人工智能的發展及硬件技術分析

李國棟

（深圳市華途數字技術有限公司，廣東深圳 518000）

人工智能被視為“第四次技術革命”的核心驅動力，推動著全球經濟產業與生活模式的智能化變革升級，是大國新一輪科技競賽的“掌上明珠”。2016年，我國就將人工智能作為發展新一代信息技術的主要方向，探索人工智能的關鍵技術與發展應用，對于推動新科技、新產業、新應用加速重塑具有重要意義。

1 人工智能概念及內涵

1.1 人工智能的概念

人工智能（Artificial Intelligence）是通過人工模擬、延伸和擴展人的智能思維過程及行為的一門技術，主要的物質載體和實現平臺是現代計算機，并包含了仿生學、神經科學、信息學、心理學、自然語言學、數學和哲學等諸多學科。關于人工智能內涵，最早可追溯至艾倫?圖靈提出“圖靈測試”，隨著信息技術的不斷發展，其內涵也在不斷深化完善，目前各領域給出的定義與闡釋不盡相同，但基本可以包含3個層級：①弱人工智能，就是利用算力和算法模擬人的思考過程，通常專注或限制于特定領域、專用應用場景，作為腦力與初級智能的延伸，本質上是不完備的人工智能，當前人工智能發展水平還主要停留在這一層；②強人工智能，是人工智能向認知型、通用型發展的結果，不再受限于某個領域，能夠綜合各類知識進行類人推理、分析、整合，并通過自然表現形式進行呈現，這一層人工智能基本可以順利通過“圖靈測試”；③超人工智能，是人工智能發展的高級形態，目前通過想象還不能完全描繪其樣貌，至少應包含的特征有：除人類智能外，還同時具有人類情感和自主意識，具備獨立且先進的創造能力而并非人類勞動的簡單替代。

1.2 人工智能關鍵技術

從當前發展看，人工智能圍繞模擬人類感知、學習、處理、表達、行動等各個環節，按應用領域發展出計算機視覺、機器學習、自然語言處理、智能芯片、智能控制等關鍵技術。其中，計算機視覺用于智能圖像處理，能夠感知、提取、分析、判斷圖像中實體對象，廣泛運用于面部識別、自動駕駛等領域；機器學習是通過模擬人類學習認知過程，通過知識訓練不斷修正算法模型的過程，是智能算法的核心；自然語言處理重點解決人機自然通信問題，既能分析、理解人的語音、語法、語義，還要能夠運用自然語言表達邏輯、思想等；智能芯片是人工智能的底層基礎，通過大規模并行計算為智能算法和大數據處理等提供算力支撐；智能控制是人工智能的外部行為體現，在無人操控情況下實現機器自主決策、智能驅動、自動控制。

2 人工智能的發展

人工智能概念的提出最早可追溯至20世紀50年代，經多次延宕發展至今，總的看可分為4個階段。

2.1 萌芽奠基階段（1950—1980年）

1950年，圖靈首次探討了機器擁有人的智能這一思想模型，并提出了“圖靈測試”的概念，1956年，在達特茅斯會議上首次提出了“人工智能”的概念。并確定了人工智能的發展目標，即“可以像人類一樣運用思維模型自主獲取處理知識并解決問題的機器”，自此開啟了人工智能的研究探索之旅，計算機科學家圍繞模擬思維邏輯構建過程進行了諸多有益的嘗試。算法模型上，比較典型的有羅森?布拉特提出的感知器模型，主要模擬了生物神經突觸的信息感知處理機制，并首次引入了機器學習、M-P 模型、梯度下降算法等概念，雖然感知器模型作為一種二元線性分類器，僅僅實現了單層人工神經網絡，且被證實無法解決異或等線性不可分問題，但基本思想為后來神經網絡深度學習模型奠定了重要基礎。試驗運用上，1952年，劍橋大學基于EDSAC 電腦開發了“購物者”模擬器，能夠初步模擬人類購物行為；1956年，Oliver Selfridge 開發了首個基于字符的模式識別軟件；1959年，Arthur Samuel 開發了“跳棋程序”，加入泛化機制能夠在對弈過程中自主獲取“經驗”，并在與州跳棋冠軍對抗中取得勝利；1970年，日本早稻田大學研制了第一個擬人機器人WABOT-1。這一階段，由于算法模型還存在參數引入單一基礎性制約，對于稍高維度、復雜問題顯得束手無策，人工智能發展一度陷入低迷期。

