2018 AI趨勢：AI芯片更豐富，用機器學習的企業翻倍

這是一個急速變化但又有很強發展銜接性的時代。

德勤在新報告Technology, Media and Telecommunications Predictions（科技、傳媒和通訊的預測）開頭這樣說。

這份報告中，德勤預測了增強現實（AR）、智能、AI芯片、機器學習、互聯網、數字傳媒等領域在2018年的大趨勢。總體來講，科技、傳媒和通訊領域內將呈現指數級進步，生活中的方方面面也將發生不易察覺的變化。

這份報告長達80頁，我們將其中與人工智能相關的兩部分編譯整理如下。在2017年的尾巴，我們提前去2018年預覽一下。

AI芯片

強大的運算力對訓練和推理神經網絡來說必不可少。

2009年，塊GPU問世，這種專門為密集型計算、高度并行計算設計的芯片，比CPU更能滿足機器學習任務的要求。自此，越來越多的類型開始豐富“AI芯片”這個新名詞。

德勤預測，2018年，GPU和CPU仍是機器學習領域的主流芯片。

GPU的市場需求量大概在50萬塊左右，在機器學習任務中對FPGA的需求超過20萬塊，而ASIC芯片的需求量在10萬塊左右。

△ GPU、FPGA和ASIC芯片需求與2016年對比圖

在年底，超過25%的數據中心中用來加速機器學習的芯片將為FPGA和ASIC芯片。

△ FPGA和ASIC芯片的市場份額超過25%

那么，每種類型的芯片到底向什么方向發展，德勤給出了詳細的預測：

機器學習優化的GPU：在2018年，GPU制造者將推出專門優化機器學習任務的特別版GPU。其實現在已經能看到這樣的案例，英偉達稱自己的Volta架構將使深度學習訓練加速12倍，在深度學習推理任務上比Pascal架構還要快6倍。

機器學習優化的CPU：在GPU市場蒸蒸日上的同時，我們也可以看到CPU公司推出機器學習專用的CPU芯片。比如英特爾Knights Mill芯片，比非機器學習優化芯片的性能提升了4倍。

機器學習優化的FPGA：在2016年，FPGA芯片的銷售額已經超過40億美元。在2017年年初報告《Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中，研究人員表示在某些情況下，FPGA的速度和運算力可能比GPU還要強。

目前，微軟、亞馬遜AWS和百度也稱將FPGA用于機器學習的相關任務中。總體來說，2018年機器學習任務對FPGA的需求超過了20萬。

機器學習優化的ASIC芯片：ASIC是只執行單一任務的芯片，目前ASIC芯片的制造廠商很多。在2017年，整個產業的總收益大約在150億美元左右。

綜合各芯片廠商放出的消息，英特爾的收購的Nervana，能在2018年生產出自己的芯片。此外，日本富士通也計劃在2018年推出一款名為深度學習單元（DLU）的芯片。

TPU：TPU是谷歌為適應機器學習任務推出的ASIC芯片，適用于處理在開源的TensorFlow中的任務。在谷歌數據中心的推理任務中，TPU已經顯示出良好的性能，和CPU相比，性能可以提升10到50倍。據谷歌預測的數據顯示，2018年對TPU的需求大約在10萬塊左右。

低能耗機器學習加速芯片：德勤預測，在2018年，、平板和其他移動設備對機器學習芯片的需求量在5億左右。移動端芯片的大特點就是低能耗，GPU芯片的功率大致在250瓦左右，相比之下TPU芯片需要的功率僅為75瓦。對傳感器網絡來說，所需功率需要低于10毫瓦。

德勤預測，可能再過兩三年，低功率的機器學習芯片才能有突破性進展。

光流芯片：除了上面幾種，還有一種特殊的芯片類型，IBM的True North芯片就是一種光流芯片，它能加速機器學習任務，并且非常。不過德勤表示，現在還很難預測這種光流芯片在2018年的體量，但整體來說可能低于10萬塊，甚至低于1萬塊。

機器學習

德勤預測，在2018年，大中型企業將更加看重機器學習在行業中的應用。和2017年相比，用機器學習部署和實現的項目將翻倍，并且2020年將再次翻倍。

△ 翻倍再翻倍

在報告中，德勤重點提出了讓機器學習更廣泛應用企業中的5個重要推動力，分別為數據科學的自動化、訓練數據需求的減少、訓練速度的加快、解釋結果和本地部署等。

1. 數據科學自動化：像數據開發和特征工程這種耗時的機器學習任務，可能會占用數據科學家80%的時間。好消息是，這種繁瑣的工作正在逐步被自動化取代。從耗時的工作解放出來后，數據科學家執行機器學習試驗的時間從幾個月縮短到了幾天。自動化在一定程度上緩解了數據科學家的短缺，為企業賦予和更多活力。

2. 減少訓練數據的需求：訓練一個機器學習模型可能需要數以百萬計的數據元素，為訓練數據獲取標記數據也是一件耗時且成本高的事情。目前，已經涌現出致力于減少機器學習需要的訓練數據的技術，包括數據合成、算法生成的模擬真實數據特征等。

3. 加速訓練：正如上面所說，像GPU、FPGA等機器學習專有硬件的出現可以縮短機器學習模型的訓練時間，加速研究進展。

4. 解釋結果：雖然機器學習的進展日新月異，但機器學習模型通常存在關鍵缺陷，比如黑箱，意味著我們無法解釋其中的原理。這些不清楚讓模型無法適應更多的應用。如果黑箱消失、結果都可解釋，是機器學習應用的一大進步。

5. 本地部署：機器學習將隨著部署能力一同成長。德勤去年曾經預測，機器學習正在走進移動設備和智能傳感器，帶來智能家庭、智慧城市、無人駕駛、可穿戴技術和物聯網技術。

像谷歌、微軟、Facebook等科技巨頭正在嘗試將機器學習模型壓縮到便攜設備上，比如谷歌的TensorFlow Lite、Facebook的Caffe2Go和蘋果的Core ML。