<big id="xzxbp"></big>

<big id="xzxbp"><strike id="xzxbp"></strike></big>

<strike id="xzxbp"><noframes id="xzxbp"><pre id="xzxbp"></pre>

<em id="xzxbp"></em><thead id="xzxbp"><noframes id="xzxbp">

<pre id="xzxbp"></pre>
<font id="xzxbp"><th id="xzxbp"></th></font>

<th id="xzxbp"></th>

如何與機器共生?機器智能必將超越人類智能

宋繼強 原創 | 2021-12-03 08:01 | 收藏 | 投票 編輯推薦 焦點關注

2020年,會有500億臺設備接入互聯網。而在更遠的未來,會有數倍于人類的智能設備與網絡連接。這樣巨大的網絡,會帶來怎樣的效應?人類又會以怎樣的模式存在其中?

機器智能未來必將超越人類智能

過去這些年里,機器智能的邊界在不斷擴展。智能機器人領域的研究已經持續了四五十年。不只是原始的工業機器人,服務機器人也有30多年的研究歷史。這些研究大大增強了機器的運行能力,使機器可以替代人類自己進行活動,甚至某些能力已經超越了人類。目前,這些技術已經大量投入使用。而且近五六年來,機器學習的算法發展得很快,盡管距離機器完全理解“發生了什么”還有很長一段路要走。隨著更好、更便宜的硬件和傳感器出現,以及設備之間實現無線低延遲互聯,還有源源不斷的數據輸入,機器的感知、理解和聯網能力會有更廣闊的發展空間;谶@些觀察,我得出了這樣一個結論:機器智能未來必將超越人類智能。然而,我無法確定它會在何時發生,也沒有像奇點理論那樣給出一個確切的時間點,比如2035年或者哪一年,但這個趨勢一定是存在的。

 
如果這個趨勢必然發生的話,我們就要思考:人類智能和機器智能的關系到底是什么樣的?未來機器智能強大到一定程度的時候,我們要如何與機器共生?如果我們希望得到一種比較好的結果,又該怎么做?從人類個體的智能來看:人類智能的發展上限是很明顯的,因為人類的腦容量有限,能夠記住的東西也很受限。舉個簡單的例子,由于時代的發展,我們與父輩相比,或者我們的孩子與我們相比,所學知識的廣泛度和先進程度是非常不一樣的。也許20年后,像我們這樣年紀的人,他們的智能會超過現在的我們。但是能超出多少?會是我們的2倍嗎?可能沒有那么多。從空間維度來看:把多個不同專業背景的人聚在一起,可以促成一些更大的事情發生,催生一些更好的創意。但人員過多可能就不行了,因為相關度下降,邊際效應遞減,而且不容易統一意見。我認為這個人數的上限是100人左右。
 
那么人類多年來取得的巨大進步和整個社會的發展靠的是什么?靠的是各種各樣的技術突破和對工具的巧妙利用。在過去的數百年里,人類學會了使用機械能,學會了用電,學會了制造各種機械,學會了制造飛機、汽車;在過去的數十年里,人類學會了計算機、互聯網、云計算、人工智能和5G通信技術。這些都是可以利用的工具,包括運用云端的智能擴展信息和知識搜索的廣度、加深推理的深度、幫助我們做非常復雜的運算。我們需要更好地掌握和利用這些技術,幫助人類最大程度地發揮智能潛力。
 
人類智能的邊界在于如何與越來越強大的機器連接,把機器作為人類的擴充。
 
基于這些思考,人類智能的邊界其實在于如何與越來越強大的機器(這里把機器作為各種新技術的載體)連接,把機器作為人類的擴充。對于機器智能的發展,人類當然可以發揮設計者和管理者的作用。如果不能很好地運用機器智能,人類就有可能被其控制。但是我相信,在未來,人類在很大程度上可以很好地與機器連接并利用它們,而人類的智能水平也會得到大幅提升。
 
