對(duì)于“未來的算法能與現(xiàn)有半導(dǎo)體芯片或正在開發(fā)之新運(yùn)算架構(gòu)契合”這件事，我們能抱持多大的信心？隨著算法的進(jìn)展速度超越硬件技術(shù)進(jìn)展進(jìn)步，甚至是最先進(jìn)的深度學(xué)習(xí)模型都可以被布署于只要5美元的Raspberry Pi開發(fā)板。

在1980年代的處理器上執(zhí)行目前最先進(jìn)的算法，與在目前最先進(jìn)的處理器上執(zhí)行1980年代之算法，哪一種可以算得更快？答案令人驚訝，通常是在舊處理器上執(zhí)行新算法能算得更快。雖然摩爾定律(Moore’s Law)因?yàn)槭请娮赢a(chǎn)業(yè)快速發(fā)展的驅(qū)動(dòng)力而備受關(guān)注，但它只是驅(qū)動(dòng)力的其中之一，我們經(jīng)常忘記算法的進(jìn)展速度其實(shí)在很多情況下都勝過摩爾定律。

根據(jù)德國柏林工業(yè)大學(xué)教授、知名數(shù)學(xué)家Martin Gr?tschel的觀察，在1988年需要花費(fèi)82年才能算出解答的一個(gè)線性程序設(shè)計(jì)問題，在2003年只需要1分鐘就能解決；在這段時(shí)間，硬件的速度快了1,000倍，算法的進(jìn)步則達(dá)到4萬3,000倍。

美國麻省理工學(xué)院(MIT)教授Dimitris Bertsimas的類似研究結(jié)果顯示，在1991年至2013年間，混合整數(shù)求解器(mixed integer solvers)算法速度快了58萬倍，同時(shí)間頂尖超級(jí)計(jì)算機(jī)的硬件速度只有進(jìn)步32萬倍。據(jù)說類似的結(jié)果也發(fā)生在其他類型的約束優(yōu)化(constrained optimization)問題和質(zhì)因子分解(prime number factorization)問題中。

這對(duì)人工智能(AI)意味著什么？

過去五年來，AI無論在學(xué)界、業(yè)界或是新創(chuàng)領(lǐng)域都呈現(xiàn)爆炸性發(fā)展，最大的轉(zhuǎn)折點(diǎn)可能是發(fā)生在2012年，當(dāng)時(shí)一個(gè)來自加拿大多倫多大學(xué)(University of Toronto)的團(tuán)隊(duì)AlexNet，利用深度學(xué)習(xí)方法一舉贏得了年度計(jì)算機(jī)視覺影像辨識(shí)大賽ImageNet Large Scale Visual Recognition Challenge (ILSVRC)冠軍，自此深度學(xué)習(xí)就成為實(shí)現(xiàn)AI的關(guān)鍵方程式。

計(jì)算機(jī)視覺的演進(jìn)已蔓延至自然語言處理和其他AI領(lǐng)域。智能喇叭、實(shí)時(shí)計(jì)算機(jī)翻譯、機(jī)器人對(duì)沖基金(robotic hedge funds)，以及web參考引擎(web reference engines)…等等新產(chǎn)物，已經(jīng)不會(huì)再讓我們感到驚訝。

AI也成為了交通運(yùn)輸產(chǎn)業(yè)的驅(qū)動(dòng)力(這也是Autotech Ventures的投資目標(biāo)之一)；我們已經(jīng)觀察到，先進(jìn)駕駛輔助系統(tǒng)(ADAS)、自動(dòng)駕駛、車隊(duì)檢測(fleet inspection)、制造質(zhì)量控制，以及車載人機(jī)接口等等應(yīng)用領(lǐng)域具備龐大的發(fā)展?jié)摿?。到目前為止，我們已?jīng)投資了幾家在諸如ADAS、自動(dòng)駕駛、視覺檢測與邊緣運(yùn)算等應(yīng)用領(lǐng)域開發(fā)AI解決方案的新創(chuàng)公司，在分析這些商機(jī)時(shí)，算法和硬件之間的交互作用是我們進(jìn)行投資決策時(shí)的關(guān)鍵考慮因素之一。

