[[423611]]

雖然人工智能驅(qū)動的設(shè)備和技術(shù)已經(jīng)成為我們生活的重要組成部分，但機器智能仍可能在一些領(lǐng)域做出重大改進。

為了填補這些隱喻性的空白，非人工智能技術(shù)可以派上用場。

人工智能 (AI) 是一種“具有合成智能的新興計算機技術(shù)”。人們普遍認為，我們在日常生活中看到的人工智能應(yīng)用只是其力量和能力的冰山一角。人工智能領(lǐng)域需要不斷演進和不斷發(fā)展，以消除常見的人工智能局限性。

通常，人工智能由以下子領(lǐng)域組成，如認知計算，也通常包括在內(nèi)，但以下領(lǐng)域幾乎在所有人工智能系統(tǒng)中無處不在：

• 機器學(xué)習(xí)：機器學(xué)習(xí)結(jié)合使用來自神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)、一般和特定統(tǒng)計數(shù)據(jù)、操作結(jié)果和其他來源，在不受外部引導(dǎo)的情況下發(fā)現(xiàn)信息中的模式。深度學(xué)習(xí)使用包含多個復(fù)雜處理單元層的神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)使用更大的數(shù)據(jù)集來提供復(fù)雜的輸出，如語音和圖像識別。
• 神經(jīng)網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)(也稱為人工神經(jīng)網(wǎng)絡(luò))利用數(shù)字和數(shù)學(xué)信息進行數(shù)據(jù)處理。神經(jīng)網(wǎng)絡(luò)包含幾個類似神經(jīng)元和突觸的數(shù)據(jù)節(jié)點，模擬人類大腦的功能。
• 計算機視覺：利用模式識別和深度學(xué)習(xí)，計算機視覺識別圖像和視頻中的內(nèi)容。通過對圖像和視頻的處理、分析和獲取知識，計算機視覺幫助人工智能實時解釋周圍環(huán)境。
• 自然語言處理：這些是深度學(xué)習(xí)算法，使人工智能系統(tǒng)能夠理解、處理和生成人類的口語和書面語言。

非AI技術(shù)會讓AI變得更先進(或者至少減少AI的局限性)，通常會增強其中一個部分，或積極地影響其輸入、處理或輸出能力。

1. 半導(dǎo)體：改善人工智能系統(tǒng)中的數(shù)據(jù)移動

半導(dǎo)體和人工智能系統(tǒng)在同一領(lǐng)域共存的現(xiàn)象非常普遍。有幾家公司生產(chǎn)用于人工智能應(yīng)用的半導(dǎo)體。在現(xiàn)有的半導(dǎo)體企業(yè)中，為了制造人工智能芯片或?qū)⑷斯ぶ悄芗夹g(shù)嵌入到生產(chǎn)線上，實施了專門的項目。這類機構(gòu)參與人工智能領(lǐng)域的一個突出例子是英偉達(NVIDIA)，其包含半導(dǎo)體芯片的圖形處理單元(GPU)被大量用于數(shù)據(jù)服務(wù)器，以進行人工智能訓(xùn)練。

半導(dǎo)體結(jié)構(gòu)的改變可以提高人工智能電路的數(shù)據(jù)使用效率。半導(dǎo)體設(shè)計的改變可以提高人工智能內(nèi)存存儲系統(tǒng)的數(shù)據(jù)移動速度。除了增加功率，存儲系統(tǒng)也可以變得更高效。

隨著半導(dǎo)體芯片的參與，有幾個想法可以改善人工智能系統(tǒng)的各個數(shù)據(jù)使用方面。其中一種想法是只在需要的時候向神經(jīng)網(wǎng)絡(luò)發(fā)送數(shù)據(jù)(而不是不斷地通過網(wǎng)絡(luò)發(fā)送信號)。另一個進步的概念是在與人工智能相關(guān)的半導(dǎo)體設(shè)計中使用非易失性存儲器。正如我們所知，非易失性存儲芯片在沒有電源的情況下仍然可以保存保存的數(shù)據(jù)。將非易失性存儲器與處理邏輯芯片相結(jié)合，可以創(chuàng)造出滿足新型人工智能算法日益增長的需求的專用處理器。