機器智能躍遷的三大要素
 
機器智能的發展與三大要素有關:第一是認知能力,第二是學習能力,第三是處理不確定性的能力。認知能力即對周圍環境,包括人、物及其關系的理解能力——不只是看到,還要能夠理解這里正在發生什么和未來可能會發生什么。不過,擁有認知能力不等于擁有學習能力。也許機器完全能夠處理眼前的狀況,但它能夠自己學習與提高嗎?不一定。機器學習的未來發展有三種可能:第一種可能是,機器繼續在人的幫助下學習,我們通過標注一些結果、內容來訓練它們;第二種可能是,我們只通過視頻來展現動作,讓機器自己學習;第三種可能是,機器從自身生成的樣本、從自然界,或者從人類為其構造的例子中學習,并自己根據規則產生大量的例子來練習。這三類學習方法可以組合使用,來訓練包含感知、認知和行為能力的機器智能。
 
處理不確定性的能力則是人類最大的一個優勢。比如,你在開車時看到前方有如下場景:左邊是一個騎自行車的人,右邊是一個小孩,路上有一個球。此時,你需要判斷小孩會不會去撿球,如果去撿球的話,汽車該如何避讓,而左邊騎自行車的人會不會看到,這些都屬于不確定性,F在的自動駕駛軟件都是根據感知輸入做出確定的判斷和行動規劃的,并不能處理這些不確定性。但未來的機器需要并且能夠對這些進行處理。盡管輸入的數據中有很多是有噪聲的,但我們可以用概率計算的方式來解決。對于這些被稱為自主系統的智能機器,特別是自動駕駛系統和機器人來說,有些場景是有危害的,而且這些場景中都包含大量的可變因素和感知過程的不確定性。既然不能在真實場景中做實驗,那就要在模擬器中做。整個訓練和測試過程需要大量的計算與存儲資源,這也是網絡和云計算帶來的便利。
 
機器是否能做到理解?
 
機器的認知能力在不斷增強,現在它們已經能夠識別視覺數據里的一些東西,例如人和物體。那么機器能否理解此時發生了什么?讓我們來看一個例子(見圖1-1),圖中的英文字幕描述了其所在的視頻場景中正在發生什么。這個英文字幕并不是人寫的,而是機器自動生成的,由算法產生。圖中顯示的只是一條挑選出來的最佳描述,其實算法看到了更多的信息,包括時間維度和視頻里的空間維度,因此可以給出更多的信息。我們看到,算法挑選出來的這條字幕已經和場景非常相關了。比如,當只看到一個人的時候,它會描述成“一個人在講話”;當看到PPT的時候,它會描述成“一個人在演講”;當看到下面觀眾的時候,就轉而描述成“一個人在一群人面前做一個報告”。所以,機器理解環境場景里發生了什么的能力正在提高,而這項進展不過是在過去兩三年內實現的。
 
圖1-1 機器如何理解環境
 
我們可以預想到在未來,人類會讓一臺機器去了解某個環境里正在發生什么,這些人之間有怎樣的關系,他們想干什么,或者說他們有什么意圖。當機器對這些問題都有比較好的把握時,就意味著機器的認知能力已經達到了可用的水平。關于機器的認知能力,比較關鍵的一點是它有一個完整的框架(見圖1-2)。圖中左邊是多模態信息的輸入,右邊是認知結果的輸出,底部是知識的輸入。在多模態輸入這一層,視頻、音頻和語言文字等都是機器從現場環境中觀察到的,屬于感知層的輸入信息。視覺識別、語音識別和文字識別的作用是較為真實地將當前場景數字化,使其成為語義信息。但這不包括歷史信息和機器觀察不到的知識。因此,為了讓機器能夠理解環境,我們需要給它連上知識庫和歷史信息,把它看不到的東西加進來。這樣機器才能夠從多模態的輸入中融合已經看到過的信息和知識,并加以分析,最終達成對場景的理解。多模態的信息融合和知識圖譜整合的框架對于機器認知的發展是非常關鍵的。關于其中使用的各種算法的選擇和發展,許多人類算法工程師發揮了巨大的作用。
 
