大家好，今天小编来为大家解答人工智能的硬件支持这个问题，人工智能的硬件支持包括很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 人工智能对内存和计算有什么要求？
2. 人工智能硬件有哪些
3. 人工智能 三大基础
4. 人工智能的基础设施是什么？

人工智能对内存和计算有什么要求？

大数据应用推动了“让内存更接近计算资源”的架构需求，而人工智能和机器学习则进一步证明了硬件和硬件架构在成功部署中发挥的关键作用。不过有一个关键问题——数据处理应该在哪里进行。

在ForresterResearch近期的一项调查中，有89％的受访者表示，计算和内存在架构上紧密相连是至关重要的。这项调研由美光（MicronTechnology）公司委托，调查结果中还发现，内存和存储是如今限制人工智能和机器学习发展的非常重要的因素。此外，还有超过75％的受访者指出，他们需要升级或重新构建内存和存储架构以打破这种局限性。

因为机器学习能够通过神经网络对庞大的数据矩阵进行多次累积操作，这使得大数据及其分析过程中的很多问题得以解决。同时，随着更多结果的产生，这样的操作还会反复进行，以生成最佳路径和最佳选择的算法，并且这些算法都是通过处理数据进行反复学习的。

美光公司企业战略副总裁ColmLysaght表示，因为数据量非常大，所以解决内存问题的常见方案就是增加更多的DRAM（DynamicRandomAccessMemory），即动态随机存取存储器。这是最为常见的系统内存，能够将性能瓶颈从原始计算转移到数据所在的位置。“内存和存储就是数据所在的地方。我们必须把数据带入CPU，然后再返回，如此反复。因为这些庞大的数据集都需要被处理。”

Lysaght说，如果能够让计算和内存更紧密地结合在一起，就意味着可以节省更多电力能源，因为在内存和计算之间就不需要往返太多次。“这会提高性能，因为数据处理直接发生在它所在的位置。”

▲美光认为，现有内存和存储技术（例如DRAM和3DNANDSSD）为人工智能架构提供了硬件，同时美光也在研究更新的技术（如内存处理器架构）以支持更多初创公司

在Lysaght看来，有很多不同的方法都可以打造出更好的架构。拿神经形态处理器举例，它在内部使用神经网络，并将内部核心数据分解为更多的较小颗粒。“因为要对大量的数据要进行处理，所以让更多的核心反复执行相对简单的操作是一种更好的解决方案，”Lysaght说。

最近，内存公司Crossbar与GyrfalconTechnology、mtesNeuralNetworks（mtesNN）、RoboSensing等公司一起，打造了一个致力于提供加速、节能型人工智能平台的联盟——SCAiLE（用于边缘学习的SCABLEAI）。该联盟将结合先进的加速硬件、电阻式RAM（ReRAM）和优化神经网络，打造就绪的低功耗解决方案，使得整个过程无需进行监督学习。

Crossbar公司战略营销和业务开发副总裁SylvainDubois表示，目前很多企业面临的挑战是，他们既希望在设备上采用人工智能，但是又不知道该怎么做，无论是智能扬声器、智能摄像头还是智能电视。而该联盟的目标，就是提供一个将所有必要部分组合在一起的平台。

Crossbar的主要贡献在于内存（特别是ReRAM），它将通过各种输入处理机器学习系统中的数据，包括文本、关键字、GPS坐标、传感器可视数据等大量非结构化数据。

Dubois设想了一种存储器阵列，它的架构能够以非常宽且高度并行的方式由实例中的每一个特定处理代码读取，实现在边缘设备中并行读取一千个字节。“如果匹配了，你就会知道该怎么做。如果没有匹配，那么这就是我们所说的学习曲率。”Dubois说。

例如，对摄像头传感器来说，该系统将能够在ReRAM阵列备用位置保存新事件或一组功能。“下次当有类似事件在这个摄像头前发生的时候，摄像头本身就能够在没有任何训练的情况下检测到该事件。”Dubois举例说。

