硬件革命将人工智能推向主流，它大大削减了 AI 系统的训练时间和成本，没有让 AI 变成了一场鲜有人能够参与的军备竞赛。近年来，随着计算机在越来越复杂的任务中显示出其相对于人类的优越性，智能算法已经成为了人工智能领域的一大突破。

芯片硬件是支撑力

专业芯片和其他硬件的进步提升了最先进的人工智能系统的能力，同时也将该类技术推向主流。这是否能够产生切实的商业利益，则是另一回事。斯坦福大学的一个研究小组发起的项目人工智能指数(AI Index)清楚地表明了人工智能硬件革命的重要性。

最新的AI Index试图总结人工智能的进展，捕捉到了过去18个月来人工智能最大进展的轨迹的一个变化。从很多层面来看，这些算法并没有实现近年来的飞跃。部分原因是，在一些任务中，该类技术所取得的成果并没有显著增加：例如，在图像识别方面，计算机在完成了对人类的超越以后，便没有更多的建树。

这也反映了一个事实，即有待解决的问题越来越难，进展也越来越慢。众所周知，语言是机器智能的下一个前沿领域，攻克难度尤其大。虽然语音识别和语言翻译等任务已经被解决，但理解和推理仍然是人类所统治的一个领域。相反，最引人注目的进步来自硬件。

例如，经过专门设计的芯片被用来处理机器学习所需的大量数据，业界也为针对这项工作开发专用的系统。美国研究机构OpenAI指出了2012年出现的一个硬件拐点。在那之前，芯片行业的经验法则摩尔定律(Moore’s Law)在人工智能计算领域占据主导地位。摩尔定律是指，处理能力每两年就会翻一番。从那时起，人工智能系统就遵循了摩尔定律。随着新型硬件和更多的资源投入到这个问题上，最先进的人工智能系统的能力每3.4个月就提升一番。

硬件革命将人工智能技术推向了主流，在硅谷，人们过多地主张“大众化”新技术，但在人工智能领域，该主张是合理的。随着亚马逊网络服务等云服务使得低成本的硬件和机器学习工具得到广泛使用，训练神经网络——人工智能中计算最密集的部分——突然变得普遍触手可及。斯坦福大学的DawnBench项目提供了一种对人工智能系统进行基准测试的方法。根据该项目的数据，不到两年的时间里，在被广泛使用的ImageNet数据集上训练一个系统所需的时间已经从3小时降至88秒，成本从2323美元大幅削减至12美元。

没有硬件支撑的人工智能有何用？

业界在谈及人工智能的发展时往往将算力作为最为核心和重要的因素，从投资情况来看吗，算力也是独占半壁江山。我们不否认算力之于人工智能发展的重要性，但是核心算法的缺失也会制约人工智能的发展和突破。算法是人工智能早期研究和发展的热点，从人工智能概念提出开始，算法一直在不断地发展和演进。从供给的角度来看，学术界是人工智能理论和算法的开创者，在人工智能理论和算法的早期发展过程中起到了核心的作用，从决策树到神经网络，从机器学习到深度学习，推动算法不断演进和进步。

在获得同样数据的前提下，以开源代码运行，AI 深度学习之后或许能输出结果，但由于训练框架固定、算法限制，当用户进行具体的实际应用时，将很难达到所期望的结果，而且难以修改、完善、优化算法。而从底层算法做起，那么整个数学模型、整个算法设计、整个模拟训练‘一脉相承’，不仅可以协同优化，而且可以根据需求随时修改，从而真正解决实际问题。基础算法往往是指研究共性问题的算法，它涉及到基础数学理论、高性能数值计算等学科，可以应用到多种实际问题中;而针对性强的应用算法往往会应用到具体问题所涉及的“具体知识、先验信息”，从而更好地解决实际应用问题。

人工智能的时代依然是应用为王的时代，没有实际应用价值的技术是没有生命力的，对于人工智能技术来说，需要找到典型的应用和典型的应用场景，才能帮助提升该场景下的能力，并解决问题，这样的人工智能技术才是有价值有意义的。AI 要应对的现实生活是复杂、多变的，当能够“应对自如”时，才能够促成产业的“繁茂”。

机器学习以及物联网的应用使人工智能走向主流，你可以用它识别垃圾邮件，摄像头捕捉下的违规行为，或者让计算机自己给自己编一段合适的程序。未来，AI 将变得无处不在，这是潮流，也是主流。