2.2 跌宕發展階段（1980—1996年）

20 世紀80 年代初，以Edward Feigenbaum 為代表的“知識學派”提出人工智能不應囿于通用求解方法，應著眼引入“知識”模擬人類專家求解具體領域的問題，開啟了知識工程系統的發展階段，出現了以XCON 為代表的系列專家系統，專注于醫療、地質等領域的智能應用，但受知識獲取限制，知識系統依然難以解決較為復雜的問題，傳統人工智能發展進入瓶頸期。為解決海量知識獲取與模型建立難題，人們又提出了自下而上的“涌現”式解決思路，即讓計算機“自己學習”。圍繞這一思路，傳統人工智能研究者、神經網絡研究者、生物行為研究者分別從不同方向進行了探索，并形成了符號學派、連接學派和行為學派三個主要發展方向，其中，符號學派聚焦于模擬人外在行為和表現，嘗試將人的高級行為模式如推理、規劃等進行“符號化”，本質上是希望通過算力和存儲優勢擴展人的邏輯思考過程；連接學派則聚焦于模擬人腦和神經系統的活動過程，是由感知器模型的基礎上發展而來，并將單一神經網絡擴展為多層神經網絡，其中，BP 算法的引入有效解決了多層神經網絡復雜參數訓練問題，成為第三次人工智能浪潮的最重要推動力之一；行為學派則將目標轉向低等生物仿生學，嘗試通過模擬低等生物行為和組織活動來理解智能的產生，這一階段，涌現出多種人工智能算法模型，但當時處理器算力、機器性能明顯還無法滿足復雜模型的計算需求，對人工智能的探索多停留在試驗階段。

2.3 理論成型階段（1997—2011年）

20世紀90年代后，隨著計算機技術的快速發展，特別是“摩爾定律”帶動計算機算力飛速提升、功耗不斷下降，加之人工智能算法的深化演進，數字通信、大數據存儲等一系列前沿技術的興起，也推動著人工智能技術得以長足發展，帶動了“第三次人工智能浪潮”。這一階段開啟的標志事件是IBM 公司研發的“深藍”超級計算機首次擊敗了世界第一的人類棋手，引發世界廣泛關注。同時，人工智能也開始在模式識別、自然語言理解、計算機視覺等領域迅速發展。這一階段，統計學習的數學模型被引入人工智能，數學家先后提出線性SVM、AdaBoost、隨機森林、圖模型等理論模型，使人工智能在分類、回歸等問題上取得較大突破，并開始嘗試為機器學習構建新的統一框架。2006年，Hinton 及其學生正式提出了深度學習的概念，圍繞“梯度消失”問題給出了解決方案，成為當前基于神經網絡的人工智能算法基礎性模型，人工智能正式進入深度學習時代。同年，英偉達公司推出CUDA芯片，用于神經網絡訓練；2011年，蘋果公司推出了首個智能手機語音助理Siri，人工智能開始逐漸向消費端轉移。這一階段，隨著基礎理論模型的發展完善，人工智能開始不再只是實驗室里的產物，更多的科技產業開始將目光轉向人工智能領域，推動人工智能應用進入涌現期。

2.4 廣泛應用階段（2012年—至今）

隨著谷歌等科技巨頭的紛紛加入，人工智能正式進入大應用時代，同時，新一代移動通信技術、大數據、云計算等也迎來爆發式發展，“算力+數據+移動網絡”使人工智能技術在算法和運用上都得到了突破性進展。這一階段的標志性事件是谷歌DeepMind研發的AlphaGo 機器人，成為首個戰勝人類圍棋冠軍的智能機器，與傳統的“窮舉式”人工智能不同，AlphaGo 真正實現了通過“深度學習”進行知識迭代，成為人工智能走向未來的一絲曙光。基于深度學習和神經網絡算法，各大科技公司相繼推出了人工智能開發基礎框架，如谷歌公司的TensorFlow、臉書公司的PyTorch、華為公司MindSpore 等，助推人工智能領域快速向外擴展，智能應用進一步普及化，進入通信、零售、物流、生產、社交媒體等大眾生活的方方面面，也為智能學習獲取到大量學習樣本。深度學習算法進一步技術迭代，衍生出卷積神經網絡、遞歸神經網絡、長短期記憶網絡、生成對抗網絡等多種模型，使人工智能在各領域發生從“象征性應用”到“實質性應用”巨大轉變。目前，人們還在圍繞知識數據雙重驅動、人機物深度融合、開放自適應等方向持續完善突破，驅動人工智能技術進一步向通用化、自主化、生態化發展，“人工智能+”或將成為未來生活的新常態。

