谷歌、IBM、微软的人工智能处理器

　　现在科技领域最火的是什么？人工智能、机器学习、深度神经网络显然是热点中的热点。太多我们认识中的不可能，被强大的机器学习、人工智能给颠覆了。

　　比如去年Deepmind的AlphaGo就在围棋领域战胜了世界冠军李世石，让人感觉不可思议，在AlphaGo之前的软件，连业余六段左右的高手都赢不了，更遑论顶级职业选手！如果你是程序高手，有想法，是不是可以自己在家也能玩机器学习呢？稍微研究的深入一点，发现完全不是这么回事儿。

　　笔者有朋友的孩子想在围棋上有所建树。他发现，下围棋的课外辅导班要花钱，找人指导下棋也要花钱，并且随着孩子棋力水涨船高，是以几何级数的价格增加的。他又听说人工智能的围棋已经很厉害了，能不能干脆一次性投资，弄个下围棋很厉害的软件与配置，这样就相当于一直与一个高手下对手棋，对棋力增长是有好处的。

　　4路TItan X，2路至强E5已经很强……

　　我一想，这逻辑也说得通，AlphaGo不也赢了人类高手并且人类在学AlphaGo下棋吗？于是找了找，目前使用6700K处理器的计算机跑日本围棋软件Zen，可以有业余五六段的棋力，但这显然不是他想要的。前几天与赵治勋对弈的deepzen，配置要高很多，核心是2个至强E5 V4与4个TItan X做GPU计算，虽然不敌赵治勋，但毕竟显示出来了可观的棋力。

　　前几天Deepmind团队又放出了消息，棋力大涨，明年初开始重新下棋。我突发奇想，反正这老哥也不差钱，如果谷歌团队公开了软件，会不会可以自己弄个单机版的AlphaGo？天天和比李世石更厉害的AI下围棋肯定涨棋力更快啊。但是仔细一研究，不是这么回事儿，AlphaGo用的处理器，买！不！到！

　　谷歌人工智能的处理器TPU

　　这个表是谷歌发表《自然》杂志论文的时候给出的配置与棋力预估。当时只是说要多少CPU与GPU以及对应的棋力。如果说一个CPU对应一个核心，现在的至强E5V4，已经有22核心的产品了，而如果是对应一个CPU，那么48个CPU可能就要很贵的刀片服务才行了，当然了有万能的淘宝，二手机架式的刀片服务器也贵不到哪儿去。

　　Deepmind团队公布的当时的配置，似乎让人觉得单机版的AlphaGo并非遥不可及，且棋力足够，在今年5月，谷歌又公布了其自己定制的处理器的细节。谷歌用的并非Intel或是AMD的处理器，而是自己针对机器学习优化过的处理器，并命名为“张量处理单元（tensorflow process unit，TPU）。而AlphaGo就是构建在TPU上的。

　　TPU的作用就是给机器学习的神经网络加速。谷歌对TPU具体怎么工作、有哪些指令都语焉不详，作为局外人能获得的信息有限，甚至连哪个半导体工厂代工的都没人知道。谷歌说TPU是一种辅助运算工具，还是要有CPU和GPU的。核心在于TPU是8位的，而我们的处理器是64位，因此在神经网络计算上，TPU的单位功耗贡献的计算能力上，要比传统的CPU有很大的优势，更适合大面积的分布式的计算。

　　IBM对于计算机模拟神经的计算启动，可能要比其它的企业更早。而研究的起源，也不能说全自主的，而是有外界的因素，那就是DARPA（国防部高级计划研究局）。

　　IBM研究模仿大脑的神经计算，也来自于DARPA。自从2008年以来，DARPA给了IBM5300万美元用来研究SyNapse（Systems of Neuromorphic AdapTIve PlasTIc Scalable Electronics，自适应可伸缩神经系统，缩写的SyNapse单词正好是触突，神经的构成部分），而TrueNorth只是这个项目的一部分成果而已。

　　IBM的TrueNorth芯片

　　这项研究的意义是，我们今天的计算机，处理和存储是分离的，高度依赖总线进行数据传输交换，即所谓冯·诺依曼体系。我们大脑的处理方式则不同，要知道神经的传输速度并不快，但是大脑的优势是脑细胞多，靠的是大量分布式的处理，现有的模仿大脑的办法，还是依赖处理器的数量堆积，所以能效比不高，而IBM的TrueNorth则是要打破这个屏障，在芯片上就完成对神经元的模拟。2011年的原型就有256个神经元的原型。

