編者注：本文作者Cade Metz是The New York Times的記者與作家，此前曾在WIRED擔任高級編輯。

在科技快速發展的今天，我們對計算機抱有更多的期待。我們希望它能和我們進行交談，能識別從人臉到花朵的一切事物，也希望能盡快實現自動駕駛。然而，這些人工智能的實現需要有強大的計算力的支持。要想實現各種新功能，計算機所需的計算力甚至會超過最先進的機器的計算極限。

面對日益升級的需求，大型科技公司想要從生物學中尋找一些啟示。他們正在反思計算機的本質，想要研發出一種更像人腦的機器。

計算機的新發展可能會削弱芯片界大佬英特爾的實力，并會從根本上改變年產值高達3350億美元的半導體產業。半導體產業是當前各種高科技產品的關鍵所在。

圖：微軟的Xuedong Huang（左）和Doug Burger（右）都認為公司需要致力于研發專門化芯片

半個世紀以來，計算機制造商都在使用一種單一的、適用于各種情況的芯片。作為全球最大的半導體芯片制造商，英特爾一直以來都是這種芯片的主要生產商。

如今，計算機工程師們正在研發新型芯片。新型機器的運作將會細分為多個小部分，而每一種小分工都需要自己獨有的芯片。另外，這種專門化芯片的能耗將大大減少。

谷歌的數據中心的變革預示著該行業的其他公司也將迎來一些變化。谷歌的大部分服務器仍然在使用中央處理器，不過他們也在和一些定制芯片供應商合作。另外，谷歌還在研發可以進行語音識別和其他人工智能應用的算法。

谷歌的變革是出于公司自身發展的需要。多年來，谷歌一直運營著世界上最大的計算機網絡。雖然這一數據帝國涉及世界眾多地區，但是對于谷歌的研發來說還是不夠的。

2011年，谷歌最著名的工程師之一Jeff Dean負責的研究小組，就神經網絡進行了一番研究。神經網絡的研究有助于實現計算機算法的自我學習。

幾個月后，Dean和他的團隊建立了一個升級版的口語識別服務，該服務的精確度遠遠高于當時谷歌所推出的服務。不過，要想實現這一功能，僅靠谷歌當前的數據中心是不夠的。

于是，Dean提出谷歌可以為這種人工智能專門打造一款計算機芯片。

數據中心發生的變化正在逐漸蔓延到科技領域的其他部分。在接下來的幾年里，像谷歌、蘋果和三星這些公司都將推出適用于智能手機的人工智能芯片。微軟也正在為增強現實頭顯設計一款芯片。另外，像谷歌、豐田這些公司還在研發適用于自動駕駛汽車的芯片。

微軟：從英特爾的C.P.U.到自己的F.P.G.A.

當今市面上的芯片，有的是用于存儲信息，有的是應用于玩具和電視機，還有一些則是安裝在各種計算機程序里，比如用于創建全球變暖模型的超級計算機、個人電腦或者智能手機。

穆爾定律（Moore’s Law）指出，因特網上的通信量大約每年要翻一番。該定律是由英特爾的聯合創始人Gordon Moore提出的。隨著芯片的不斷發展，IBM的著名研究人員Robert Dennard又提出了登納德縮放比例定律（Dennard Scaling）。

到了2010年，人們發現，通信量翻一番實際所需的時間要長于穆爾定律的預測。另外，登納德縮放比例定律也開始不適用，因為芯片設計者發現，用來制造處理器的物理材料已經達到了極限。也就是說，如果公司想要制造出計算能力更強的芯片，不能再僅靠處理器的升級，而是需要更多的電腦、更多的空間和更多的能耗。

工業界和學術界的研究人員一直在努力發展穆爾定律，探索全新的芯片材料和設計技術。但是，微軟的研究員Doug Burger卻有著不同的想法，他提出，可以不要依賴于中央處理器的穩定演進，而是把一些負載轉移到專門化芯片上。

在2010年圣誕節期間，Burger與微軟的其他幾位芯片研究人員一起開始探索新的硬件，用以改進微軟的搜索引擎Bing。

當時，微軟剛剛開始改進Bing的機器學習算法，該算法可以通過分析人們使用服務的方式來改進搜索結果。盡管構建這種算法的要求比建立神經網絡的要求要低，但是現有的芯片也還是很難滿足它的發展需求。

Burger和他的團隊研究了多種方案，最后決定使用現場可編程門陣列（F.P.G.A.）。一直以來，像Windows這樣的軟件使用的都是英特爾的中央處理器（C.P.U.），并且這些軟件是不能對芯片進行重新編程。