 
圖1-2 多模態視頻理解框架
 
機器的認知能力可以支持哪些功能呢?第一點,它可以直接把視頻內容(原來是像素和顏色)轉化成文字,代表語義,這樣就可以進行搜索了。第二點更為重要,它能進一步生成新的語義網絡的關系,支持視頻內容的問答。例如,你可以問它“這里面有沒有人在房間里做報告的部分”,它會幫你找出來。最重要的第三點,就是視覺關系理解。機器可以在不同的視頻之間尋找相關性,具有查找相似性的能力,并且可能產生記憶。從上面的討論可知,知識圖譜對于機器智能的發展非常重要。一方面,我們可以給機器輸入固定知識,例如常識和穩定的領域知識。另一方面,機器也可以自己構建知識庫。機器人的深度攝像頭可以看到顏色,也可以看到深度。它在一個環境里繞一圈,就能給這個環境建立一個三維的場景地圖,同時也可以利用顏色數據識別出場景中的人、物體、沙發、墻壁等,從而建立起這個環境的空間知識庫,再加上隨時間推移記錄下來的人物之間的運動和交互關系,就構成了這個環境的動態知識庫。如果未來人們生活的每個房間、每個場所都有這樣一個動態知識庫存在,那就會形成一個高度簡潔、可搜索的數字化世界。這個世界與現實世界的關系不是一種在像素級別的一一對應——不是說這兒有一棵樹,數字世界里就有一棵所有細節都存在的樹,而是一種對現實世界高度抽象的描述。
 
接下來的一個問題是:如此大量的知識要怎么存放呢?想一想,人類的大腦能存儲多少知識?其實不是很多。例如,我的腦中有一些與IT相關的知識,卻放不下多少金融知識和醫學知識。但這對機器而言是可能實現的。全部的人類知識可以分成兩大類:第一類是穩定知識,包含通用知識和領域知識。通用知識是人們從小學開始學習的不變的知識,領域知識則是從大學開始學習的分專業的知識。這些都是比較固定的知識,可以自上而下地構建知識圖譜。第二類是動態知識。這類知識不是在常規學習過程中學到的,而是隨著整個社會場景發展,甚至是隨著人的不同而改變的。想象這樣一個場景:當一個機器人或者一輛無人駕駛車在為客戶提供服務時,根據它服務的個人或家庭的不同,它會習得截然不同的知識。這些就屬于動態知識。動態知識還包括群體性知識。40多歲的人的知識范圍,與十幾歲的人完全不一樣。不同地域的人,他們的知識范圍也是不一樣的。動態知識是自下向上動態構建的,并且在不停地更新。
 
機器可以涵蓋全部這些知識,但在信息世界中,這些知識不可能都存放在終端內。一是有一些在云端,有一些在終端。因為在服務具體個體的時候,考慮到網絡延遲的影響,將所有知識都存放在云端的話,響應度是不夠的。這時,我們就要充分利用通信和網絡技術發展帶來的好處了。你可能聽說過邊緣計算,它指的是在5G時代可以很好地利用接入網的邊緣加入計算和存儲的功能。于是我們可以把知識按照訪問需要分布式存放在云端-邊緣-終端內。云端存放全部穩定知識,終端和邊緣存放部分穩定知識與全部動態知識。那么我們要如何在終端、邊緣和云端存放知識?以下三個例子會幫助你理解。第一個例子與自然語言交互相關。你家里可能會有一臺小的智能音箱,它通過語音交互幫你提供一些信息。這其實是調用了云端的服務來實現的。有時你會感覺它的響應速度有些慢,這是因為碰上了網絡慢的情況。處理請求要從家里的小音箱到達云端的服務器(通常有幾十、數百公里的距離),網絡速度慢的時候,整個交互過程當然會變慢。如果將你的服務部署在距離你只有幾公里遠的邊緣服務器上,從而進行快速處理的話,那么響應速度會大幅提升。第二個例子與地域性相關。通過邊緣計算,我們可以創建與各地方言相關的語音服務和知識庫。第三個例子與場景相關。就拿基于語音的生活服務來說,在北京提供服務的知識庫和四川、廣東的肯定不一樣。比如大家都說要吃辣一點的菜,然而每個人所指的辣度是不一樣的。這就是與地域性相關、與場景相關的知識,最適合用邊緣計算做服務,具體方式是增強與地域人群的相關性,也可以增強服務的適應性。
 