3 人工智能硬件關鍵技術分析

人工智能硬件包括AI 芯片、智能傳感器與中間件、智能外設等，作為算法實現的承載基礎，AI 芯片是人工智能硬件的關鍵核心。目前AI 芯片技術發展主要遵循2種路徑：①基于傳統的馮?諾依曼架構，通過提升算力和并行處理能力，實現先進算法支撐，包括英偉達Tesla 系列GPU、英特爾Arria FPGA 等；②另起爐灶，擺脫原有體系結構，根據人腦神經結構研制類腦芯片。

3.1 GPU+CPU

CPU 與GPU 的組合是目前最廣泛的智能芯片架構，其中，GPU 因其在高并行處理、浮點數據計算上的獨特優勢，能夠充分發揮人工智能的潛力，成為近年來智能芯片方案的首選，而CPU 主要擔負任務處理和控制等任務。從GPU 架構看，以英偉達為例，在AI 計算上采用CUDA 架構，可包含數千個Stream Processors（SP），每個SP 就是一個并行處理核心，能夠提供強大的并行處理算力，相比于傳統CPU，GPU 在AI 運算上速度可提升10倍以上，同時CUDA 提供了統一的開發模型，能夠有效縮短開發周期，提升開發效率。目前，GPU 主要應用于模型訓練與算法推理2個方面，模型訓練上主要用于深度學習算法卷積層計算，目前主要GPU 生產商均有針對卷積層計算的矩陣乘法庫，如英特爾MKL 等，以及針對性優化算法，如Tensor Core 等；算法推理上主要是針對AI 算法進行模型和編譯優化，如網絡剪枝、張量分解等，目前GPU 在模型訓練上的計算優勢較為明顯，在算法推理上還有較大短板。

3.2 現場可編程門陣列FPGA

FPGA 能夠同時完成并行AI 運算和并行任務處理，與GPU 相比，其峰值運算能力較弱，但具有功耗低、部署靈活、成本可控等優點，在特定應用領域時具有一定效率優勢。FPGA 可最大包含數百萬個布爾運算單元、數千個存儲器以及多個處理器內核，每個時鐘周期可觸發百萬次并行計算操作，由于不需要進行取指令和指令譯碼，在相同算力情況下，其功耗較GPU 低80%左右，FPGA 的高穩定性也使其廣泛運用于智能汽車、無人飛行等復雜場景，也可與GPU、ASIC 芯片搭配使用。但由于沒有統一框架和專用的集成開發環境，目前使用FPGA 開發AI 芯片還比較復雜，開發難度大、周期長。

3.3 定制ASIC

專用人工智能ASIC 在性能和能耗上均優于CPU和FPGA，并具有封裝緊密、體積小、可靠性強、保密性高、成本低廉等諸多優點。對于同等規格的GPU 和ASIC，算力上ASIC 可達GPU 的2.5倍以上，功耗僅有GPU 的1/15。但ASIC 一旦定制后便無法更改，難以適應當前快速迭代的算法更新，部署靈活性受限，因此應用還不夠廣泛，目前部分用于礦機芯片，如ASICMiner、Avalon 等。

3.4 類腦芯片

類腦芯片是人工智能芯片的發展方向，此類芯片的基本思路是徹底改變傳統芯片架構，借鑒腦科學領域的基本原理，開發類人腦工作模式的新架構。相比于傳統的總線傳輸形式，類腦芯片數據處理單元與存儲單元一體，可減少數據交換能耗，同時采取神經網絡結構，具有自適應調整、分布式處理、高并發連接等優勢，能夠在極低功耗下處理海量數據、解決復雜問題。以IBM 推出的“真北”類腦芯片為例，其包含54億個晶體管、2.56億個可編程突觸，突觸運算速度可達460億次/s，但功耗不足70 mW。我國清華大學、浙江大學等也在同步開發相應的類腦芯片。但由于晶體管在模擬神經單元上的差異，以及當前對于腦科學認識不足，類腦芯片在商業化應用上還有較長的路要走。

4 結束語

人工智能自提出至今已逾60余載，先后歷經多次曲折發展，不斷吸收融合各領域前沿科技，其理論框架日益成熟，軟硬件基礎日益完善，應用領域日益廣泛。總的來看，人類在弱人工智能領域已取得長足進步，正在努力突破強人工智能的瓶頸。隨著計算機技術與基礎理論的不斷突破，人工智能技術在未來將取得更大發展，深刻改變人們的生活方式。