

　　此外是，機器學習應用，尤其是在語音和圖像識別中的并行問題。我們看到谷歌對圖像進行識別時候，并不知道它的運算需要1600個處理器進行技術處理，這也就代表了我們不能在移動設備運行這些算法，如果我們想要運行這些算法，需要依賴云的計算能力。而終端計算帶來的用戶體驗和數據安全性是云計算不能給予的。所以需要對機器學習的算法使用范圍進行適當的優化，才能提升用戶的用戶體驗，促進人工智能的未來發展。

　　設備變熱的原因，以及我們當前計算機硬件設計的主要問題，是所謂的“馮諾依曼瓶頸”：經典的計算機架構將數據處理與數據存儲分離開來，這意味著數據需要在計算過程中從一個地方轉移到另一個地方。并行度通過分解計算和分布處理來解決部分問題，但你仍然需要在最后移動數據，將所有的數據都轉換成期望的輸出。那么，如果有一種方法可以完全消除硬件瓶頸呢?如果處理和數據在同一個地方，無需移動，也不會產生熱量或消耗那么多的能量，那會怎樣呢?畢竟，我們的大腦就是這樣工作的：我們沒有像計算機那樣處理數據和存儲數據的獨立區域，所有的事情都發生在我們的神經元上。

　　在二十世紀九十年代，人工智能就已經出現在了大家的視野中，現在人工智能已經經過了三十年發展，現在人工智能已經被賦予了“第四次工業革命”的重任，在各行各業都被列為重要的投資方向，掌握好技術的硬件需求，才能在未來的競爭中實現持續的突破。