機器學習的方式
 
目前,機器學習的常用方式有四種。第一種是無監督學習,需要機器自己去發現數據之間的關系,主要用于聚類。第二種是監督學習,需要有人告訴它這個是什么,這類是什么。打上標簽以后,機器可以通過訓練把這個中間的識別過程用模型表示出來。第三種是自監督,關聯學習。機器不需要人教,而是通過觀察幾種對象的相關性、前后的因果關系,自動生成一些關聯。比如說打方向盤時,車輪就會轉,前置攝像頭看到的景象都會偏移。關聯學習就會發現其中的關系。第四種是強化學習,機器會通過跟環境交互,觀察按照當前模型決策產生的一些影響,來優化動作序列或者決策序列。在機器學習過程中,它們會根據數據特點和應用需求來具體問題具體分析,融合使用這幾種機器學習的方式。除了上述學習方式之外,機器學習未來發展的潛力還在于模仿學習和生成式學習。模仿學習是指不需要人去標注數據,也不需要人去寫執行算法,機器能夠直接從人的示范中學習。人只要通過示教(直接拖動或者通過視頻),做出動作讓它看,機器就能自己學習。
 
生成式學習是指機器從自己生成的樣本中學習。機器從自然界中和從人給它構造的例子中獲得的數據量不夠,但它可以自己根據規則產生大量的例子來練習。機器自己會產生大量真實場景中很少出現的例子。典型的例子是自動駕駛領域,有些場景是有危害的,不可能在真實場景中去實踐,那就要在模擬器中做。我們可以在模擬器中模擬極端的場景,還可以在模擬器中反復訓練機器。同時,有了實時通信的無線網絡,就可以把多個智能機器放在一起,練習它們之間的協同交互。例如,A機器人要把物品遞給B機器人,這個過程可以通過編程實現,但是編寫的程序泛化能力和適應性都不強。更高級的方法是,通過設置基本的學習方法和獎勵規則讓機器人在模擬器中學習:A把一個東西抓起來遞給B,配合好了就能接住,配合不好東西就會掉落。經過多次練習,它們就知道如何做到完美配合。然后,再把算法轉移到真實環境里測試。
 
圖1-3中的例子展示了如何通過人的簡單示范,讓機器人學會做一件比較復雜的事情。左圖的研究員通過拖拉示范,告訴機器人怎樣把一個杯子里的球倒進地上的碗里。之后,這個機器人通過在模擬器里反復訓練,學會了去做這件事情的方法。更有趣的是,這不是一個固定動作。人在教它的時候,地上的碗是放在固定位置上的。而在機器人練習的過程中,碗的位置是可以改變的,而且位置的改變不是一個固定變量。機器人要自己調整適應,找到將球倒進去的方法。即使機器人已經根據現在的位置規劃好了運動軌跡并啟動執行,我們臨時改變底下小碗的位置,它也能夠及時調整自己運動的軌跡。[插圖]圖1-3 機器人如何模仿學習用手工編程做出這套控制算法還是很困難的,并且很難考慮到多種場景。但我們可以讓機器人通過模仿學習加上強化學習,在模擬器里反復訓練,這樣它們就可以學會這項技能。
 
