AI“奇点”尚未到来

4年前，当AlphaGo打败顶尖棋手李世石之后，世人都在担心，机器替代人类的“奇点”时刻即将来临。现实却是，AI降温的速度比热潮来得更快。深度学习的计算需求呈指数级增长，以至于自动驾驶等产业的AI进程慢于预期。

麻省理工學院的研究科学家尼尔·汤普森在最新一篇论文中指出，近年来，AI的进步令人眼花缭乱，但接下来的进步将取决于能否投入更多的计算资源，以相同的速度提升计算能力已经远远不够，将拖累AI在计算机视觉、自动驾驶、翻译和语言理解等领域的进一步发展。例如，如果想要将英语转法语的机器翻译算法错误率从目前的50%降至10%，计算能力需要有数十亿倍的提升。

在过去的10年中，AI对计算的需求显著上升。2012年，多伦多大学的一个研究团队在5天内使用两个GPU（一种特殊的计算机芯片）便可以创建出一种突破性的图像识别算法。到了2019年，谷歌和卡内基梅隆大学的研究人员花了6天时间使用大约1 000种特殊芯片（每个芯片的功能比早期的GPU强大很多倍）才能开发出更现代的图像识别算法。以谷歌在2019年开发的一种翻译算法为例，需要大约1.2万个专用芯片持续运行一周，云租用这么多的“算力”将花费300万美元。

OpenAI的一份报告显示，自2012年以来，在大规模的人工智能训练中所使用的计算量呈指数级增长，3.5个月的时间翻一倍，相比之下摩尔定律的倍增周期长达18个月。Facebook的AI研究实验室负责人杰罗姆·佩森蒂说，AI研究人员开始感受到计算紧缩的压力，算力资源的局限将减慢AI在多个领域的发展，获得人为水平的绩效将比预期要昂贵得多。

在最近的一些演讲和论文中，从事大型前沿AI项目的研究人员纷纷抱怨，随着技术难度的挑战越来越高，需要投入的资源也越来越多，由于成本太高，他们无法测试多个算法设计或重新运行实验。按照这个趋势，想要满足未来AI发展的需求，芯片行业势必要有所变革。芯片组件小型化的进步仍在继续，同时专用的新型AI芯片可以更有效地运行深度学习计算。