現在，人工智能（AI）充斥著網絡和媒體，各方都在拉著AI來裝點自己的新產品。「人工智能」、「機器學習」和「深度學習」成了耳熟能詳的詞句。但是除了有些娛樂效果的AI小玩意，那AI真的可以快速發展到取代人類工作嗎？

現在人們好像把注意力都集中在如何編程上了，但也有專家在說，如果沒有硬件的突破性飛躍的話，真正的AI還只能紙上談兵。

畢業於史丹福大學的電機暨電腦科學博士韓松，在自己的博士論文裏談到了面向深度學習的高效方法與硬件，認為AI的主戰場應該在硬件。

因為，在機器學習中「耗能」是一個很大的挑戰，甚至會成為效能的障礙。

一般的創業家和投資者比較能夠理解運算速度的重要性，畢竟整個深度學習的大躍進就是在於，過去得花上幾周甚至幾個月才能完成的神經網絡運算，被減少到幾天甚至幾小時。但較少創業家或投資者能夠理解耗能的重要性，因為在過去10餘年的精實新創浪潮中，耗能這種東西百分之百是高通、鴻海、蘋果和三星這些人的問題。

耗能劇烈的第一個影響是電力成本。以去年擊敗李世乭的AlphaGo為例，該系統使用了1,920個CPU和280個GPU，僅下一場棋局的電費就高達3千美元，相較之下李世乭本人下這場局可能只需要一兩碗飯的熱量，「電」腦和「人」腦在耗能效率上仍然有天壤之別。

韓松認為，未來將出現大量廉價、低功耗的智能設備。深度神經網絡已經發展出適合機器學習任務的頂尖技術。但是，這些算法計算量很大，使得它們難以部署到硬體資源有限、能量預算緊張的嵌入式設備中。由於摩爾定律和工藝尺寸縮小正在變慢，僅依賴工藝進步無法解決這個問題。

在韓松的論文中，他介紹了各種軟件演算法和硬體晶片結構的協同最佳化，以應付機器學習中training和inference兩個部份的耗能效率挑戰。但是不管是哪一種方式，不管改善多少運算效能和耗能效率，從工程的角度來看都是短期的、貼貼補補之類的解決方案，在摩爾定律多年前早已停止改善耗能的事實下，這些方案都無法提供一個通往真正的AI經濟學的光明大道。◇

------------------

📰支持大紀元，購買日報：
https://www.epochtimeshk.org/stores
📊InfoG：
https://bit.ly/EpochTimesHK_InfoG
✒️名家專欄：
https://bit.ly/EpochTimesHK_Column