在人工智能發(fā)展的時代，特定學科的定義越來越含糊，交叉學科成為機器學習的特點。同時，人類在腦力層面進一步依賴機器，并逐漸把更多大腦思考和不可解析的問題交給機器來執(zhí)行。這其中也涉及到“力量”的問題。但是，我們發(fā)現(xiàn)，在許多由機器輔助或代替人類處理問題的領域里，如無人系統(tǒng)、量子計算、納米科技、物聯(lián)網等，機器的“力量”還不夠，原因在于：現(xiàn)有的許多模型和算法還達不到機器學習的需求。截止今日，人類在算力方面的研究已有半個世紀。1956年，Rosenblatt發(fā)明第一臺基于感知機的神經計算機，“Mark 1感知機”，僅包含512個計算單元。這臺感知機只能進行初步的數(shù)據分類，但無法進行更復雜的算法分類和數(shù)據分類，因為算力不夠，后者需要用到更復雜的算法。人工智能技術發(fā)展的低谷主要來自兩方面：一是模型性能差，二是算力不夠。算力實際上就體現(xiàn)了軟件與硬件應如何結合、發(fā)展。1965年，Gordon Moore建立摩爾定理，提出：集成電路芯片上所集成的晶體管數(shù)量，每隔18個月翻一番。為什么每隔18個月就要翻一番呢？這是為了提高算力和算法的可實現(xiàn)性。隨后，在1980年，芯片技術出現(xiàn)。這是信息時代最偉大的貢獻。計算機芯片加上互聯(lián)網，專家系統(tǒng)的投入使用成為一個新的里程碑。到了1999年，英偉達為了提升算力，提出使用 GPU進行并行計算，于是出現(xiàn)首個名義上的GPU：Nvidia GeForce 256，算力為50 GFLOPs。這為算力提升起到關鍵作用，也實現(xiàn)了人類腦力的遷移。之后，我們可以看到，2012年，Alpha Go使用176個GPU、1202個CPU，在圍棋上戰(zhàn)勝人類。包括后來2016年，AlexNet性能的提升也得益于GPU，并開啟深度學習的黃金時代。由此可見，算力對人工智能的發(fā)展和應用有著關鍵影響。興，算力也；亡，算力也。算力的不足，將會導致人工智能的衰落。在智能醫(yī)療、智能制造、無人駕駛和無人系統(tǒng)等領域，我們需要用到的算法和模型越來越復雜。其次，在互聯(lián)網影視、短視頻、網絡直播等行業(yè)，據調查，流媒體視頻占全球互聯(lián)網下行流量的58%，2019年8月國內互聯(lián)網終端數(shù)量突破20億，每月超過20億的注冊訪問量，每分鐘高達500個小時的上傳視頻。值得注意的是，隨著軍事AI的快速發(fā)展，軍事技術對算力的需求也逐漸增長，然而電子摩爾定律逼近極限，傳統(tǒng)芯片瓶頸凸顯。舉個例子，在中程導彈和遠程導彈的研發(fā)中，光纖牽引頭是一個關鍵點，用于探路與開路，但由于算力不夠，導彈的飛行速度被制約。如果算力能將飛行識別的速度提高到納秒級、甚至是皮秒級，那么導彈的飛行速度就能提高。人工智能產業(yè)的發(fā)展對算力需求呈指數(shù)增長，如何從硬件與軟件上提高算力，成為國內外科研者的研究熱點。算力顛覆性提升、催生新國防武器和新應用也成為國際競爭的一個體現(xiàn)。最近，MIT的一位計算機科學家Charles Leiserson 在《Science》上發(fā)表了一篇文章：《There's plenty of room at the Top: What will drive computer performance after Moore's law?》。他們在研究算力上，就上千篇文章進行了細致的分析，總結出：深度學習正在逼近現(xiàn)有芯片的算力極限；計算能力提高10倍相當于三年的算法改進；算力提高的硬件、環(huán)境和金錢成本將無法承受。我們對人工智能的期望越來越高，發(fā)展AI所承受的壓力也很大。據Intel Nvidia OpenAI的調研顯示，盡管人工智能對算力的需求快速增長，但算力的提升速度卻逐漸放緩：那么，我們接下來要如何提升算力呢？全世界都在討論，最后得出：可以通過芯片架構創(chuàng)新，研制神經網絡專用芯片，以實現(xiàn)算力的提升，滿足人工智能的發(fā)展需求。在國內，有地平線、寒武紀等企業(yè)專門在做人工智能芯片。Google TPU Array做的則是神經網絡的專用芯片。比方說，Alpha Zero便是用了5000個TPU的芯片訓練40天，學會下圍棋，還拿了國際NO.1。針對人工智能算力提升的變革，研究人員提出了幾個不同的途徑，包括：量子計算、存算一體架構、類腦計算和光電智能計算。1、量子計算：近年來，谷歌、IBM等名企紛紛看中了量子計算的的指數(shù)級計算能力，能夠適用于大規(guī)模計算場景。但是，搭建量子計算至少要占用100平米的大房子，因為要保證在特定時間段內捕獲的量子的相關性要強，而且在持續(xù)工作中的穩(wěn)定性要高。所以，量子計算其實屬于特殊的計算應用，對當下，或未來10年、20年的AI算力提升是有難度的。我們希望將算力提升應用到多個方面，而不僅僅是特殊計算。2、存算一體架構：存算一體架構使用了憶阻器陣列，存儲和計算是一體的，相當于不用先調用內存中的數(shù)據再進行計算，因此能大大提升算力。3、類腦計算：類腦計算的目的是希望機器能夠逼近人腦的計算，這樣也能夠提升一定的算力。4、光電智能計算：如果將光電智能計算和存算一體架構、類腦計算成功結合起來，算力的提升至少能滿足未來10年、甚至20年內人工智能對算力的需求。彼時，我們便能證明，人工智能不是泡沫，現(xiàn)有的難題是因為算力技術遇到了瓶頸。來自普林斯頓大學的電氣工程教授Paul Prucnal專門對光計算進行了理論推導，推導的結果是：如果用光計算，算力能提升3個數(shù)量級。而且，光計算是不需要耗電的，功耗又能下降6個數(shù)量級。有了理論的保障后，研究人員提出做光電計算，有望實現(xiàn)速度千倍提升、效率百萬倍提升。
