在过去一年，人工智能正以前所未有的态势汹涌而来，成为各个科技巨头的必争之地。而得益于深度学习这种人工智能技术，“非生命性”计算机目前已能在复杂棋盘游戏围棋中战胜顶级人类玩家，甚至能像皮肤科医生一样精确地识别黑素瘤，更能让车辆实现自主导航和驾驶。

　　目前，有一批电路科学家正试图设计出“专用型硬件”（Specialized Hardware），将这种高大上的深度学习技术推广平民化，引入智能手机、可穿戴设备以及其他消费级电子产品的芯片中。

　　譬如，引入人工智能技术的智能手机，将能更好的理解用户的独特口音和语言习惯。对于那些被Siri逼到抓狂的用户，这简直就是拯救。引入人工智能技术，如家庭安防系统能够更准确地区分是否应该报警，而不至于将主人打破碗碟的声音误判为小偷破窗而入而惊动警察。

　　2月，在旧金山召开的“2017年IEEE国际固态电路会议”（ISSCC 2017）上，学术界及工业界的工程师们展示了一些专用、节能的深度学习处理器。这类专用型硬件将为电子设备带来智能的飞跃，因为与传统软件不同，这是依赖于像人类大脑一样的高级抽象。更值得称赞的是，这类硬件不会过多地消耗电量。

　　德州仪器的科学家Mahesh Mehendale说：“我们开始意识到，想要同时提升性能和能效，就需要开发出更多的专用硬件。”他与松下技术开发实验室总工程师Takashi Hashimoto共同担任本次会议的大会主席。

　　当下，想要广泛推广深度学习技术，就需要各大公司推广专用的低功耗芯片。

　　正如许多类似的项目，STM公司的芯片架构设计尽可能使内存和处理单元紧挨一起。与其他算法相比，神经网络算法需要频繁地提取数据，所以缩短该类数据传输距离将大量节省能量消耗。STM公司位于意大利科尔纳雷多基地的研究员Guiseppi Desoli，介绍了一种每瓦特每秒2.9万亿次（也称，每瓦特2.9每秒兆位）的神经网络处理器。

　　注：每秒兆位（teraops），每秒万亿次。

　　这种处理器主要用于运行卷积神经网络算法，atv直播，常用于图像识别领域。Desoli表示，STM公司认为如果工程师能将功耗降低，这种神经网络完全可以嵌入物联网应用。他说，“对于深度学习处理器，普通的电池只能持续几个小时，所以每瓦特只能执行几个万亿次操作。

　　来自韩国高等科学技术学院（KAIST）的Hoi-Jun Yoo团队，则展示了一个不同类型的专用芯片。这种专用芯片不仅比STM公司的芯片能量效率更高，能够达到每瓦特8.1每秒兆位的效能，开奖，还可以运行两种神经网络算法。一种是卷积神经网络，另一种是递归神经网络。这种神经网络算法十分适用于诸如语音解码的任务，因为无论听还是说，能记住几秒钟前的谈话才有意义。

　　此外，Yoo团队还展示了另一个与图像传感器相配对的深度学习处理器，开发出的智能工具是一个低功耗、可穿戴的徽章，可用于面部识别。该设备依赖于一个以620微瓦运行卷积神经网络的专用芯片架构。对于这样微小的功率，一个硬币电池就能保持其运行超过10小时。

　　工程师们在ISSC会议上钻研的另一个问题是系统级设计。从系统设计上看，降低功耗的一种方法是在初始决策阶段使用低功率电路，然后在必要时唤醒相对较大功率的神经网络电路来做繁重的决策任务。

　　麻省理工学院（MIT）的Anantha Chandrakasan实验室在大会上展示了一个能将语音与其他声音区分开的专用芯片电路。该芯片控制一个可识别词汇的神经网络，能够处理词汇量高达145000的语音区分任务。与当前的其他先进系统相比，该系统在标准测试中的词汇出错率仅为前者的约四分之一，而功率仅为前者的大约三分之一。

　　ISSCC2017大会上发布的各类新芯片，说明用专用型硬件来运行神经网络是更高效的。当然，训练神经网络则是另一回事，目前这仍然需要在大型计算机上完成。