算法通常被視為人工智能(AI)技術演進的關鍵，但硬件扮演著更重要的角色。近年來深度學習算法之所以突飛猛進，硬件的輔助功不可沒，未來硬件可能會進一步帶領AI展開重大的技術突破。
英偉達（NVIDIA）首席科學家Bill Dally近日參加《麻省理工學院科技評論》(MIT Technology Review)舉辦的AI座談會時表示，當前使用的許多算法事實上在1980年之後就已經存在，以大量標記的數據訓練神經網絡則始於2000年代初期，但直到2010年代繪圖處理器(GPU)應用於AI領域，深度學習革命才真正起飛。
Dally認為，硬件能力必須不斷地提升，否則AI進展會放慢。NVIDIA正從三方向著手，以便提供更強有力的硬件，其中之一是開發更專用的芯片。NVIDIA發現，專為特定運算工作設計的高度專用芯片，性能比起擅長處理許多不同類型運算的GPU，在達成同等級的性能效率時最高可提升20%。
其次，在訓練深度學習算法過程中減少運算的步驟。NVIDIA研究人員針對所謂模型「修剪」(prunning)的潛力進行研究和測試，發現此方法在訓練深度學習算法時省略90%的運算，卻能維持同樣的學習準確度。這意味同樣的學習工作，可以在更小的芯片架構上進行。
再者，嘗試使用模擬架構，而非數字架構。Dallay表示，計算機幾乎將所有信息，包括數字化以一系列的0或1儲存，模擬運算則可直接使用各種數值包括0.3或0.7編碼，由於數值能以更簡潔的方式呈現，運算效率將大幅提升。但目前研究人員尚不確定模擬運算如何融入未來的芯片設計。
同時也參與座談會的NVIDIA AI產品事業群(AI Products Group)副總裁Naveen Rao認為，AI硬件演進的重要性就如同生物學的進化，他表示老鼠和人類過去數億年的進化程度截然不同，但人類的能力雖然遠遠領先，基本上運算單位卻與囓齒動物相同。
芯片設計的原則也一樣，任何芯片，不管是專用、通用，數字或模擬，光學或其他的類型的芯片，都只是編碼和編排信息的基板，究竟要擁有人類或老鼠的能力，端看基板的設計方式。
昆蟲和老鼠一樣，也是由與人類相同的基本單位所構成，不同的是昆蟲有固定的結構，人類結構更為靈活，但不能就此判定孰優孰劣，因為兩者的結構是為了因應不同的目的而演進，雖然人類擁有複雜的能力，但昆蟲在核戰中倖存的機率可能更高。同樣地，這些原則也可以引用到芯片設計。
隨著越來越多智能設備連接網絡，把所有的資料送到雲端後，再經過深度學習模型處理將不再有意義，取而代之的將是在裝置上的小型深度學習模型進行。這樣的概念就是所謂的「邊緣AI」(AI on the edge)，若能輔以專用、固定的芯片架構將有加乘的效果。另一方面，「雲端AI」(AI on the cloud)可由通用和可程序芯片支援，處理範圍更廣的學習任務。
Rao認為，不管英特爾(Intel)和NIVIDIA追求的芯片設計為何，對AI發展都將有舉足輕重的影響力。史上各種不同的文明都是受到特有的因素牽動，而有著截然不同的演進，同樣地英特爾和NVIDIA透過不同的芯片設計來簡化操作，對於AI領域追求的學習算法都會帶來重大的影響。
閱讀更多 DIGITIMES 的文章