大眾對(duì)AI硬件的關(guān)注

基于深度學(xué)習(xí)的AI在其轉(zhuǎn)折點(diǎn)之后，出現(xiàn)了對(duì)繪圖處理器(GPU)的強(qiáng)勁需求。由于具備很強(qiáng)的平行運(yùn)算能力，GPU對(duì)于深度學(xué)習(xí)算法所采用的邏輯碰巧能展現(xiàn)驚人效率；GPU大廠Nvidia在市場競爭中脫穎而出，其股價(jià)從2013年到2018年上漲了20倍。

當(dāng)然，Nvidia競爭對(duì)手們正在努力追趕；高通(Qualcomm)、Arm和其他公司將注意力集中在AI芯片設(shè)計(jì)上，英特爾(Intel)則收購了AI芯片新創(chuàng)公司Nervana Systems。Google、Facebook、蘋果(Apple)和亞馬遜(Amazon)紛紛投入了為自家數(shù)據(jù)中心及其他計(jì)劃開發(fā)自有AI處理器，也有一些新創(chuàng)公司(例如Graphcore、Mythic、Wave Computing、Cerebras和SambaNova)看準(zhǔn)商機(jī)，試圖設(shè)計(jì)更好的圖靈機(jī)(Turing machine)系統(tǒng)。像D-wave Systems和IBM等其他一些公司也在積極探索后圖靈時(shí)代的架構(gòu)。大多數(shù)芯片開發(fā)的目標(biāo)是趕上或超過Nvidia。然而，據(jù)我們所知，大多數(shù)處理器都是針對(duì)今日的AI算法進(jìn)行設(shè)計(jì)。

盡管需要龐大的前期開發(fā)成本，我們?nèi)詫⒔?jīng)歷各種AI芯片設(shè)計(jì)的“寒武紀(jì)大爆發(fā)”。AI前景如此誘人，讓產(chǎn)業(yè)玩家愿意投入巨資開發(fā)硬件，在以往是要讓硬件與基礎(chǔ)數(shù)學(xué)算法匹配，但對(duì)于讓現(xiàn)有半導(dǎo)體芯片或正在開發(fā)的新運(yùn)算架構(gòu)能與未來的算法契合，我們有多大的信心？

有鑒于算法的演進(jìn)速度和幅度變化是如此之快，許多AI芯片設(shè)計(jì)可能還沒上市就過時(shí)了；我們推測明日的AI算法可能會(huì)需要完全不同的運(yùn)算架構(gòu)、內(nèi)存資源，以及數(shù)據(jù)傳輸能力等等條件。

盡管深度學(xué)習(xí)框架已經(jīng)出現(xiàn)很長一段時(shí)間，直到最近才真正被付諸實(shí)現(xiàn)，這要感謝摩爾定律所預(yù)測的硬件技術(shù)進(jìn)展。最初的數(shù)學(xué)不一定是為工程實(shí)踐而設(shè)計(jì)的，因?yàn)樵缙谘芯咳藛T無法想象今日花1,000美元就能獲得的運(yùn)算能力有多么大?，F(xiàn)今許多AI實(shí)作都是使用原始的數(shù)學(xué)模型，朝著準(zhǔn)確、簡單且更深層的方向發(fā)展，或者添加更多數(shù)據(jù)；但這樣只會(huì)很快消耗GPU的運(yùn)算容量。只有一小部分研究人員專注于改善基礎(chǔ)數(shù)學(xué)和算法框架的難題。

還是有很多機(jī)會(huì)認(rèn)識(shí)并利用這些新穎的數(shù)學(xué)進(jìn)展，我們所觀察到的方法包括精簡冗余數(shù)學(xué)運(yùn)算(redundant mathematical operations)而減少運(yùn)算時(shí)間，將卷積壓縮到較小的矩陣而減少內(nèi)存需求，或者對(duì)加權(quán)矩陣進(jìn)行二值化(binarize)而簡化數(shù)學(xué)運(yùn)算。這些是算法演進(jìn)的第一次嘗試，其發(fā)展之快已經(jīng)開始超越硬件進(jìn)展。