这提供了一种完全不同的人工智能计算方式，因为如果出现需要快速决策的意外事件（例如关注安全性的交通场景）时，它就不再需要依赖于云中的训练能力，而能够在当下快速处理。

ForresterResearch的这项研究表明，有越来越多的企业将在公有云和边缘位置进行数据分析，从而在边缘完成更多的机器学习能力。有51％的受访者表示，他们正在公有云中运行分析，预计未来三年这一比例将增加到61％。此外，有44％的人已经在边缘设备中进行数据分析，预测到2021年这一比例将增长到53％。

Forrester基础设施和运营高级分析师ChrisGardner对于硬件的重要性感到惊讶，特别是存储和内存。他表示，一个非常重要的研究结果是，有大量工作是脱离了存储在内存本身进行的。但值得注意的是，这取决于你的需求是什么。根据Gardner的说法，训练模型需要大量的内存和存储空间。除外之外，你根本不需要任何东西。

▲Crossbar最近成立了一个打造人工智能平台的联盟，提供针对人工智能应用的内存产品，例如带有嵌入式ReRAM的P系列MCU

Gardner说，在完美的情况下，企业希望拥有一个数百GB的RAM大型环境。但实际上，他们不得不自己构建或者付费让供应商来实现，而且这需要的是硬件方面的转变。“我们需要更多以内存为中心的架构，让计算围绕内存以及存储来进行，而不是让计算本身成为中心。“这并不是说当前的计算架构很糟糕，但这可能并不是做人工智能和机器学习最有效的方式。”Gardner表示。

此外，Gardner还提到了边缘计算，有一个场景是某个举行大型体育赛事的体育场内安装了很多摄像头，这些摄像头实时产生了大量需要快速处理的数据，以确定是否存在危险情况。“他们可以把这些数据发送到云端并返回，但是他们没有时间去这么做，因为他们必须尽快处理这些数据。”

未来还将有一些机器学习是在云中进行的，然后返回到物联网设备，但是其中一些设备将变得越来越智能化，并且可以自主地进行机器学习，共享回云端以及其他设备。对于内存制造商来说，这意味着商用组件制造商要持续进行转型，而且要重新编译应用以利用人工智能和机器学习工作负载所需的、以内存为中心的架构。但是现在这些技术还处于实验阶段，还没有一个真正的采用内存为中心、在实验环境之外有很多延迟表现的架构。

Gardner说：“几十年来我们一直是用以CPU为中心的心态去构建架构，而想要摆脱这种想法是非常具有革命性的。”

对此，去年秋天美光还宣布投资1亿美元用于人工智能，并在实验室中打造了一个类似DRAM的产品，目标是在2021年进行采样，同时美光的研究人员也在研究处理器内存架构，这也是其他很多初创公司正在研究的领域。

人工智能硬件有哪些

一句话概括，人工智能领域的目标就是制造超越人类能力的机器：自动驾驶汽车、智能家居、人工助理和安防摄像头是首要的目标，接下来是智能厨房、清洁机器人以及安防无人机和机器人。其他应用包括永远在线的个人助理，和能够看见、听见用户生活经历的生活伴侣。

人工智能的终极目标则是完全自动的人工个体，能在日常任务中达到、甚至超越人类的工作表现。

人工智能 三大基础

人工智能的三大技术基础有：技术基础1：文艺复兴后的人工神经网络。技术基础2：靠巨量数据运作的机器学习。技术基础3：人工智慧的重要应用：自然语言处理。

技术1、文艺复兴后的人工神经网络

对于人工智慧，电脑科学家当然希望可以直接模仿生物的神经元运作，因此设计数学模型来模拟动物神经网络的结构与功能。所谓人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。

技术2、靠巨量数据运作的机器学习

科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。1970年代，人工智慧学者从前一时期的研究发展，开始思辩在机器上显现出人工智慧时，是否一定要让机器真正具有思考能力？

因此，人工智慧有了另一种划分法：弱人工智慧（WeakAI）与强人工智慧（StrongAI）。弱人工智慧意指如果一台机器具有博闻、强记（可以快速扫描、储存大量资料）与分辨的能力，它就具有表现出人工智慧的能力。强人工智慧则是希望建构出的系统架构可媲美人类，可以思考并做出适当反应，真正具有人工智慧。

