IBM 研究院类脑计算首席科学家 Dharmendra Modha 在其博文中说道：「类脑计算的目标是在不断逼近时间、空间和能量的根本限制的情况下，给出可扩展的神经网络基础（substrate）。」

作为芯片领域最大的玩家，英特尔并没有止步不前，它也正在根据下一代人工智能工作需求开发自己的芯片架构。去年，英特尔宣布其第一个人工智能专用硬件 Lake Crest（其技术基于 Nervana）将在 2017 年上半年推出，并在稍后接着推出 Knights Mill，它是 Xeon Phi 联合处理器架构的下一个迭代。

英伟达已成为人工智能硬件领域的主力军之一。在谷歌、Facebook 等公司能够使用神经网络翻译语言之前，他们必须首先用特殊任务训练神经网络，给神经网络输入现有的大量翻译数据集。英伟达制造了可以加快这一训练进程的 GPU 芯片。LeCun 说，在训练方面，GPU 通常考虑的是市场，尤其是英伟达 GPU。但是 Farabet 的出现也许表明，英伟达正和高通一样，也在探索一旦接受训练就可运行神经网络的芯片。

GPU 最初的设计初衷并非人工智能，而是图形绘制。但是大约 5 年前，谷歌、Facebook 等公司开始使用 GPU 训练神经网络，仅仅因为 GPU 是现有的最佳选择。LeCun 相信 GPU 可以持续发挥这一作用，他说，现在程序员和公司对 GPU 相当熟悉，他们具备使用 GPU 的所有工具；GPU 很难被替代，因为替代它需要换掉全部（整个生态系统）。但是他也认为将会出现一种新型芯片，从数据中心和消费设备两个方面，极大地改变大型公司运行神经网络的方式，从而，从手机到智能割草机再到真空吸尘器的一切也都将会改变。

正如谷歌 TPU 展示的，专用 AI 芯片可以将数据中心的运行效率提高到一个新的层次，特别是对于那些需要进行图像识别的服务器。在执行神经网络任务时，它们消耗更少的电力，发热更小。「如果你不想让一个池塘沸腾，你就需要特殊设计的硬件，」LeCun 说。

与此同时，随着 VR 和 AR 技术的发展，atv，手机与头戴设备也需要同样的芯片。Facebook 上周曾展示了它们的新型增强现实工具，而这种设备需要神经网络来对周围环境进行识别。但增强现实系统的任务不能基于数据中心——传送数据需要时间，延迟会破坏用户体验。正如 Facebook 首席技术官 Mike Schroepfer 所解释的，Facebook 目前正在使用 GPU 和另一种被称为数字信号芯片的设备处理这些任务。但从长远来看，这些设备必须使用全新类型的芯片。

现在，需求已经出现，芯片公司正在争相占领新的市场。

　　原文链接：https://www.wired.com/2017/04/race-make-ai-chips-everything-heating-fast/

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]