{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":32,"pdf_page":48,"physical_index":48,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"294c58c15c77fcff0ddd5c3c5eb7d27fc2f4434f8f7a173c28bd566b6260dc76"},"chapter":"第2章","content":"2.1.7 芯片产业小结\n\n摩尔定律的终止已成为业界共识，那么AI芯片的革命又从何说起？众所周知，当前的人工智能技术进程是奠定在神经网络与深度学习之上的，从人工智能发展史来看，经历了早期的控制论和简单神经网络、逻辑过程与编程革命、运筹学与博弈论、专家系统的兴起，人工智能技术进程在算法与算力的不断迭代中演化至今。而当前神经网络算法趋于稳固，在算法框架没有深刻变化的前提下，算力就成了唯一的更新焦点。\n\n深度学习工程的两大关键环节training（训练）和inference（推测）需要大量的算力支撑，而GPU在训练环节扮演着不可或缺的角色。但随着人工智能应用场景的延伸，GPU并非所有深度学习计算任务的充分条件，FPGA（现场可编程门阵列）和ASIC（专有化集成电路）同样有着相当大的表现空间。前者通过内置可灵活组合的逻辑、IO、连线模块为专用计算服务，后者是不可配置的高度定制化芯片。谷歌TPU就是ASIC的一种方案。\n\n凭借GPU，英伟达公司一直是AI趋势的最大受益者之一。因为其图形处理器(GPU)是训练AI系统的早期选择。GPU能够同时执行大量复杂的数学运算，这使它成为AI应用的最佳选择。后来，科技巨头纷纷研发自己的AI芯片，包括谷歌的TPU、苹果的神经引擎、微软的FPGA，以及亚马逊正在为Alexa研发的定制AI芯片。\n\n亚马逊是人工智能的早期采用者，并且根据最近的报道，亚马逊正在研究可以在设备上进行处理或在边缘处理的定制AI芯片，而不是仅仅依靠将设备连接到云端。亚马逊在2015年初斥资3.5亿美元收购了以色列芯片制造商AnnapurnaLabs，这增强了它在处理器方面的能力。该公司为数据中心开发的网络芯片能够传输更大量级的数据，同时电力消耗更少。亚马逊目前拥有超过450名具有一定程度的芯片经验的员工，可能正在为其云计算部门AWS开发AI处理器。\n\n2016年初，谷歌开始研发被称为张量处理器(TPU)的定制AI芯片。专用集成电路(ASIC)旨在为谷歌公司的深度学习AI应用程序提供更高效的性能，这些应用程序能够通过处理海量数据进行学习。该芯片为TensorFlow奠定了基础，TensorFlow是用于训练该公司的AI系统的框架。最新版本的TPU可以处理AI的训练和推理阶段。正如其名称所示，AI系统在训练阶段“学习”，推理阶段使用算法完成它们被训练的工作。谷歌最近宣布，谷歌云的客户现在可以访问这些处理器。谷歌的优势在于凭借自身TPU+TensorFlow+云的资源吸引开发者和拓展企业级市场、专有领域，但该模式的前提必须是谷歌极力维系TensorFlow作为深度学习主流框架而长期存在，一旦神经网络算法主流架构有变，TPU作为高度制定化的芯片产物，其单位成本之高恐酿成不可回避的风险。相反，倘若谷歌的计划顺利实施，其垄断的生态优势同样对英伟达形成巨大威胁。\n\n苹果公司一直是用户隐私的支持者，并且走了一条与它的技术同行不同的道路。该公司的移动设备为传输到云端的任何数据添加电子噪音，同时剥离任何可识别个人身份的信息，从而更大程度地保证用户的隐私和安全。随着iPhoneX的发布，苹果开发了一种神经引擎，作为其新的A11仿生芯片的一部分，该芯片是一款可在本地处理多种AI功能的先进处理器。这大大减少了传输到云端的用户信息量，有助于保护数据。\n\n人工智能与大数据技术导论\n\n32","previous_page":31,"next_page":33}