雖然可以通過半導(dǎo)體的設(shè)計改善來滿足人工智能的應(yīng)用需求，但也有可能引發(fā)生產(chǎn)問題。由于對內(nèi)存的巨大需求，人工智能芯片通常比標準芯片要大。因此，半導(dǎo)體公司將需要花更多的錢來制造它們。因此，開發(fā)人工智能芯片對他們來說沒有多大經(jīng)濟意義。

為了解決這個問題，可以使用一個通用的人工智能平臺。芯片供應(yīng)商可以通過輸入/輸出傳感器和加速器來增強這些類型的AI平臺。使用這些資源，制造商可以根據(jù)不斷變化的應(yīng)用需求塑造平臺。通用人工智能系統(tǒng)的靈活性可以為半導(dǎo)體公司帶來成本效益，并大大減少人工智能的局限性。通用平臺是連接基于人工智能的應(yīng)用和改進的半導(dǎo)體的未來。

2. 物聯(lián)網(wǎng) (IoT)：增強 AI 輸入數(shù)據(jù)

人工智能在物聯(lián)網(wǎng)中的引入改善了二者的功能，并無縫解決了各自的缺點。正如我們所知，物聯(lián)網(wǎng)包含多種傳感器、軟件和連接技術(shù)，使多個設(shè)備以及其他數(shù)字實體能夠通過互聯(lián)網(wǎng)相互通信和交換數(shù)據(jù)。這些設(shè)備可以是日常生活用品，也可以是復(fù)雜的組織機器。從根本上說，物聯(lián)網(wǎng)減少了觀察、確定和理解一個情況或其周圍環(huán)境的幾個互連設(shè)備的人為因素。相機、傳感器和聲音探測器等設(shè)備可以自行記錄數(shù)據(jù)。這就是人工智能的用武之地。機器學(xué)習(xí)總是要求它的輸入數(shù)據(jù)集來源盡可能廣泛。物聯(lián)網(wǎng)擁有大量連接設(shè)備，為人工智能研究提供了更廣泛的數(shù)據(jù)集。

為了充分利用物聯(lián)網(wǎng)為人工智能系統(tǒng)提供的大量數(shù)據(jù)儲備，企業(yè)組織可以構(gòu)建自定義機器學(xué)習(xí)模型。利用物聯(lián)網(wǎng)從多個設(shè)備收集數(shù)據(jù)并在時尚的用戶界面上以有組織的格式呈現(xiàn)數(shù)據(jù)的能力，數(shù)據(jù)專家可以有效地將其與人工智能系統(tǒng)的機器學(xué)習(xí)組件集成。

人工智能和物聯(lián)網(wǎng)的結(jié)合對這兩個系統(tǒng)都很有效，因為人工智能從其物聯(lián)網(wǎng)對應(yīng)物獲得大量原始數(shù)據(jù)進行處理。作為回報，人工智能可以快速找到信息模式，從未分類的大量數(shù)據(jù)中整理和呈現(xiàn)有價值的見解。人工智能從一組分散的信息中直觀地檢測模式和異常的能力得到了物聯(lián)網(wǎng)傳感器和設(shè)備的補充。通過物聯(lián)網(wǎng)生成和簡化信息，人工智能可以處理與溫度、壓力、濕度和空氣質(zhì)量等各種概念相關(guān)的大量細節(jié)。

近年來，幾家大型企業(yè)成功部署了各自對人工智能和物聯(lián)網(wǎng)結(jié)合的理解，以在其行業(yè)中獲得競爭優(yōu)勢并解決人工智能的局限性。 Google Cloud IoT、Azure IoT 和 AWS IoT 是這一趨勢的一些著名例子。

