隨著社會轉向用人工智能來解決越來越多領域的問題，我們看到了一場軍備競賽：即創造出能夠以更高速度和更低功耗運行深度學習模型的專用硬件。

這場競賽的最新突破包括新的芯片架構，它以一種與我們以前看到的完全不同的方式執行計算。通過觀察它們的功能，我們可以了解到未來幾年可能出現的人工智能應用。

神經形態芯片

神經網絡是深度學習的關鍵，它由成千上萬個小程序組成，這些小程序通過進行簡單的計算來執行復雜的任務，如檢測圖像中的物體或將語音轉換成文本。

但是傳統的計算機并沒有對神經網絡操作進行優化。相反，它們由一個或幾個強大的中央處理器（CPU）組成。神經形態計算機使用另一種芯片結構來物理地表示神經網絡。神經形態芯片是由許多物理人工神經元組成的，這些神經元直接與軟件對應。這使得他們在訓練和運行神經網絡方面特別快。

神經形態計算的概念早在20世紀80年代就已經存在，但由于神經網絡的效率太低而被忽略，因此沒有引起太多關注。近年來，隨著人們對深度學習和神經網絡的興趣重燃，神經形態芯片的研究也受到了新的關注。

今年7月，一組中國研究人員推出了一種名為“天啟”的神經形態芯片，它可以解決很多問題，包括目標檢測、導航和語音識別。研究人員將該芯片集成到一輛自動駕駛自行車中，讓它對語音指令做出反應，從而展示了芯片的功能。研究人員在《自然》雜志上發表的一篇論文中指出，預計我們的研究將為更通用的硬件平臺鋪平道路，從而刺激AGI（人工一般智能）的發展。

雖然沒有直接證據表明神經形態芯片是創造人工智能的正確途徑，但它們肯定會幫助創造更高效的人工智能硬件。

神經形態芯片已經吸引了大量科技企業的目光。今年早些時候，英特爾推出Pohoiki Beach，多達64顆英特爾Loihi神經形態芯片，能夠模擬800萬個人工神經元。據英特爾稱，Loihi處理信息的速度比傳統處理器快1000倍，效率比傳統處理器高10000倍。

光學計算

神經網絡和深度學習計算需要大量的計算資源和電力。人工智能的碳足跡已經成為一個環境問題。神經網絡的能源消耗也限制了它們在電力有限的環境中的應用，比如電池供電的設備。

隨著摩爾定律繼續放緩，傳統的電子芯片正努力跟上人工智能行業日益增長的需求。

幾家公司和研究實驗室已轉向光學計算，以尋求解決人工智能行業的速度和電力挑戰的方案。光學計算用光子代替電子，用光學信號代替數字電子來進行計算。

光學計算設備不像銅電纜那樣產生熱量，這大大降低了它們的能源消耗。光學計算機也特別適用于快速矩陣乘法，這是神經網絡中的關鍵運算之一。

在過去的幾個月里，出現了幾款光學人工智能芯片的原型機。總部位于波士頓的Lightelligence開發了一種光學人工智能加速器，該加速器與當前的電子硬件兼容，通過優化一些繁重的神經網絡計算，可以將人工智能模型的性能提高一到兩個數量級。Lightelligence工程師表示，光學計算的進步還將降低人工智能芯片的制造成本。

最近，香港科技大學的一組研究人員開發了一種全光神經網絡。目前，研究人員已經開發了一個概念驗證模型，模擬一個具有16個輸入和2個輸出的完全連接的雙層神經網絡。大規模的光學神經網絡可以以光速和較低的能耗運行從圖像識別到科學研究等計算密集型應用。

超大芯片

今年8月，硅谷初創企業Cerebras Systems推出了一款包含1.2萬億晶體管的大型人工智能芯片。大小為42225平方毫米，Cerebras芯片比最大的英偉達圖形處理器大50多倍。

大型芯片加快了數據處理速度，能夠以更快的速度訓練人工智能模型。與GPU和傳統CPU相比，Cerebras獨特的結構也降低了能耗。

當然，芯片的尺寸將限制其在有限空間的環境下的使用。Cerebras最近與美國能源部簽訂了第一份合同。美國能源部將利用該芯片加速科學、工程和健康領域的深度學習研究。

考慮到各種各樣的行業和領域都在尋找用于深度學習的應用程序，單一架構幾乎不可能主導市場。但可以肯定的是，未來的人工智能芯片很可能與我們電腦和服務器上幾十年來的經典CPU大不相同。

編者注：本文作者Ben Dickson是一名軟件工程師，也是博客TechTalks的創始人。TechTalks探索科技解決和創造問題的方式。