Yann LeCun曾经创造了一个名为ANNA的AI芯片。当时还是1992年，LeCun是贝尔实验室的研究人员，这个实验室是纽约市以外的标志性的研究实验室。他和其他几位研究人员设计了这个芯片，来运行深层神经网络——复杂的数学系统，可以通过分析大量的数据来自动学习任务，但ANNA从未在大众市场普及。神经网络非常擅长识别个人检查和信封、支票上的数字，但是在执行其他任务时，没有任何实际意义，因为它们的工作并不奏效。

然而今天，神经网络正在迅速改变互联网最大的参与者，包括谷歌、Facebook、微软。LeCun现在在监督Facebook的中央人工智能实验室，神经网络识别照片中的面部和物体，从一种语言翻译成另一种语言。在他发明了ANNA的二十五年后，市场终于到了非常需要类似ANNA这样的芯片的时候了。

谷歌最近打造了自己的AI芯片，称为TPU，可以广泛部署在支持该公司的大量的数据中心内。在那儿，有成千上万的计算机，TPU帮助从识别到安卓智能手机的命令，到谷歌搜索引擎上的结果。但这只是一个开始。CNBC上周透露，谷歌TPU背后的几位原始技术工程师正在努力为Groq的隐形创业公司建立类似的芯片，开奖，包括英特尔、IBM和高通在内的大型商业芯片厂商也在往同样的方向推进。

像谷歌、Facebook、微软这样的公司仍然可以在CPU的标准计算机芯片上运行他们的神经网络。但是由于CPU被设计为多用途处理器，这是非常低效的。当与专门设计用于处理这些AI系统所需的大量数学计算的芯片配对时，神经网络可以运行地更快、消耗更少的电力。谷歌表示，在推出其TPU芯片时，节省了大约15个额外数据中心的成本。现在，由于像谷歌和Facebook这样的公司将神经网络推向手机和VR耳机，他们可以消除将影像传输到遥远数据中心时产生的延迟——他们需要可以在个人设备上运行的AI芯片。LeCun说：“在更多的专业芯片方面，有更多的空白，可以更高效。”

换句话说，AI芯片市场有巨大的潜力。这就是为什么这么多公司正在跳入其中。

　　技术专家

英特尔收购了一家名为Nervana的创业公司后，正在为机器学习专门打造芯片。IBM也是创建一个反应神经网络设计的硬件架构。最近，Qualcomm已经开始专门为执行神经网络而建造芯片，LeCun认识到高通公司的计划，因为Facebook正在帮助芯片制造商开发与机器学习相关的技术。高通公司副总裁Jeff Gehlhaar证实了该项目。他说：“我们在原型开发方面还有很长的路要走。”

与此同时，nVidia也正在推进这一领域。就在上个月，硅谷的芯片制造商聘请了Clement Farabet，在纽约大学的LeCun学习期间探索了这种芯片架构。创造了一个名为Madbits的深度学习的创业公司，并在2014年被Twitter收购。

nVidia已经是AI世界的主导力量，在像谷歌和Facebook之类的公司可以使用神经网络来说，从一种语言翻译成另一种语言，他们必须首先对这个特定任务进行训练，为其提供大量现有的翻译。nVidia让GPU芯片用于加速培训阶段。LeCun说：“对于培训，GPU基本上已经垄断了市场，特别是nVidia GPU。”但是Farabet的到来可能预示着，就像高通一样，nVidia也在探索一种能够执行神经网络的芯片。

GPU或图形处理单元，不是为AI设计的。它们被设计用于渲染图形。但大约五年前，像谷歌和Facebook这样的公司开始将其用于神经网络培训，只是因为它们是该任务的最佳选择，LeCun认为它们将继续发挥这一作用。他们说，编码器和公司现在对GPU很熟悉。他说：“因为你需要整个生态系统，而GPU是难以解散的。”但他也认为，新一代AI芯片将大大改变大型互联网公司执行神经网络的方式，还有数据中心和消费者设备（从手机到智能割草机、吸尘器等等等等）。

正如谷歌的TPU所示，专用的AI芯片可以在数据中心带来全新的效率水平，特别是随着图像识别服务需求的增加。在执行神经网络时，它们可以燃烧较少的电力并产生较少的热量。

同时，直播，随着VR和AR变得越来越普及，手机和耳机将需要类似的芯片。正如Facebook上周介绍的AR工具那样，这种技术需要识别周围世界的神经网络，但是，AR系统无法在数据中心运行这种AI技术。通过互联网发送所有图像需要太长的时间，破坏了模拟现实的影响。Facebook首席技术官Mike Schroeprefer解释说，Facebook已经开始依靠GPU和其他芯片（成为数字信号处理器）进行某些任务。但从长远来看，设备肯定会包括一个全新的芯片。