不過，有了F.P.G.A.以后，微軟的軟件就可以對芯片進行編程了。

微軟在2015年開始批量安裝這種芯片。現在，幾乎每一個連接到微軟數據中心的新服務器都配有一個這樣的可編程芯片。另外，這種芯片對微軟的搜索引擎Bing和云計算Azure都大有幫助。

發展神經網絡，讓電腦學會“傾聽”

2016年秋季，和谷歌的工程師Jeff Dean一樣，微軟的另一支研究團隊也建立了一個神經網絡，它在進行語音識別時，準確率要比一般人高。

圖：圖為谷歌最著名的工程師之一Jeff Dean。他曾經提出，公司應該研發一種專門用于人工智能的芯片。如今，這種芯片已經有了，它就是谷歌自己設計的Tensor處理單元（T.P.U.）

黃學東是微軟語音識別領域的領軍人物。他和自己的團隊在訓練微軟的語音識別服務時，使用的是由Nvidia制造的專門芯片，而不再像以前一樣過分依賴于英特爾的芯片。

黃學東表示，這種專門化芯片讓他們把原本至少需要5年才能趕上的差距，僅用1年就趕上了。

不過這種芯片也存在一個問題，那就是用這種方法訓練神經網絡的話，需要進行大量的試驗。研究人員必須反復進行訓練，并且還要不停地調整算法以及改進訓練數據。另外，在任何給定的時間內，這個過程都會出現上百種算法，這就需要強大的計算能力的支持，而僅僅使用標準化芯片的話是不能滿足這一需求。

因此，一些領先的互聯網公司正在用一種被稱為圖形處理單元（G.P.U.）的芯片訓練神經網絡。這種低能耗的芯片主要是由Nvidia制造的，它們原本是用來處理游戲等軟件的圖像。另外，在神經網絡的運算中，G.P.U.的運行速度要比C.P.U.快得多。

NVIDIA的蓬勃發展就是得益于這種芯片的流行。現在，NVIDIA正在為美國的互聯網巨頭和世界上最大的一些網絡公司生產這種芯片，其中一些中國企業的需求尤為龐大。在過去的一年中，NVIDIA的季度收入增長了兩倍，已經超過4.09億美元。

專門化芯片將越來越流行

目前，很多公司在發展自己的神經網絡時，主要就是使用G.P.U.，不過它只是這一工程的一部分。一旦神經網絡就某個任務進行訓練以后，它就需要專門用于執行這一任務。

例如，在進行語音識別算法的訓練以后，微軟將會把它加入在線服務，用于識別人們對智能手機發出的語音指令。

谷歌已經打造出了自己的專門化芯片，就是上文提到過的T.P.U.；Nvidia正在打造類似的芯片；微軟則是讓Altera幫忙制造了一款專門化芯片。

其他的公司也緊隨其后。比如，專注于為智能手機制造芯片的Qualcomm和一些創企也在研發人工智能芯片。市場研究公司IDC預測，到2021年，配備這類芯片的服務器的總收入將達到68億美元，約占整個服務器市場的10%。

　　圖：谷歌平臺的副總裁Bart Sano認為，專門化芯片對公司的運營仍然不太重要

Burger指出，在微軟的全球網絡中，這類芯片仍然只是相對較小的一個部分。谷歌平臺的副總裁Bart Sano也認為，專門化芯片對公司的運營并不是太重要。

Mike Mayberry是英特爾實驗室的負責人，他并不是太重視對專門化芯片的研發。這可能是因為英特爾控制著90%以上的數據中心市場，所以它一直是傳統芯片的最大生產商。在Mike Mayberry看來，如果中央處理器進行適當的改進，完全不需要其他芯片的幫助，就能滿足當前的需求。

兩年前，英特爾花了167億美元收購了Altera，就是上文提到過的那家為微軟研發可編程芯片的公司。這也是英特爾至今為止最大的收購案。去年，英特爾又以4.08億美元的價格收購了Nervana。現在，英特爾和Nervana的團隊合作，共同研發用于訓練和運作神經網絡的芯片。

硅谷的風投公司Sequoia Capital的合伙人Bill Coughran表示，英特爾需要考慮一下如何在不影響自己的傳統業務的情況下，進軍新的領域。

目前，英特爾不僅要和Nvidia、Qualcomm這樣的芯片制造商競爭，還要和谷歌、微軟這樣的公司競爭。

谷歌正在設計第二代T.P.U.芯片。公司表示，這種芯片會在今年晚些時候投入使用。

目前這些變化還只是發生于大型數據中心內部，蔓延到其他行業應該就只是時間問題。