現在科技領域最火的是什么？人工智能、機器學習、深度神經網絡顯然是熱點中的熱點。太多我們認識中的不可能，被強大的機器學習、人工智能給顛覆了。

　　比如去年Deepmind的AlphaGo就在圍棋領域戰(zhàn)勝了世界冠軍李世石，讓人感覺不可思議，在AlphaGo之前的軟件，連業(yè)余六段左右的高手都贏不了，更遑論頂級職業(yè)選手！如果你是程序高手，有想法，是不是可以自己在家也能玩機器學習呢？稍微研究的深入一點，發(fā)現完全不是這么回事兒。

　　筆者有朋友的孩子想在圍棋上有所建樹。他發(fā)現，下圍棋的課外輔導班要花錢，找人指導下棋也要花錢，并且隨著孩子棋力水漲船高，是以幾何級數的價格增加的。他又聽說人工智能的圍棋已經很厲害了，能不能干脆一次性投資，弄個下圍棋很厲害的軟件與配置，這樣就相當于一直與一個高手下對手棋，對棋力增長是有好處的。

　　4路TItan X，2路至強E5已經很強……

　　我一想，這邏輯也說得通，AlphaGo不也贏了人類高手并且人類在學AlphaGo下棋嗎？于是找了找，目前使用6700K處理器的計算機跑日本圍棋軟件Zen，可以有業(yè)余五六段的棋力，但這顯然不是他想要的。前幾天與趙治勛對弈的deepzen，配置要高很多，核心是2個至強E5 V4與4個TItan X做GPU計算，雖然不敵趙治勛，但畢竟顯示出來了可觀的棋力。

　　前幾天Deepmind團隊又放出了消息，棋力大漲，明年初開始重新下棋。我突發(fā)奇想，反正這老哥也不差錢，如果谷歌團隊公開了軟件，會不會可以自己弄個單機版的AlphaGo？天天和比李世石更厲害的AI下圍棋肯定漲棋力更快啊。但是仔細一研究，不是這么回事兒，AlphaGo用的處理器，買！不！到！

　　谷歌人工智能的處理器TPU

　　這個表是谷歌發(fā)表《自然》雜志論文的時候給出的配置與棋力預估。當時只是說要多少CPU與GPU以及對應的棋力。如果說一個CPU對應一個核心，現在的至強E5V4，已經有22核心的產品了，而如果是對應一個CPU，那么48個CPU可能就要很貴的刀片服務才行了，當然了有萬能的淘寶，二手機架式的刀片服務器也貴不到哪兒去。

　　Deepmind團隊公布的當時的配置，似乎讓人覺得單機版的AlphaGo并非遙不可及，且棋力足夠，在今年5月，谷歌又公布了其自己定制的處理器的細節(jié)。谷歌用的并非Intel或是AMD的處理器，而是自己針對機器學習優(yōu)化過的處理器，并命名為“張量處理單元（tensorflow process unit，TPU）。而AlphaGo就是構建在TPU上的。

　　TPU的作用就是給機器學習的神經網絡加速。谷歌對TPU具體怎么工作、有哪些指令都語焉不詳，作為局外人能獲得的信息有限，甚至連哪個半導體工廠代工的都沒人知道。谷歌說TPU是一種輔助運算工具，還是要有CPU和GPU的。核心在于TPU是8位的，而我們的處理器是64位，因此在神經網絡計算上，TPU的單位功耗貢獻的計算能力上，要比傳統(tǒng)的CPU有很大的優(yōu)勢，更適合大面積的分布式的計算。

　　IBM對于計算機模擬神經的計算啟動，可能要比其它的企業(yè)更早。而研究的起源，也不能說全自主的，而是有外界的因素，那就是DARPA（國防部高級計劃研究局）。

　　IBM研究模仿大腦的神經計算，也來自于DARPA。自從2008年以來，DARPA給了IBM5300萬美元用來研究SyNapse（Systems of Neuromorphic AdapTIve PlasTIc Scalable Electronics，自適應可伸縮神經系統(tǒng)，縮寫的SyNapse單詞正好是觸突，神經的構成部分），而TrueNorth只是這個項目的一部分成果而已。

　　IBM的TrueNorth芯片

　　這項研究的意義是，我們今天的計算機，處理和存儲是分離的，高度依賴總線進行數據傳輸交換，即所謂馮·諾依曼體系。我們大腦的處理方式則不同，要知道神經的傳輸速度并不快，但是大腦的優(yōu)勢是腦細胞多，靠的是大量分布式的處理，現有的模仿大腦的辦法，還是依賴處理器的數量堆積，所以能效比不高，而IBM的TrueNorth則是要打破這個屏障，在芯片上就完成對神經元的模擬。2011年的原型就有256個神經元的原型。