3. 圖形處理單元：為人工智能系統(tǒng)提供計算能力

隨著 AI 的日益普及，GPU 已經(jīng)從單純的圖形相關(guān)系統(tǒng)組件轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)和計算機視覺過程的一個組成部分。事實上，人們普遍認為 GPU 相當(dāng)于普通計算機中的 CPU 的人工智能。首先，系統(tǒng)需要處理器內(nèi)核來進行計算操作。與標準 CPU 相比，GPU 通常包含更多的內(nèi)核。這允許這些系統(tǒng)為跨多個并行進程的多個用戶提供更好的計算能力和速度。此外，深度學(xué)習(xí)操作處理大量數(shù)據(jù)。 GPU 的處理能力和高帶寬可以輕松滿足這些要求。

GPU具有強大的計算能力，可以配置為訓(xùn)練AI和深度學(xué)習(xí)模型(通常是同時進行)。如前所述，更大的帶寬使GPU比普通CPU具有必要的計算優(yōu)勢。因此，人工智能系統(tǒng)可以允許大量數(shù)據(jù)集的輸入，這可能會超過標準的CPU和其他處理器，從而提供更大的輸出。最重要的是，在AI驅(qū)動的系統(tǒng)中，GPU的使用并不會占用大量內(nèi)存。通常，計算大的、不同的任務(wù)需要在標準CPU中使用幾個時鐘周期，因為它的處理器按順序完成任務(wù)，并且擁有有限數(shù)量的核心。

另一方面，即使是最基本的GPU也有自己的專用VRAM(視頻隨機訪問內(nèi)存)。因此，主處理器的內(nèi)存不會被小型和中型進程占用。深度學(xué)習(xí)需要大量的數(shù)據(jù)集。雖然物聯(lián)網(wǎng)等技術(shù)可以提供更廣泛的信息，半導(dǎo)體芯片可以規(guī)范AI系統(tǒng)的數(shù)據(jù)使用，但GPU在計算能力和更大的內(nèi)存儲備方面提供了資源。因此，GPU 的使用限制了 AI 在處理速度方面的局限性。

4. 量子計算：升級人工智能的方方面面

從表面上看，量子計算類似于傳統(tǒng)的計算系統(tǒng)。主要區(qū)別在于使用了獨特的量子位(也稱為qubit)，它允許量子計算處理器中的信息同時以多種格式存在。量子計算電路執(zhí)行類似于常規(guī)邏輯電路的任務(wù)，但添加了糾纏和干擾等量子現(xiàn)象，以將其計算和處理提升到超級計算機水平。

量子計算允許人工智能系統(tǒng)從專門的量子數(shù)據(jù)集中獲取信息。為了實現(xiàn)這一點，量子計算系統(tǒng)使用稱為量子張量的多維數(shù)字陣列。然后使用這些張量創(chuàng)建大量數(shù)據(jù)集供 AI 處理。為了在這些數(shù)據(jù)集中找到模式和異常，部署了量子神經(jīng)網(wǎng)絡(luò)模型。最重要的是，量子計算提高了人工智能算法的質(zhì)量和精度。量子計算通過以下方式解決了常見的 AI 限制：

• 與標準計算系統(tǒng)相比，量子計算系統(tǒng)功能更強大，而且不易出錯。
• 一般來說，量子計算有助于人工智能系統(tǒng)的開源數(shù)據(jù)建模和機器訓(xùn)練框架。
• 量子算法可以在糾纏輸入數(shù)據(jù)中尋找模式的過程中提高人工智能系統(tǒng)的效率。

我們可以清楚地看到，人工智能的發(fā)展可以通過增加輸入信息量(通過物聯(lián)網(wǎng))、提高數(shù)據(jù)使用率(通過半導(dǎo)體)、增加計算能力(通過 GPU)或簡單地改進各個方面來實現(xiàn)其操作(通過量子計算)。

除此之外，未來可能還有其他幾種技術(shù)和概念可以成為人工智能發(fā)展的一部分。在其概念和誕生 60 多年后，人工智能在當(dāng)今幾乎每個領(lǐng)域都比以往任何時候都更加重要。無論它從哪里開始，人工智能的下一個進化階段都將是引人入勝的。