谷歌和Facebook已开源了为其产品中人工智能逻辑提供动力的计算硬件设计。这些智能算法为 谷歌的搜索和推荐功能、 Facebook的Messenger数字助手M 提供动力，当然还有两家公司对定向广告的运用。
Facebook定制的计算机服务器，代号为 Big Sur，内置大量图形处理单元（GPU）——即个人电脑中用于运行最新3D图形电子游戏的显卡。为谷歌 TensorFlow 人工智能提供动力的硬件同样如此。那么，为何人工智能计算要基于图形处理器而非主流计算机处理器构建？
GPU最初被设计为协处理器，与计算机的主中央处理器（CPU）协同工作，以分担高负荷的计算图形任务。渲染3D图形场景属于所谓的 尴尬并行任务。由于图像各区域之间没有关联或相互依赖，这类任务可以轻松拆分为独立子任务，并同时并行处理，也就是说，在同一时间进行，因此能大幅加快任务完成速度。
正是这种并行性促使GPU制造商将其硬件用于截然不同的用途。通过优化，使GPU仅在大规模并行任务上才能实现最大计算吞吐量，GPU便可转变为专用处理器，运行任何并行化代码，而不仅限于图形任务。另一方面，CPU经过优化，更擅长处理单线程（非并行）任务，因为大多数通用软件仍是单线程的。
与只有一个、两个、四个或八个处理核心的CPU相比，现代GPU拥有数千个核心：例如，用于Facebook服务器的 NVIDIA Tesla M40 拥有3,072个所谓的 CUDA 核心。不过，这种大规模并行性也有代价：软件必须专门编写才能利用它，而且GPU难以编程。
是什么使GPU适用于人工智能？
GPU之所以成为首选的超级计算硬件，原因之一在于一些要求最高的计算问题恰好非常适合并行执行。
一个典型例子是 深度学习，它是人工智能领域的前沿发展之一。支撑这一强大方法的神经网络概念（由高度互联节点组成的大型网络）在20世纪90年代曾被视为失败而遭摒弃。但如今，该技术使我们能够构建规模大得多、层次更深的神经网络，这一方法因此取得了根本性的改进成果。这些神经网络为谷歌、Facebook以及众多应用目前使用的语音识别软件、语言翻译和语义搜索功能提供支持。
训练神经网络使其“学习”的方式，与大脑中神经元之间建立连接并强化这些连接的过程相似。从计算角度看，这一学习过程可以并行化，因此可以借助GPU硬件加速。这种机器学习需要用于学习的样本，这同样便于利用并行处理实现轻松加速。借助 Torch代码库 等开源机器学习工具以及配备GPU的服务器，神经网络训练在GPU上的速度可比基于CPU的系统快许多倍。
GPU是计算的未来吗？
几十年来，我们已习惯于 摩尔定律 的一种表述，即计算机处理能力大约每两年翻一番。这主要通过小型化实现，小型化减少发热，从而使CPU能够更快运行。然而，这种“免费午餐”随着半导体已小型化至接近硅的理论元素极限而告终。如今，提升速度的唯一可信途径是更高的并行性，正如过去十年间 多核CPU的兴起 所展示的那样。不过，GPU已经占得先机。
除人工智能外，GPU还用于流体与空气动力学模拟、物理引擎和大脑模拟等，仅举几例。世界上一些最强大的计算机，例如橡树岭国家实验室的Titan超级计算机，目前位列 全球第二快的超级计算机，它们基于英伟达的GPU加速器构建，而英特尔的竞争产品包括 Phi 并行协处理器，为天河二号提供动力，天河二号是 全球最快的超级计算机。然而，并非所有问题都易于并行化，为这些环境编程也颇为困难。
可以说，计算的未来，至少就人工智能而言，或许在于更为截然不同的神经形态计算机。IBM的 True North 芯片便是其中之一，另一款正由价值10亿欧元的 Human Brain Project研发。在这一模式中，与其用多个处理器组成的网络模拟神经网络，这款芯片 就是 神经网络：芯片上的单个硅晶体管构成电路，通过电信号进行处理和通信，这与生物大脑中的神经元并无太大不同。
支持者认为，这些系统将帮助我们最终把神经网络扩展到人脑的规模与复杂程度，使人工智能达到可与人类智能相媲美的水平。另一些人，尤其是脑科学研究者，则更为谨慎：人脑远不止其神经元数量多、密度高，很可能还有更多值得探究之处。
无论如何，我们今后对大脑的认识，很可能正是通过那些旨在模仿大脑运作方式的超级计算机获得的。
发表本文并不代表世界经济论坛认同文中观点。
要及时了解议程动态，请 订阅我们的每周通讯。
作者：Thomas Nowotny，萨塞克斯大学信息学教授。
图片：插图显示一名男子手持笔记本电脑，其身上投射着二进制代码。REUTERS/Kacper Pempel。