　　2014年，IBM的可編程神經元達到了4096個，可編程觸突2.56億，聯合神經處理器有4096個?？梢哉fIBM的TrueNorth是無心插柳，研究啟動的早，業(yè)內深度學習熱、神經網絡熱的時候，這顆處理器也成熟了，在IBM和DARPA的網站上，都有給予這個芯片進行視頻內容識別計算的成果演示，非常有意思，可以去看看。

　　微軟的FPGA

　　微軟啟動Project Catapult還是在2012年。當時微軟的掌舵人還是史蒂夫鮑爾默。微軟發(fā)現，硬件提供商無法提供他們需要的硬件。過去微軟每年都要花費數十億美元來購置硬件，但現有的硬件對機器學習這些搜索算法的效

　　當年比特幣挖礦機，FPGA顯示出來比顯卡高效、省電得多的特性

　　微軟的路線是是通過FPGA（field programmable gate arrays，現場可編程門陣列），它的特色是進行并行計算。還記得幾年前的比特幣狂潮嗎？最開始人們是依賴顯卡或是GPU，到后來礦機的出現，就是用的FPGA的能力來進行挖礦，當時也有瘋狂的人挖到了第一桶金。

　　運行Bing頁面排名服務下，FPGA協助與沒有協助的對比

　　微軟的FPGA被應用到了包括bing搜索引擎等領域，能夠顯著的提升效率。FPGA雖然編程困難，但是微軟正在嘗試將更多的應用，比如Office365等，加入到通過FPGA來提升服務質量上。微軟的FPGA來自Altera，有趣的是，英特爾以167億美元收購了這個公司，是英特爾史上最大的并購。

　　英特爾：研發(fā)與收購并駕齊驅

　　前面我們說了，微軟和英特爾這對長期的伙伴，在微軟的FPGA使用的是來自Altera的技術，英特爾就收購了這個FPGA與SoC的企業(yè)，現在再訪問Altera的官網，已經是我們熟悉的Intel的Logo加上FPGA了，并且內容上也是機器學習、自動駕駛等熱門內容。

　　當然英特爾作為處理器、半導體領域的翹楚，對行業(yè)的觀察要比別人透徹得多。雖然旗下產品多來自于傳統(tǒng)CPU，但是英特爾一樣有核心產品，在機器學習領域有競爭力，那就是至強phi融核處理器與至強phi協處理器。

　　發(fā)展順序是這樣的，英特爾現有的至強phi協處理器用來加速計算，后推出的之前phi融核處理器。融核處理器通過英特爾OPA來改變高性能計算的能耗效率與空間效率。在英特爾的官方新聞中，我們也看到了英特爾關于至強phi在加速機器學習的速度表現。當然了，英特爾也沒停止收購的步伐，有很多人工智能領域的公司被英特爾收入囊中。

　　如果我想從事該領域？

　　作為最火的領域，人工智能、機器學習、深度神經網絡這些詞語見諸媒體很多，并且基本上企業(yè)開出的薪水+股票都非常誘人，可以說能人處于哄搶狀態(tài)，價高者得。還記得AlphaGo的Deepmind嗎？它們最近也有招聘啟事。

　　從招聘的信息看，如果想成為Deepmind的研究科學家，一般來說要有神經、計算機領域的博士（PhD）頭銜以及靠譜的論文，他們才會考慮了，當然其它崗位可能要求會低一些。

　　現在雖然火爆，但是實際上深度神經網絡系統(tǒng)并不是太多，因此，高薪并從事前沿研究，并非那么容易，在看本文的讀者群中，肯定有大學的在校生，多讀書、努力學習，考上世界一流大學的計算機、神經等領域的專業(yè)，是從事機器學習、深度神經網絡、人工智能這些領域的捷徑，并且我們可以看到，專門為機器學習優(yōu)化的硬件其實剛剛上路，未來很長的時間內，這個領域依舊會持續(xù)火熱，因為世界上的深度神經網絡系統(tǒng)其實也并不多。

　　一個人的命運啊，當然要靠自我奮斗，但是也要考慮歷史的進程。而歷史剛剛打開人工智能的窗口，距離里面的殿堂還有很長的路要走，這個歷史的機遇已經在面前了，是自我奮斗改變命運的時刻了，少年們。

　　回歸本文題目的問題，事實上今天的機器學習、人工智能，最多的還是至強+GPU的架構，但是定制的TPU、FPGA進行協處理，有事半功倍的效率。筆者個人認為，目前的形式恐怕已經不是效率最高的辦法，在未來機器大腦或許真的比我們更聰明。