舉例來說，從美國加州大學(xué)伯克利分校(UC Berkeley)研究項(xiàng)目獨(dú)立的DeepScale ，就是將應(yīng)用于ADAS和自動(dòng)駕駛的AI，“塞進(jìn)”車用芯片(不是GPU)，與僅采用算法的物體檢測模型相比較，他們的神經(jīng)網(wǎng)絡(luò)模型的指令周期要快30倍，同時(shí)在功耗和內(nèi)存占用方面也有很大的提升，足以在這幾年問世的現(xiàn)有硬件上執(zhí)行。

另一個(gè)算法大躍進(jìn)的案例來自美國的非營利研究機(jī)構(gòu)艾倫人工智能研究所(Allen Institute of Artificial Intelligence)，該機(jī)構(gòu)研究人員采用一種利用神經(jīng)網(wǎng)絡(luò)二值化的創(chuàng)新數(shù)學(xué)方法，已經(jīng)證明可以大幅提高速度，同時(shí)降低功耗和內(nèi)存要求；如此甚至能讓最先進(jìn)的深度學(xué)習(xí)模型布署于售價(jià)僅5美元的Raspberry Pi平臺(tái)上。研究人員最近將這種算法和處理工具獨(dú)立為一家公司XNOR.ai，旨在于邊緣設(shè)備布署AI，并進(jìn)一步推動(dòng)AI算法的進(jìn)步。

有趣的是，新的二值化框架從根本上改變了最佳處理邏輯的類型，它們不再需要解決神經(jīng)網(wǎng)絡(luò)所需的32位浮點(diǎn)卷積，而只需要進(jìn)行位計(jì)數(shù)運(yùn)算(bit counting operations)——這將改變GPU領(lǐng)域的權(quán)力平衡。此外如果這些算法與專門設(shè)計(jì)的芯片相匹配，則可以進(jìn)一步降低運(yùn)算資源需求。

算法的進(jìn)步不會(huì)停止；有時(shí)需要數(shù)年甚至數(shù)十年才能發(fā)明(或者說是發(fā)現(xiàn))新的算法。這些突破無法以與摩爾定律推動(dòng)的運(yùn)算進(jìn)展相同之方式來預(yù)測。它們本質(zhì)上是非確定性的；但是當(dāng)它們發(fā)生時(shí)，整個(gè)局勢(shì)變化通常會(huì)讓現(xiàn)有的主導(dǎo)者變成脆弱的獵物。

黑天鵝效應(yīng)

暢銷書《黑天鵝效應(yīng)：如何及早發(fā)現(xiàn)最不可能發(fā)生但總是發(fā)生的事》(The Black Swan: The Impact of the Highly Improbable)的作者在書中闡明，最佳決策在很大程度上取決于分析過程是不可預(yù)測或不確定；換句話說，我們是在處理“已知的未知”(known unknowns)還是“未知的未知”(unknown unknowns)？算法創(chuàng)新基本上是未知的未知，因?yàn)樗鼈兊陌l(fā)現(xiàn)時(shí)間不確定以及影響不可預(yù)測，押注于這類發(fā)展需要持續(xù)的關(guān)注。

然而，在應(yīng)用數(shù)學(xué)領(lǐng)域，尤其是AI應(yīng)用領(lǐng)域，在最近二十年內(nèi)出現(xiàn)了數(shù)次顛覆性的算法發(fā)現(xiàn)，它們與GPU一起，將AI從一個(gè)不起眼的研究領(lǐng)域帶到了商業(yè)化最前線。

我們意識(shí)到這些運(yùn)算領(lǐng)域“黑天鵝”的潛力，它們將使現(xiàn)有芯片架構(gòu)成為過去，或者在一夜之間讓它們的市場地位重新洗牌。對(duì)我們來說，這些「黑天鵝」最后可能會(huì)實(shí)現(xiàn)更安全的自動(dòng)駕駛車輛，以及許多其他未知的應(yīng)用案例。