智能无上限，人工智能的可怕之处

谈到人工智能的计算能力，我们还是要从AlphaGo在围棋领域横扫人类顶级棋手开始说起。在战胜世界围棋第一人柯洁之后，AlphaGo的进化之路依然没有结束。前一段时间，专注人工智能研究的谷歌子公司DeepMind发布了新版本的AlphaGo程序，这一新程序被命名为“AlphaGo Zero”，它可以通过“强化学习”技术，在与自己的游戏之中学习和进步。

经过了3天的训练，AlphaGo Zero便自行掌握了围棋的下法。在此之前，AlphaGo Zero完全没有接触过围棋，而且在整个学习过程中，并没有人类的帮助。随着不断的训练，AlphaGo Zero开始在游戏中学习先进的概念，从而自行挑选出了一些有利的位置和序列。

AlphaGo Zero仅训练了3天便击败 AlphaGo Lee，胜率是100:0，而AlphaGo Lee正是曾经击败过韩国围棋高手李世石的DeepMind软件。经过40天的训练之后，AlphaGo Zero则击败了AlphaGo Master，后者是击败了围棋世界冠军柯洁的DeepMind软件。

之所以要在这里介绍一下AlphaGo的最新动态，主要是为了解释人工智能在计算方面的能力。我们知道围棋因为变化路数复杂，所以被认为是人类智慧的最后堡垒，相较于其他项目来说，围棋可以算是公认的高智商项目。而围棋比赛所考验的正是棋手的计算能力和智力水平，所以这也是DeepMind公司让AlphaGo学习围棋的原因。

从AlphaGo上，我们可以看到人工智能设备的3个主要要素：算法、数据和硬件（见图1-3）。可以说人工智能就是这3个要素综合起来的结果。人工智能技术的实现，一是需要优秀的人工智能算法；二是需要大量数据，这是人工智能获得更好的识别度和精准度的一个核心要素；三是需要大量高性能硬件的计算能力。随着GPU（Graphics Processing Unit，图形处理器）进入人工智能领域，人工智能才真正迎来了高速发展。

在这3个要素中，关于人工智能的算法，我们了解较多的可能是“深度学习”。以图像和语音识别为例，在没有应用深度学习技术之前，各种识别方法的成功率并不高。而随着深度学习技术的应用，无论是语音识别，还是人脸识别，准确率都有了很大的提升。正是由于人工智能算法的发展，人脸识别和语音识别才逐渐走向了商业化。

人工智能方面的数据也比较好理解。以AlphaGo为例，其核心数据源于互联网中成千上万的棋谱，利用互联网中的各种围棋知识，经过深度学习算法的训练，AlphaGo才能最终胜过人类的围棋高手。如果说没有这些互联网数据资源，即使AlphaGo应用再先进的深度学习技术，也没有办法战胜人类。

人工智能在硬件方面的计算能力，其内容就要相对丰富一些了。在计算机发展的最初阶段，一个机器需要用32个CPU（Central Processing Unit，中央处理器），才能达到120MHz，也就是说CPU的数量越多，计算机的运算速度越快。在这里我们需要了解一下摩尔定律。

摩尔定律由英特尔创始人之一戈登·摩尔提出。他认为当价格不变时，集成电路上可容纳的元器件的数目，约每隔18～24个月便会增加一倍，性能也同样会提升一倍。也就是说，每隔18～24个月，每一美元所能买到的电脑性能会翻一倍以上。

但随着计算机的不断发展，现在处理器的计算性能已经远离摩尔定律，这导致了很多经典计算机的计算能力很难继续提高。因为在CPU中晶体管的数量没有办法实现每两年翻一番的预期，所以摩尔定律趋于失效。面对这样的现实，想要继续提高计算机的计算能力就只能依靠增加芯片的数量，而在做法上，人们则更多地采用增加计算集群中芯片的总数量，以提升计算机的运算能力。

为了能够更好地模拟人脑的计算方式，原本以CPU为主导的计算方式逐渐被调整，现在世界上较为主要的调整方式就是异构计算。它是在现有的传统CPU计算方式的基础上，通过搭载其他并行的计算单元，将需要计算的任务中那些需要进行大量同质计算的任务剥离出来，而后让并行计算单元进行大量的简单计算。

简单地理解上面所说的异构计算，其实就是让CPU来负责复杂运算，同时掌控整体的运算方向和节奏。而将那些简单、庞大的运算交给GPU或者其他计算单元，让这些计算单元完成CPU分配下来的简单运算。可以说这是一种分工合作、主次有序的运算结构。现在应用较多的有CPU+GPU结构、CPU+FPGA结构、CPU+ASIC机构以及CPU+DSP结构等。

为了在人工智能时代取得先发优势，谷歌、英伟达等都推出了新的CPU组合方案。谷歌在2017年发布了第二代Cloud TPU。TPU（Tensor Processing Unit，高性能处理器）是专为机器学习而定制的芯片，并且经过了专门深度机器学习方面的训练。所以在人工智能的相关算法上，它的计算速度更快，同时结果也更加精确。作为一种专为机器学习定制的工具，TPU的出现对于通用工具GPU来说无疑是一大威胁。

作为世界最大的GPU制造商之一，英伟达则更加注重在深度学习领域推广自己的GPU。英伟达创始人兼CEO黄仁勋并不认为TPU的出现将会威胁GPU的发展。在一些项目中，英伟达与谷歌有着深度合作，而在黄仁勋看来，Volta GPU的运算能力要在TPU之上。

现在的人工智能系统大多是由众多GPU来提升计算能力，与之前单纯依靠CPU不同，GPU的使用不仅大大减少了运算的时间，而且使得人工智能系统处理学习或智能的能力得到较大的提升。而随着GPU或是其他硬件设备的发展，人工智能系统的运算能力将会进一步得到提升。

现在许多国家都在进行量子计算方面的研究，例如，美国、日本和中国等多个国家的企业都已经成立了量子计算机实验室。随着对量子研究的不断深化，将量子研究与人工智能相结合，会进一步提升人工智能系统的计算能力。量子计算机的并行计算特性将能使它一次同时处理多项工作，这一计算思路的革新，将会使其为人工智能系统提供更为强大的计算能力。

从第一台电子计算机诞生，到现在超级计算机的不断革新，人类依靠机器不断提升自己的计算能力，而与此同时，机器的智能水平也在不断提高。这么说来，随着人工智能三大要素的不断发展和完善，机器的智能水平将会不断提高，没有人知道其上限在哪里。人工智能系统能力的不断提升有助于社会的发展，但其不断上升的智能水平却不得不让人感到一丝害怕。