若干年來，科技界反復(fù)在討論兩件事：一是第四次科技革命可能在中國發(fā)生，二是AI將成為第四次科技革命的核心驅(qū)動(dòng)技術(shù)。

如果我們把兩件事融合在一起，就能夠很簡單的推理出一個(gè)結(jié)論：中國必須結(jié)合自身的實(shí)際情況，發(fā)展出一條前所未有，且其他國家和地區(qū)難以復(fù)刻的AI之路。只有如此，才能解釋AI技術(shù)帶來的新科技革命，為什么將會(huì)在中國而不是其他地方完成。

就像第一臺(tái)簡單的蒸汽機(jī)是在1688年由法國人德尼斯·帕潘發(fā)明，卻在近百年后的英國成為驅(qū)動(dòng)科技革命的通用性技術(shù)。如何將AI轉(zhuǎn)化為新的通用性、底座型技術(shù)，是中國經(jīng)濟(jì)發(fā)展遇到的歷史性機(jī)遇。

自深度學(xué)習(xí)技術(shù)為代表的第三次AI興起進(jìn)入中國后，中國AI產(chǎn)業(yè)經(jīng)歷了十余年探索。結(jié)合中國實(shí)際，面向第四次科技革命的AI之路，開始逐漸由懵懂走向清晰。

1月10日，百度Create AI開發(fā)者大會(huì)于線上召開。期間，百度CTO王海峰發(fā)表了《“深度學(xué)習(xí)+”，創(chuàng)新發(fā)展新引擎》主題演講，提出人工智能的技術(shù)創(chuàng)新和產(chǎn)業(yè)發(fā)展，進(jìn)入“深度學(xué)習(xí)+”階段。

對(duì)于很多朋友來說，深度學(xué)習(xí)這個(gè)概念或許并不陌生。但“深度學(xué)習(xí)+”應(yīng)該還是首次聽到。這個(gè)新的概念背后，卻是中國AI十余年的積累，AI底層技術(shù)與基礎(chǔ)設(shè)施的漫長凝聚，以及千行百業(yè)應(yīng)用深度學(xué)習(xí)技術(shù)的銳意探索。

這些因素融合起來，讓中國AI技術(shù)與產(chǎn)業(yè)智能化發(fā)展得以百尺竿頭更進(jìn)一步，中國智能化的新轉(zhuǎn)折點(diǎn)，也正醞釀在這個(gè)新的階段。

2019 年 3 月，強(qiáng)化學(xué)習(xí)之父 Richard Sutton 發(fā)文表示：" 短期內(nèi)要使 AI 能力有所進(jìn)步，研究者應(yīng)尋求在模型中利用人類先驗(yàn)知識(shí);但之于 AI 的發(fā)展，唯一的關(guān)鍵點(diǎn)是對(duì)算力資源的充分利用。"

神經(jīng)網(wǎng)絡(luò)模型在上世紀(jì) 90 年代出現(xiàn)，但在 2010 年前，基于統(tǒng)計(jì)的學(xué)習(xí)模型仍是主流，所以在打敗人類象棋高手多年后，遲遲無法攻克變數(shù)近乎宇宙級(jí)的圍棋。

后來得益于 GPU 算力的高速進(jìn)步與深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等等算法的進(jìn)步，深度學(xué)習(xí)模型逐漸成為主流，擺脫了窮舉法的限制，AI 能夠用來學(xué)習(xí)訓(xùn)練的參數(shù)也越來越多，充分利用了 GPU 擅長并行計(jì)算的能力，基于龐大的數(shù)據(jù)集、復(fù)雜的參數(shù)結(jié)構(gòu)一次次刷新人類對(duì) AI 智力天花板的想象。

簡單來說，早期的 AI 就像個(gè)剛出生的小嬰兒，什么也不懂。爸爸媽媽就要拿著一張 " 貓 " 的圖片然后跟他說 " 這是一只貓 "，建立起圖像和語言的聯(lián)系。AI 也是如此，我們需要大量的 " 識(shí)圖卡 " 來訓(xùn)練 AI。

在十年前，由于芯片的算力有限，人類使用的方法非常笨拙：

找出一張主體是貓的圖片，然后人工打上 " 貓 " 的標(biāo)簽，喂給 AI 來學(xué)習(xí)，效率非常低下，而且訓(xùn)練出來的 AI 只能識(shí)別特定的物種。經(jīng)過大量的訓(xùn)練，AI 雖然能識(shí)別幾千類物品，可一旦遇到復(fù)雜的情況就蒙了。比如給一只狗帶上貓貓的頭套，AI 大概率就出錯(cuò)了，因?yàn)樗徽J(rèn)識(shí) 0 和 1，但不認(rèn)識(shí) 0.5。

物聯(lián)網(wǎng)的廣泛的應(yīng)用場景也給AI提出了新的需求。

IoT技術(shù)更加強(qiáng)調(diào)“物與物”之間的互聯(lián)，連接更為廣泛并對(duì)時(shí)間敏感。且大多終端設(shè)備都工作內(nèi)容簡單，算力要求小，工作時(shí)間長，續(xù)航要求高的特點(diǎn)。

這些要求讓終端設(shè)備不得不考慮功耗問題，甚至有許多終端設(shè)備由電池供電，在物聯(lián)網(wǎng)設(shè)備中部署人工智能算力時(shí)還要考慮對(duì)電池供電的支持。

AlphaGo等傳統(tǒng)中心化的人工智能核心雖然算力更高，但在更為碎片化的物聯(lián)網(wǎng)中，算力更多時(shí)候受到客觀條件制約，無法肆意馳騁，必須戴著“鐐銬”跳舞。

為了適應(yīng)實(shí)際應(yīng)用中分散式，碎片化的需求，人工智能逐漸與邊緣計(jì)算相結(jié)合，將算力從云端遷移至邊緣。

IoT時(shí)代，MCU再進(jìn)化

邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產(chǎn)生的數(shù)據(jù)，主要面向圖像分析、聲音分析、波形識(shí)別等工作。對(duì)于終端單一應(yīng)用來說，算力要求不會(huì)很高。

但在另一方面，在物聯(lián)網(wǎng)環(huán)境中計(jì)算對(duì)功耗和成本則更加敏感。

處于邊緣的物聯(lián)網(wǎng)設(shè)備對(duì)功耗非常敏感，如傳感器、安防攝像頭等設(shè)備要求長期在線工作，但提供傳統(tǒng)人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。