　　2014年，IBM的可编程神经元达到了4096个，可编程触突2.56亿，联合神经处理器有4096个。可以说IBM的TrueNorth是无心插柳，研究启动的早，业内深度学习热、神经网络热的时候，这颗处理器也成熟了，在IBM和DARPA的网站上，都有给予这个芯片进行视频内容识别计算的成果演示，非常有意思，可以去看看。

　　微软的FPGA

　　微软启动Project Catapult还是在2012年。当时微软的掌舵人还是史蒂夫鲍尔默。微软发现，硬件提供商无法提供他们需要的硬件。过去微软每年都要花费数十亿美元来购置硬件，但现有的硬件对机器学习这些搜索算法的效

　　当年比特币挖矿机，FPGA显示出来比显卡高效、省电得多的特性

　　微软的路线是是通过FPGA（field programmable gate arrays，现场可编程门阵列），它的特色是进行并行计算。还记得几年前的比特币狂潮吗？最开始人们是依赖显卡或是GPU，到后来矿机的出现，就是用的FPGA的能力来进行挖矿，当时也有疯狂的人挖到了第一桶金。

　　运行Bing页面排名服务下，FPGA协助与没有协助的对比

　　微软的FPGA被应用到了包括bing搜索引擎等领域，能够显著的提升效率。FPGA虽然编程困难，但是微软正在尝试将更多的应用，比如Office365等，加入到通过FPGA来提升服务质量上。微软的FPGA来自Altera，有趣的是，英特尔以167亿美元收购了这个公司，是英特尔史上最大的并购。

　　英特尔：研发与收购并驾齐驱

　　前面我们说了，微软和英特尔这对长期的伙伴，在微软的FPGA使用的是来自Altera的技术，英特尔就收购了这个FPGA与SoC的企业，现在再访问Altera的官网，已经是我们熟悉的Intel的Logo加上FPGA了，并且内容上也是机器学习、自动驾驶等热门内容。

　　当然英特尔作为处理器、半导体领域的翘楚，对行业的观察要比别人透彻得多。虽然旗下产品多来自于传统CPU，但是英特尔一样有核心产品，在机器学习领域有竞争力，那就是至强phi融核处理器与至强phi协处理器。

　　发展顺序是这样的，英特尔现有的至强phi协处理器用来加速计算，后推出的之前phi融核处理器。融核处理器通过英特尔OPA来改变高性能计算的能耗效率与空间效率。在英特尔的官方新闻中，我们也看到了英特尔关于至强phi在加速机器学习的速度表现。当然了，英特尔也没停止收购的步伐，有很多人工智能领域的公司被英特尔收入囊中。

　　如果我想从事该领域？

　　作为最火的领域，人工智能、机器学习、深度神经网络这些词语见诸媒体很多，并且基本上企业开出的薪水+股票都非常诱人，可以说能人处于哄抢状态，价高者得。还记得AlphaGo的Deepmind吗？它们最近也有招聘启事。

　　从招聘的信息看，如果想成为Deepmind的研究科学家，一般来说要有神经、计算机领域的博士（PhD）头衔以及靠谱的论文，他们才会考虑了，当然其它岗位可能要求会低一些。

　　现在虽然火爆，但是实际上深度神经网络系统并不是太多，因此，高薪并从事前沿研究，并非那么容易，在看本文的读者群中，肯定有大学的在校生，多读书、努力学习，考上世界一流大学的计算机、神经等领域的专业，是从事机器学习、深度神经网络、人工智能这些领域的捷径，并且我们可以看到，专门为机器学习优化的硬件其实刚刚上路，未来很长的时间内，这个领域依旧会持续火热，因为世界上的深度神经网络系统其实也并不多。

　　一个人的命运啊，当然要靠自我奋斗，但是也要考虑历史的进程。而历史刚刚打开人工智能的窗口，距离里面的殿堂还有很长的路要走，这个历史的机遇已经在面前了，是自我奋斗改变命运的时刻了，少年们。

　　回归本文题目的问题，事实上今天的机器学习、人工智能，最多的还是至强+GPU的架构，但是定制的TPU、FPGA进行协处理，有事半功倍的效率。笔者个人认为，目前的形式恐怕已经不是效率最高的办法，在未来机器大脑或许真的比我们更聪明。