技术3、人工智慧的重要应用：自然语言处理

对人类来说，如何让这些现代自己制造出来的机器们，可以听懂人话，并与人类「合作」，绝对是可以推动我们面对未知宇宙的重要助手。自然语言处理（NaturalLanguageProcessing,NLP）的研究，是要让机器「理解」人类的语言，是人工智慧领域里的其中一项重要分支。

英国雷丁大学的演化生物学家马克．佩葛（MarkPagel）认为，最早的一种「社会科技」是人类的「语言」，语言的发明让早期人类部落透过新工具：「合作」在演化上占有优势。自然语言处理可先简单理解分为进、出计算机等两种：其一是从人类到电脑──让电脑把人类的语言转换成程式可以处理的型式，其二是从电脑回馈到人──把电脑所演算的成果转换成人类可以理解的语言表达出来。

人工智能的基础设施是什么？

虽说人工智能不能等同于深度学习，但是机器学习，尤其深度学习无疑是近年来人工智能领域大放异彩的一个分支。机器学习对人工智能最大的贡献恐怕就是数据驱动，这也是为什么只有到了互联网时代，机器学习的崛起才成为可能。因此广义的讲，可以说机器学习的基础设施就是互联网。互联网从几个方面支撑了机器学习的崛起。

首先是原始数据的积累，互联网时代人类生产的文字，图片，视频各种媒介构成了一个巨大的数字化世界。这些内容天然就是现实世界的某种映像。人工智能想要理解现实世界，不妨从数字映像入手。在互联网上，一个高效的爬虫可以轻松游遍古今中外，看尽世间繁华。

有了这些内容还不够，要想教会机器理解他们，还需要有好的老师进行教导。有趣的是互联网还产生着第二种数据，人的行为。行为数据比内容更多，当行为数据达到一定量的时候，机器就能从中学到人是如何理解这些内容的。当然事实并没有那么简单，行为数据有大量噪声，需要清洗，否则很容易让机器迷惑。解决噪声的问题一靠数据多，二就靠清洗了。对于很多任务，高质量的标注数据集都是必不可少的。

如此就催生出来另一个重要的基础设施，众包平台。现阶段机器的学习能力还远不如人类，常常做不到触类旁通。因此每一个特定的任务，都依赖高质量的训练数据。通过众包平台产生大量的标注数据集，才使得人工智能变得可能。尽管大家也在研究怎样让机器在有噪声的数据上尽可能的找到规律，但对于很多任务来说，能够最快最稳定提升效果的办法，都是提供更多更好的数据。众包平台提供一种工具，让人能够方便的筛选出有用的数据，给数据打上标签。这后面还可能牵涉到如何评估标注结果，如何定价，如何防止作弊。

互联网作为人工智能最重要的基础设施，主要承担了提供数据的功能。有了数据就该计算平台登场了。现如今深度学习纵横四海的年代，速度可能是除了数据第二重要的东西了。GPU，以及运行在之上CUDA，cuDNN，大大加快了训练速度。这在数据驱动的逻辑下就不得了。因为一般人对高维数据已经无法很直观的理解了，模型好不好就全凭各种实验。计算速度的优势不仅影响模型的效率，同时使得你能在同样的时间内做更多的实验，迭代调参，挑选出最好的一个。这里面最核心的问题是如何加速矩阵运算。

深度学习是一门实验科学，但是实验不仅仅是计算，还需要人去调整网络结构，分析各种中间结果等等。因此在计算平台的基础之上，又出现了Caffe，Mxnet，Tensorflow等深度学习框架。他们的主要作用是简化开发流程，加速实验的迭代。这部分基础设施最重要的功能就提供了高层接口，使大家不用去关心计算平台的特性。并且他们都提供了SGD等常见的优化方法，使得大家可以专注于网络和损失函数的设计。

文章到此结束，如果本次分享的人工智能的硬件支持和人工智能的硬件支持包括的问题解决了您的问题，那么我们由衷的感到高兴！