第五节 最新发展情况

人工智能作为推动社会新发展的新动力之一，催生了一系列的技术、产品、服务，逐渐建立起了自己的生态格局，极大地提升了社会生产力。无论是在专业领域还是通用领域，人工智能的企业布局都围绕着基础层和应用层展开。基础层如同大树的根基，由智能芯片和算法框架组成，为人工智能提供基础运算能力和建立基本模型。应用层利用人工智能技术为用户提供具体的服务和产品。无论是世界领先的科技公司（如Google、IBM、Intel等），还是各类新兴的科技创业公司，在基础层和应用层都开始了一系列的布局，并开放了各种开源平台使得准入门槛变低，吸引了越来越多的人加入到人工智能变革的这场大浪潮中。

一、基础层

人工智能的基础层为人工智能的发展提供算力的支撑，主要包括人工智能芯片及计算框架。几大国际巨头公司在人工智能领域的表现反映了基础层的最新发展情况。

1.智能芯片

智能芯片从技术架构来看，大致可分为通用芯片，如GPU；半定制化芯片，如FPGA;ASIC全定制化芯片，如TPU；类脑芯片。从部署场景看，智能芯片可分为设备端和云端两大类。

目前，在深度学习领域运用最广泛最成熟的芯片是英伟达的GPU芯片，它主要面向人工智能、自动驾驶、气候预测及医药开发等专业领域。最新发布的Tesla V100，基于Volta架构，用于加速AI、HPC，是全球第一个超过100 TFLOPS的深度学习芯片。DGX-2是世界上最大的GPU，由16块32GB的Tesla V100通过NVSwitch进行连接，每秒可以进行2000万次浮点运算；其另一显著优点在于芯片的体积并没有因为性能的提高而变大，反而大大缩小了所需占用的空间。

科技巨头Intel由于对CPU的执着，错失了人工智能芯片领域的先机，为了追赶英伟达，重新树立行业地位，Intel在2016年斥资约4亿美元收购了Nervana，一家着重于打造深度学习专用软件的公司。此后，Nervana只推出云服务，而且只能在英伟达的GPU上运行。在经历了两年的等待后，Nervana CEO宣布将会推出Nervana专用芯片，其特点是芯片中没有缓存，通过软件来管理片上存储，并且支持各类主流算法框架，如Nervana自己的Neon、Google的TensorFlow、Facebook的Caffe等。同时，Nervana Engine号称在训练方面可以比GPU提升10倍的性能，但如今也只是处于研究试验阶段，并未达到量产的能力。

此外，Intel还收购了生产FPGA的巨头Altera，研发基于FPGA的人工智能芯片。CPU+FPGA也可以成为一种替代GPU的方案，有专家认为，FPGA在深度学习中也有一定的优势，可以更快、更有效地运行，且功耗也较低，其中美团就采用了Intel的FPGA云端主机的深度学习平台。

在人工智能云端领域，Google在2018年2月宣布开放了TPU（Tensor Processing Unit）服务。由于Google早前布局了TensorFlow开源代码库，已经积累了大量的用户，虽然这一算法框架也支持在GPU等硬件上运算，但TPU是专门为TensorFlow算法框架而设计的专用集成电路芯片（ASIC），通过降低芯片的计算精度和减少实际所需的晶体管数量，使得每秒运行速度更快，从而经过调优的机器学习模型能更快地得到智能结果。目前，TPU云服务已成功变现，成为Google人工智能的主要商业模式。未来，随着人工智能的准入门槛的不断降低，将会有越来越多的厂商涌入。针对部分资金有限的客户，相比购买动辄上万元人民币的GPU芯片，TPU的云服务为这些客户提供了涉足人工智能领域的机会。

2.算法框架

人工智能的算法框架是建设人工智能系统的底层基础设施，是人工智能学习的核心，包括主流的神经网络算法模型，为深度学习提供稳定的接口，同时支持模型在不同的服务器、GPU、TPU间的分布式学习。算法框架主要分为深度学习算法框架和机器学习算法框架。如图3.13所示。

图3.13

根据2017年在GitHub中各大深度学习框架的收藏数排名，TensorFlow排名第一，其受欢迎程度遥遥领先于其他算法框架，随后依次是Caffe、CNTK、MXNet、Torch、Deeplearning4j等。其中，TensorFlow主要得益于同是Google旗下的Android平台的强大影响力和TPU芯片的云服务支持，开发者为了能更好地兼容移动端，适应市场，势必会选择由Google支持的TensorFlow。此外，TensorFlow支持CNN、RNN和LSTM，主要用于语音识别和图像识别领域，相比其他框架更加注重性能和优化，其亮点在于支持异构设备的分布式计算，能够在手机、单个CPU或GPU，甚至上千万个GPU上自动运行模型。

对于机器学习而言，关注度较高的开源框架主要有SystemML、