人工智能算法遭遇瓶颈，但硬件革命将其推向主流

近年来，随着计算机在越来越复杂的任务中显示出其相对于人类的优越性，智能算法已经成为了人工智能领域的一大突破。

然而，如今，在推动人工智能向前发展方面，另一种力量可能会产生更大的影响。专业芯片和其他硬件的进步提升了最先进的人工智能系统的能力，同时也将该类技术推向主流。这是否能够产生切实的商业利益，则是另一回事。

斯坦福大学的一个研究小组发起的项目人工智能指数(AI Index)清楚地表明了人工智能硬件革命的重要性。最新的AI Index试图总结人工智能的进展，捕捉到了过去18个月来人工智能最大进展的轨迹的一个变化。

从很多层面来看，这些算法并没有实现近年来的飞跃。部分原因是，在一些任务中，该类技术所取得的成果并没有显著增加：例如，在图像识别方面，计算机在完成了对人类的超越以后，便没有更多的建树。

这也反映了一个事实，即有待解决的问题越来越难，进展也越来越慢。众所周知，语言是机器智能的下一个前沿领域，攻克难度尤其大。虽然语音识别和语言翻译等任务已经被解决，但理解和推理仍然是人类所统治的一个领域。

相反，最引人注目的进步来自硬件。例如，经过专门设计的芯片被用来处理机器学习所需的大量数据，业界也为针对这项工作开发专用的系统。

美国研究机构OpenAI指出了2012年出现的一个硬件拐点。在那之前，芯片行业的经验法则摩尔定律(Moore’s Law)在人工智能计算领域占据主导地位。摩尔定律是指，处理能力每两年就会翻一番。

从那时起，人工智能系统就遵循了摩尔定律。随着新型硬件和更多的资源投入到这个问题上，最先进的人工智能系统的能力每3.4个月就提升一番。

这种硬件加速存在一个悖论。一方面，在科学的前沿，它让人工智能变成了一场鲜有人能够参与的军备竞赛。

能够控制巨大计算资源的大公司和政府将是唯一有能力参与这场竞赛的。OpenAI的运营理念一直是，拥有最大计算机的人工智能研究人员将会继承这个世界。该组织最近从微软获得了10亿美元的投资，来继续留在这场竞赛当中。

然而，硬件革命的另一个影响是，将这项技术推向了主流。谷歌的TPU是世界上最先进的机器学习处理芯片之一，外界可以通过该公司的云计算平台按小时租用(如果你的工作负荷没有时间敏感性，而且你不介意排队等候，只需每小时1.35美元)。

在硅谷，人们过多地主张“大众化”新技术，但在人工智能领域，该主张是合理的。随着亚马逊网络服务(AWS)等云服务使得低成本的硬件和机器学习工具得到广泛使用，训练神经网络——人工智能中计算最密集的部分——突然变得普遍触手可及。

斯坦福大学的DawnBench项目提供了一种对人工智能系统进行基准测试的方法。根据该项目的数据，在不到两年的时间里，在被广泛使用的ImageNet数据集上训练一个系统所需的时间已经从3小时降至88秒。这意味着能够将成本从2323美元大幅削减至12美元。

训练时间和成本的巨大减少是否会让高级人工智能成为一项实用技术，则是另一回事。机器学习的广泛影响很难确定，但AI Index指向了一个很有前景的衡量标准。今年10月，美国约1.32%的招聘信息与人工智能有关，高于2010年的0.26%。这个数字仍然很小，“人工智能工作”的定义也有争议，但大方向是明确的。

麻省理工学院教授埃里克·布林约尔松(Erik Brynjolfsson)致力于研究新技术对经济的影响，他警告称，雇佣了数据科学家和机器学习专家的公司不会马上看到回报：它们首先需要通过开发最大限度地利用这项技术所需的新工作流程，以便克服内部的瓶颈。

从一项被大肆吹捧的技术中获取切实的回报的人工智能竞赛已经拉开帷幕。