處理不確定性
 
人類是最擅長處理不確定性的。比如駕駛員在復雜路況下開車時,要不停地處理不確定性。例如前面行駛中的車會不會減速?騎自行車的人會不會轉彎?這些是不確定的,F在的計算機系統都是按照確定性在做事,處理人工生成的數據,執行確定的工作流程。但未來的機器要在真實的物理世界中和人、物交互工作,所以未來的機器智能必須能夠處理不確定性。未來的機器智能必須能夠處理不確定性。從計算的角度,我們可以用概率計算的方式來處理不確定性。概率計算的關鍵在于預測與調整。一個簡單的思路是,先根據目標場景的已有數據樣本產生一個概率模型,并用它生成一個預測,然后通過觀察這個預測與實際發生場景之間的差異去調整概率模型,使之與實際發生的場景相符。這種概率計算的方式計算量很大,以前的機器運行速度很慢,基本沒法實現,F在,機器的整體計算能力大幅提高,還可以設計專門的加速硬件,概率計算的方式就變得可行了。
 
從互聯的角度,我們可以通過變未知為已知來處理不確定性。機器之間相互連接的方式有很多種,從有線連接到無線連接。有線連接可分為多個級別(芯片內部、芯片之間、機器之間),利用不同的介質與協議實現不同的數據傳輸帶寬和延遲,讓機器之間進行快速可靠的通信。無線連接可以使機器之間跨越空間距離、跨越物理傳輸介質去傳遞信號,帶來更大的想象空間。有了這些連接之后,人與機器之間、機器與機器之間可以實現無縫通信,各取所長地處理信息,把原本對于個體來說不確定的情況變成確定的。圖1-4展示了一個非常好的例子。右邊的4個視頻是普通的十字路口攝像頭拍攝的視頻。以前,這些攝像頭被用來檢查有沒有車闖紅燈、有沒有套牌車等情況,F在,我們可以利用通信技術同步處理4個攝像頭的視頻數據,檢測車輛、行人及其運動軌跡,從而將這個場景實時重建成左邊這個虛擬的、完整的全方位視圖,并且實時追蹤各個車輛、行人的運行。然后,利用短距離的實時無線通信技術,可以把這些信息發送給進入這個路口的車輛。這樣,每輛車都會知道其他方向有什么車可能與它發生碰撞,即使它被公交車、大卡車擋住視線也能看到,因為智能的機器給了它一個“上帝視角”,還給出了預測,這是人類無法做到的。
 
圖1-4 智能交通路口
 
一個典型的通過計算和連接把未知、不確定性轉變為已知、確定性的例子,讓我們看到了“技術+網絡”可以帶來的力量。
 
未來十年,誰擁有芯片,誰就將制勝于更長遠的未來
 
任何智能發展都離不開硬件基礎。除了現在人們熟知的CPU(中央處理器)、GPU(圖形處理器)、FPGA(現場可編程門陣列)、專用加速器等智能計算的硬件基礎外,一些硬件架構技術也在不斷加速發展。例如英特爾公司最近推出的Loihi神經擬態芯片(Neuromorphic Research Test Chip),就是模仿人腦神經元的構造、連接方式和工作方式設計實現的。神經擬態計算從人腦的信息處理機制中獲得靈感,來構建人工智能系統。Loihi是目前最先進的神經擬態計算處理器,它采用英特爾領先的14納米工藝制成,集成度高,在60平方毫米的芯片上有13萬個神經元和1.3億個神經突觸(見圖1-5)。它能達到什么效果呢?Loihi支持多種脈沖神經網絡架構,可以在很低的功耗下工作(這一點和人腦非常相似)。最重要的是,它具有可編程學習能力,能夠在線自主訓練,并且支持多種學習算法,包括監督學習、非監督學習、增強學習等。Loihi的能效比通用處理器高1000倍。目前,一塊小芯片能使13萬個神經元互相連接。英特爾公司在2019年7月宣布,包含64塊Loihi研究芯片、代號為“Pohoiki Beach”的800萬神經元神經擬態系統已經可以供廣大研究人員使用。
 
