谈及技术趋势，近年来人工智能无疑一直引领潮流，预计未来几十年也将如此。
从自动驾驶汽车到预测医学和个性化学习，人工智能正日益影响我们日常生活中既实际又私密的方方面面，甚至包括为我们匹配理想伴侣。谈到人工智能时，我们往往关注其应用场景：人工智能接下来会促成什么？在构建强大人工智能系统和应用的竞赛中，公众（包括技术领域的专家）常常忽视人工智能与计算之间密切的相互联系。然而，如果没有计算硬件和计算生态系统的演进，我们眼下见证的人工智能革命就不可能发生。
人工智能与计算之间的关系
简而言之，人工智能旨在让计算机模仿人类智能。实现这一目标的一种方式是机器学习（ML），即一系列统计技术，使机器能够从数据中学习，而不是通过明确编程来执行特定任务。最著名的机器学习技术包括回归模型、决策树和神经网络。神经网络由相互连接的节点构成自适应系统，用于建模输入数据与输出数据之间的关系模式。多层神经网络尤其适合执行图像识别和文本生成等复杂任务。由于底层神经网络层数较深，这些技术属于机器学习的一个子集，称为深度学习（DL）。总体而言，机器学习技术，尤其是深度学习技术，对数据和计算资源的需求都很高。一个用于将动物图片分为狗和猫的基础深度神经网络，需要数十万张已分类的动物图片作为训练数据，并需要进行数十亿次迭代计算，才能模仿一个四岁孩子分辨猫狗的能力。从这个意义上说，数据和计算是构建高性能人工智能系统的支柱。
塑造人工智能的主要计算趋势
• 摩尔定律：摩尔定律以英特尔联合创始人戈登·摩尔的名字命名。该定律指出，自20世纪60年代中期以来，集成电路（IC）每平方英寸的晶体管数量每18个月至两年就会翻一番。得益于摩尔定律，计算机以指数速度变得更小、更快，计算成本每年降低约30%，使得在小型集成电路上执行复杂数学运算成为可能，也为嵌入式计算和普适计算铺平了道路。
• 物联网（IoT）：预计到2020年将有超过400亿台（微型）计算机连接到互联网，物联网由此推动收集海量文本、语音、图像及其他形式的训练数据，为机器学习和深度学习模型提供数据，并提高这些模型的准确度和精确性。
• 应用专用（及人工智能专用）计算硬件兴起：计算机由多个处理单元组成，每个处理单元包含一个或多个核心或集成电路。CPU（中央处理器）是最标准化、用途最广泛的微处理器，几乎可以编程用于任何用途。近年来，GPU（图形处理器）和TPU（张量处理器）等新型处理单元相继出现。理想情况下，GPU或TPU包含的核心数量多于CPU，并且在集成电路层面采用不同的晶体管拓扑结构。由于架构经过专门设计，GPU和TPU特别适合计算密集型深度学习应用，例如图像处理、语音识别，以及非结构化文本挖掘。
• 百亿亿级计算时代：随着数据激增，计算硬件的演进，以及人工智能和区块链等应用对计算能力需求的增长，促使HPE等计算巨头开始建造超级计算机。超级计算机部署在集中式数据中心，计算能力至少达到1 exaFLOPS，即每秒十亿亿（即一百京）次运算。这一能力是2008年投入运行的首台千万亿级计算机的千倍。中国和欧盟也在竞相投入数百万资金，发展百亿亿级计算能力。
当前计算格局面临的挑战
由于本地计算和按需云计算易于获取且成本不断下降，在推动人工智能革命时，计算资源很少被视为稀缺资源。然而，计算机系统正面临诸多限制，可能拖慢基于这些系统构建的人工智能应用的发展。主要挑战包括：
• 摩尔定律走向终结：受物理限制，晶体管尺寸无法低于某个限度，这可能导致摩尔定律比预期更早失效，并限制微处理器持续缩小的能力。
• 数据监管日益严格：要在集中式超级计算机上快速进行百亿亿级数据处理，数据必须存储在处理器附近。全球对数据监管的要求日益提高，包括欧洲近期通过《通用数据保护条例》（GDPR），这可能使数据集中存放更加困难，并让建造超级计算机的初衷受到质疑。
• 数据传输和存储的成本（及可行性）：承接上一点，训练数据量庞大，而将数据传输到靠近集中式处理器的位置又涉及带宽成本，因此需要重新设计计算机内存和底层输入/输出（I/O）操作，并对网络容量进行大量投资。运行集中式超级计算机还会产生运营支出（OPEX）和环境成本，尤其是电力消耗和二氧化碳排放。
• 缺乏支持计算发展的生态系统：越来越多的信息技术人才加入科技巨头或创办人工智能初创企业，人们到传统计算机制造商工作，或创办专注于开发新型计算硬件的初创企业的意愿正在下降。尽管高级编程语言、API和代码库的出现加快了人工智能产品原型的开发，但也使人们对计算架构和基本计算操作的理解变得不够深入，甚至包括计算机科学家。
未来的发展方向
集中式超级计算受到的监管限制，以及相关的能源和带宽成本，可能推动数据存储和计算向边缘转移。英特尔已经开发出一种USB设备，让用户能够在边缘网络设备（如智能摄像头和增强现实硬件）上有效执行计算机视觉和图像识别。
摩尔定律即将走向终结，可能促使更专业化的计算架构兴起。这类架构着重改变处理单元和独立电路的组织方式，从而在不继续缩小晶体管或处理器尺寸的情况下提升性能。
另一方面，一种新的计算形式——量子计算——正逐渐崭露头角，尽管其实际应用仍面临挑战。量子计算机利用量子力学的奇异规律，重新构想计算方式。经典计算机使用基于二进制单元设计的晶体管，而量子计算机则采用“量子位”（qubit）。与始终只能取值为1或0的比特不同，量子位可以处于“叠加态”，从而同时模拟多个状态。量子层级物质的另一种属性“纠缠”，意味着多个量子位可以通过逻辑门连接。量子计算的“叠加”和“纠缠”特性使多个运算流能够并行进行，无论是在单个“量子位”还是多个“量子位”层面都如此。因此，与经典计算机相比，量子计算机更适合解决复杂的计算问题。尽管如此，从工程角度看，实际建造一台“通用”量子计算机仍极为困难。创建和维持量子位需要在极端条件下保持系统稳定，例如让组件温度极接近绝对零度。
鼓励更多人投身科学、技术、工程和数学（STEM）领域，并留住技术人才，将为计算机制造业提供所需人才，推动行业自我革新，并跟上人工智能革命的需求。
最后，在构建机器学习模型和编写算法时，数据科学家、计算机科学家、机器学习工程师和人工智能从业者应考虑以尽可能简单的方式解决当前问题。如果回归模型已经能提供良好准确度，却选择复杂的神经网络；或者每周更新数据就已足够，却每天运行数据管道——这些都是技术人才日常浪费计算这一稀缺资源的真实例子。推动科技生态系统采用有利于节约计算资源的实践，已成为科技行业维持自身增长的必要条件，尤其是在人工智能领域。
