人们都乐观地相信人工智能可能给世界带来的变革，但在这波技术浪潮中，能够扮演“马达”作用的企业还屈指可数。

　　今年3月24日，英特尔总部宣布将组建了一个人工智能部门，名为AIPG（Artificial Intelligence Products Group），由英特尔此前收购的人工智能公司 Nervana CEO Naveen Rao 统领。英特尔中国区总裁杨旭向钛媒体介绍，“人工智能事业部主要做三个方向：计算能力储备；建立深度产业合作；具体领域实现突破。这个事业部会涉及英特尔的许多产品部门，最关键的是统筹资源专注去做人工智能这件事。”

　　这是继去年11月成立自动驾驶事业部之后，英特尔再次为某个领域设立独立的事业部，其战略意义可见一斑。

　　通常来讲，人工智能分三层，最底层是芯片、计算、云等服务层，属于整个产业的基础设施；中间是核心技术层，比如深度学习、计算机视觉，提供某个领域的通用算法；最后是应用层，也就是我们看到的无人驾驶、机器人等各种具备人工智能形态的产品。

　　AI应用百花齐放的时代还没有到来，但说到底，它的繁荣并非一日之功，也绝不仅仅是AlphaGo下围棋赢过人类那么简单，人工智能不同于以往任何一场技术革命，它对芯片、算法、计算能力——这些像水和电一般的基础设施都提出了截然不同的要求。

　　数据洪流推动芯片革命

　　近20年来芯片工艺制程的进化，按照摩尔定律，每隔 18-24 个月每硅芯片性能便会提升一倍的规律，从90年代的台式计算机到现在的人手一部智能移动设备，单位面积计算力已经有了15000倍的增长。

　　如果你对「计算力」的概念模糊，可以从数据的角度来感受一下。

　　在上世纪电脑诞生初期，一台?PC的内存还以KB为单位，而现在智能手机随便拍一张照片就是几MB，拍一段高清视频能达到几个GB，数据的洪流正在以史无前例的速度向我们袭来，人工智能产业爆发的基础已然具备。

　　英特尔研究院院长宋继强预测称，“预计到2020年，一个互联网用户每天将产生1.5GB的数据，每台自动驾驶汽车每天将生成超过4,000 GB的数据，人工智能方面需要的计算力将增长12倍，而这12倍的计算力会给我们带来完全不一样的世界。”

　　但是需要注意的是，摩尔定律并非一条普适的自然科学性质定律，而是英特尔早期创始人戈登摩尔根据经验的一种观察预言，因为大体符合实际趋势，所以几十年来一直被用于预测半导体行业的未来。

　　进入到人工智能时代，越来越多人开始担心摩尔定律的极限，以及这种指数级的增长是否能够永远持续，甚至这个命题伴随着芯片产业的发展已经存在了很长时间，也许谁都无法给出明确的答案，但可以肯定是，技术的难题（包括半导体工艺的演进、物理学量子效应和光刻精度尚未突破）确实正在阻碍摩尔定律的速度。

　　底层基础技术究竟是什么？

　　在刚刚落幕的Emtech Digital人工智能峰上，一位名叫Gary Marcus的人工智能领域著名研究者、认知科学家给当下火热的人工智能行业破了一盆冷水，他认为“对机器来说识别并不等于理解，人工智能研究在很多领域正停滞不前”，此言并非毫无根据。

　　实现人工智能本质是模仿人类进行感知、决策的行为，电脑需要处理巨大量的数据，然而现阶段的人工智能发展遇到的一个主要瓶颈，就是人类现有的芯片计算技术（以CPU为主）和人工智能希望模仿的人脑计算方式（深度神经网络）存在着巨大差异。

　　CPU的工作过程类似工厂流水线作业，即按部就班去做一件事，每个流程都存在着很强的关联性，只有完成这个步骤才能进行下一步，我们通常听到的双核、四核、八核CPU都遵循这个逻辑，即便是英特尔推出256核CPU，也只是同时在处理256件事情而已。

　　人脑的计算方式比CPU高明很多，大脑有几百亿个神经元，这几百亿个神经元全部都是并发活动，如果把每个神经元比作一个计算单位，人脑相当于几百亿个计算单元在同步进行着不一样的事情，也就是利用我们后来经常听到的深度学习神经网络，这种方式与目前依靠CPU流水线作业的计算方式大相径庭，孰优孰劣一目了然。

　　众所周知，英特尔奉行的战略是专注通用计算芯片，但是在大规模并行计算领域先天不足，如果想要适应人工智能的计算方式，必须得进行相应的升级调整，即所谓的异构计算，说白了就是在传统CPU计算方式的基础上搭载其他计算单元。