圖1-5 Loihi芯片和64芯片神經擬態系統
 
那么未來十年,智能計算會發展到什么程度呢?我大膽地預測一下。假設未來芯片的晶體管密度按照摩爾定律的速度發展——10納米、7納米、5納米,十年之內一定會超越5納米,那么晶體管密度至少會提高8倍。然后,我們還可以用3D芯片制造技術,在一顆芯片內封裝多層內核。假設十年后,通過3D芯片技術可以讓計算密度再提高64倍,我們便可以像Pohoiki Beach一樣設計多芯片互聯的系統;假設十年后,我們可以互聯1000塊芯片,那么這樣的系統尺寸會做到多大呢?可能比我們現在用的桌面型打印機還要小。這樣的系統可以容納670億個神經元,已經很接近人腦的神經元量級了!當我們展望下一個十年或者更長遠的未來時,隨著人工智能應用變得愈加廣泛和深入,僅靠一種架構的AI芯片是不能解決各種問題的。同時,隨著創新速度越來越快,設備種類越來越多,其要求的迭代速度也越來越快,我們不會再有一個獨立的平臺(例如20世紀90年代到2000年的PC,2005年到現在的手機)。傳統的異構計算已經不能滿足日益發展的人工智能計算需求,我們正在邁入超異構計算時代。
 
異構計算在20世紀80年代就已出現,它是指在完成一個任務時,采用一種以上的硬件架構設計,把它們組合在一起。組合方式主要包括:一體化SoC(系統級芯片),它的專用性最強、能耗最低,性能也很好,能效比非常高,但只有應用范圍很廣時,投入產出比才會更高;分體式板卡,它的優勢在于靈活,可以在需要的時候隨意組合,但板與板之間連接的功耗、帶寬速度都要大打折扣。超異構將提供更多的靈活性和更快的技術應用周期,推動計算創新發展。它包含三大要素:多架構、多功能芯片,多節點和先進封裝技術,統一的異構計算軟件。在多架構、多功能芯片方面,有標量、矢量、矩陣、空間等多種計算架構。例如,CPU是標量架構,GPU是矢量架構,深度神經網絡的專用加速芯片是矩陣架構,FPGA是空間架構。在多節點和先進封裝技術方面,傳統的封裝就是把芯片平鋪在一起,這種方式存在一些缺點:一是增加了面積,二是芯片之間的連通帶寬還需要加速。2.5D和3D封裝的出現解決了這些問題,不只是把計算芯片和內存連接起來,還能把計算芯片互相連接,并像高樓一樣分成幾層堆起來,這就是先進封裝技術。同一個異構系統中需要使用多種架構的芯片來完成計算任務,而對于開發者來說,掌握多種架構的軟件優化技巧比較困難。統一的異構計算應用程序接口(API)可以解決這個問題,它利用預先研發的軟件庫來封裝不同種類的硬件架構,從而為軟件開發者提供統一的編程接口,降低開發難度并提高效率。未來的人工智能芯片會將這些技術綜合使用,獲得性價比、能耗比最優的智能計算方案。
 
量子計算,重構AI的算法和思路
 
量子計算是另一個維度的突破,它與傳統計算模式都不一樣。量子不是一個物理粒子,而是指通過技術手段讓微小的粒子(如電子、光子等)或者電路系統形成量子態,從而同時處于多個狀態,構成一個量子比特(qbit)。然后進一步地,通過讓多個量子比特糾纏在一起,就可以進行大規模的并發計算,同時計算非常多的狀態組合。例如,如果有50個量子比特糾纏在一起,那么計算系統就可以同時表示250個狀態。所謂的量子霸權(quantum supremacy)就是指在某個領域,量子計算擁有的能力遠遠超過經典計算。如今,在業界發展的前沿,已經有50~100個量子比特可以用來做計算,做一些模擬,但是還不能說達到了量子霸權。另外,量子比特的糾錯能力仍需要提高,量子計算的系統目前并不穩定,難以提供足夠長的量子糾纏時間來執行有價值的任務。雖然量子計算距離商業化使用還很遠,但我們不可小看它的潛力。
 
