如今，人工智能（AI）总是在各个***中霸占主要位置。
人工智能正在进行医疗诊断、合成新化学品、识别巨大人群中的罪犯面孔、驾驶汽车，乃至创造新的艺术品。
有时彷佛AI没有什么不能做的，觉得我们很快就会失落去事情，看着AI为我们做了统统。

为理解AI技能的起源，这篇文章记录了它的前世今生。
还稽核了人工智能芯片的状态，以及它们须要什么来通过支持前辈的驾驶员赞助系统(ADAS)和自动驾驶汽车，对我们的日常生活产生真正的影响。
让我们先从AI的历史开始吧，随着人工智能的发展，它把更多的专业技能带入大众的眼中，称为机器学习，它依赖履历学习而不是编程来做出决策。
反过来，机器学习为深度学习奠定了根本，深度学习涉及分层算法，以便更好地理解数据。

图1. AI导致机器学习，它成为深度学习。

AI的技能根源

“人工智能”一词是1956年达特茅斯会议上，科学家约翰麦卡锡，克劳德喷鼻香农和马文明斯基创造出来的。
在那十年之后，亚瑟塞缪尔创造了一个术语“机器学习”，这个项目可以从缺点中吸取教训乃至学会比编写程序的人更好地玩跳棋游戏。
这个打算机技能快速发展的乐不雅观环境使研究职员相信人工智能将在短期内得到“办理”。
科学家们研究了基于人类大脑功能的打算是否可以办理现实生活中的问题，又创造了“神经网络”的观点。
1970年，Marvin Minsky表示，“三到八年的韶光，我们将拥有一台具有普通人智力的机器。
”

到了20世纪80年代，人工智能从研究实验室搬出并进入商业化，引发了投资热潮。
当AI技能泡沫终极在本世纪末爆发时，AI又回到了研究领域，科学家们连续发挥其潜力。
行业不雅观察家称AI是一种超前的技能，或者说是未来的技能......在经历了一段“人工智能的冬天”的永劫光的停顿之后，商业开拓再次启动。

图2. AI韶光线

1986年，Geoffrey Hinton及其同事揭橥了一篇里程碑式的论文，描述了一种称为“反向传播”的算法如何用于显著提高多层或“深层”神经网络的性能。
1989年，Yann LeCun和贝尔实验室的其他研究职员通过创建一个可以演习识别手写邮政编码的神经网络，展示了新技能的主要实际运用。
他们花了三天韶光演习深度学习卷积神经网络（CNN）。
快进到2009年，斯坦福大学的Rajat Raina、Anand Madhavan和Andrew Ng揭橥了一篇关于当代GPU如何远远超过多核CPU的打算能力进行深度学习的论文。
AI派对已准备好重新开始。

寻求真正的AI芯片

为什么我们这些天听到这么多人工智能？关键成分的领悟为这项技能的巨大进步奠定了根本，许多人认为这将能够办理越来越主要的现实问题。
利用当今互联网供应的根本举动步伐，环球研究职员可以得到创建新算法和解决方案所需的打算能力、大规模数据和高速通信。
例如，汽车行业已表明乐意将研发资金用于人工智能技能，由于机器学习有可能可以处理自动驾驶等高度繁芜的任务。

AI芯片设计的紧张寻衅之一便是将它们整合在一起。
我们在这里评论辩论非常大的定制片上系统（SoC），个中会利用许多类型的硬件加速器实现深度学习。
设计AI芯片可能是非常困难的事情，特殊是考虑到汽车行业严格的安全性和可靠性哀求，但AI芯片仍旧只是芯片，可能在处理、内存、I / O和互连技能方面有一些新的办理方案。
谷歌和特斯拉等公司都是IC设计的新手，以及AIMotive和Horizo​​n Robotics等AI芯片新贵，他们深入理解深度学习的打算繁芜性，但他们可能面临严厉的寻衅。
可配置互连IP可以在确保业界所有这些新参与者能够尽快得到功能性芯片从而发挥关键浸染。

图3. Google张量处理单元（TPU）中显示的AI芯片阐发图

例如，采取具有深度学习加速器的AI芯片，这些加速器针对汽车前置摄像头，剖析用于路边物体检测和分类的视觉图像。
每个AI芯片都有唯一的内存访问配置文件，以确保最大带宽。
必须优化片内互连中的数据流，以确保在知足性能目标时须要宽带宽路径，但在可能的情形下分配窄路径以优化面积、本钱和功耗。
每个连接也必须考虑更高等别的AI算法进行优化。
为了使它更有趣，每天都在开拓新的AI算法。
在某些方面，本日的深度学习芯片就像喷鼻香蕉，没有人想在他们的AI芯片中利用糜烂的喷鼻香蕉或旧算法。
对付这些前沿产品而言，上市韶光比许多其他半导体更为主要。

人工智能的未来

虽然深度学习和神经网络正在迅速推进人工智能技能的发展，但仍有许多研究职员认为，如果要实现人工智能最神奇的目标，仍旧须要从根本上采取新的和不同的方法。
大多数人工智能芯片的设计都是为了实现LeCun和Hinton以及其他人在十多年前发布的相同想法的不断改进的版本，但是没有情由期望在这条道路上的指数进展也会导致人工智能可以像一个人。

正如我们本日所知道的，人工智能无法将深入学习一项任务所得到的，运用到一个新的、不同的任务。
此外，神经网络没有很好的方法来整合先前的知识，或者像“向上VS向下”或“孩子有父母”这样的规则。
末了，基于神经网络的AI须要大量的例子才能学习，而人类则须要有一次难忘的经历，我们就可以学会不去触摸热炉子。
目前尚不清楚如何将当前的AI技能运用于没有大标签数据集的问题。

虽然人工智能芯片目前并不是特殊聪明，但它们绝对很聪明，很可能在不久的将来它们会变得更加聪明。
这些芯片将连续利用半导体处理技能，打算机架构和SoC设计方面的进步来提高处理能力，以实现下一代AI算法。
与此同时，新的AI芯片将连续须要前辈的存储系统和片上互连架构，以便为新的专有硬件加速器供应深度学习所需的恒天命据流。