圖1-6 量子芯片
 
量子計算的誘人之處在于:第一,它具有超大規模的并行計算能力;第二,利用量子計算的模型去重構人工智能的算法,會產生非常大的突破,這種解決問題的思路與現在使用經典計算機的思路完全不一樣。我們可以期待,機器的學習能力和處理不確定性的能力會有突破性的進展。
 
預測邊界,駕馭未來的機器智能
 
總體而言,我認為機器智能仍然會呈現指數型發展。人工智能的算法、智能芯片的算力、實時的互聯和虛實結合的計算環境這四個因素都在促進機器智能的發展?纱┐魇皆O備和腦機接口(Brain-Computer Interface)技術的發展為人類充分利用機器智能搭建了橋梁。對于人類和機器的共生未來,我們可以有多種預測,包括正面的和負面的。但對于一名科技人員來講,理解智能產生和發展的底層邏輯和演進路徑,更多的是要去駕馭它的走向,而不是害怕和拒絕。對于各種技術,要預測其發展的可能性和邊界,做好風險管控的準備。同時,要與社會學家、心理學家、經濟學家等各領域的專家交流,探討科技發展對社會的影響,保證技術發展的正向的社會效益,共同駕馭未來的機器智能。
 
 
新思維
 
算力主導的世界,更應該不斷被異構一些關于摩爾定律或者制造工藝的宣傳都指出,某些廠家可以將芯片的直徑做到10納米、7納米、5納米,甚至3納米的小尺度——他們以為到了3納米時,算力就會遭遇瓶頸,其實并非如此。制造工藝的進階只是說晶體管制作的尺寸最小可以小到多少,這也包括中間互連的線,但是算力不會受限于此,因為我們還可以用很多其他技術來讓芯片的算力繼續擴展。舉例來說,現在我們的制造工藝可以將尺寸做到7納米,可以把芯片里面的晶體管線路的單位再提高一倍,但這只是在單芯片的面積上增加了一倍的算力而已。那么,這一倍的算力是否能支持未來的需求呢?可能不行,因為現在算力也在經歷一個指數型的發展,甚至比摩爾定律迭代得更快。
 
另外兩個辦法,分別是:架構創新和3D堆疊。
 
第一,架構創新。原來我們只是用CPU,現在可以用GPU或者其他專用芯片來對某些運算的負載做專門的優化,現在的1000個晶體管也許相當于以前的10萬個晶體管,這是從架構角度講如何設計芯片的結構。
 
第二,3D堆疊。在平面上,單位面積密度的增長是十分有限的,但是如果進行堆疊,我們還可以增加算力。同樣,我們可以把不同工藝,比如7納米、10納米、14納米的芯片通過先進的封裝技術再封在一起。最近出現的超異構的概念表明,有好多種技術可以用來對算力進行支撐,以保證支撐爆炸性增長的算力要求。工藝上的要求是到7納米,其實到5納米就很難推進了。一個原因是這在物理上很難實現,另一個原因是建造這種工廠的成本越來越高了,比如,建造一個10納米工藝水平的工廠需要高達100億美元的花費。
 
 

 

個人簡介
英特爾中國研究院院長、首席研究員,機器人交互研究中心總監,曾任智能互聯創新研究中心總監。他于2008年加入英特爾中國研究院,是創造Intel Edison產品原型的核心成員。 從2001年至2008年,他歷任香港中文大學博士后研究員、香…
每日關注 更多
宋繼強 的日志歸檔
贊助商廣告
欧美俄罗斯乱妇

<big id="xzxbp"></big>

<big id="xzxbp"><strike id="xzxbp"></strike></big>

<strike id="xzxbp"><noframes id="xzxbp"><pre id="xzxbp"></pre>

<em id="xzxbp"></em><thead id="xzxbp"><noframes id="xzxbp">

<pre id="xzxbp"></pre>
<font id="xzxbp"><th id="xzxbp"></th></font>

<th id="xzxbp"></th>