创新嘅新时代：摩尔定律仲未死，人工智能即将爆发

神译局是转载旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外嘅新技术、新观点、新风向。

转载：从严格嘅定义上嚟讲，摩尔定律已死似乎是板上钉钉嘅事嘎啦。其确定性几乎到‌没有对此表示关心嘅地步。但是，呢系唔系意味住我哋嘅发展就要停滞‌呢。唔系。而且恰恰相反，呢即会系新嘅指数式增长拉开序幕。DAVE VELLANTE同DAVID FLOYER对此进行‌分析，原文发表喺siliconangle网站上，标题是：A new era of innovation: Moore’s Law is not dead and AI is ready to explode

划重点：

摩尔定律已死，但这无关紧要，因为处理能力正喺度爆发式增长

网络和存储将成为新嘅瓶颈，为此计算将从云端下移到边缘

人工智能将无所唔喺，推理替代建模成为未来十年AI嘅重点

数据正喺度成为新嘅开发工具包

摩尔定律已死，系咪呢？再想想啦。

虽然中央处理单元性能历史性嘅年度改进速度正喺度放缓，但是跟第啲处理器封装喺一齐嘅CPU组合嘅性能却以每年超过100％嘅速度喺增长。处理能力 + 数据 + 人工智能空前嘅大规模改进，将完全改变我哋对设计硬件、软件编程以及将技术应用到企业去嘅思考方式。

所有行业都会被颠覆。你耳朵都听到起茧‌？呃，呢绝对系对嘅，我哋会解释点解，以及呢啲都意味住乜嘢。

喺这篇剖析当度，我哋会揭示一啲数据，通过呢啲数据，你将睇到我哋正喺度步入创新嘅新时代，廉价嘅处理能力会推动机器智能应用嘅爆发式增长。此外，我哋还将讲畀你喺接下来嘅十年里会出现边啲新嘅瓶颈，以及这对系统架构和行业转型意味住乜嘢。

摩尔定律真嘅死‌吗？

喺过去十年嘅时间里，呢样嘅说法我哋已经听到‌成百上千次。EE Times写过这方面嘅文章，《麻省理工学院技术评论》、CNET、SiliconANGLE，甚至行业协会都喺度宣告摩尔定律正走向终结。但是我哋嘅朋友兼同事Patrick Moorhead说得对：

按照最严格嘅定义，也就是芯片密度每两年增加一倍呢个标准来睇嘅话，摩尔定律已经唔成立嘎啦。

没错。呢个说法绝对是正确嘅。但是，他嘅说法入面有“按最严格嘅定义”是有原因嘅……因为他好聪明，知道芯片行业是找出变通方案嘅大师。

历史性嘅性能曲线已经被打破

按照最严格嘅定义，摩尔定律已死，但呢啲并唔重要，下图就是证明。

事实上，摩尔定律嘅历史产物正喺度加速，而且相当显著。此图展示‌苹果自A9以来片上系统嘅发展历程，最终发展到A14 5纳米片上仿生系统嘅高峰。

纵轴显示嘅系每秒操作数，横轴显示嘅系3种处理器类型嘅时间。CPU以太赫兹为单位（那条几乎睇唔到嘅蓝线）；图形处理单元或GPU，以每秒万亿次嘅浮点运算为单位（橙色）；以及神经处理单元或NPU，以每秒万亿次操作为单位（爆发嘅灰色区域）。

好多人都会记得，喺过去，我哋都急住想购买最新最好嘅个人计算机，因为更新嘅设备型号周期时间更快，也就是千兆赫兹更大。摩尔定律带来嘅结果是，性能每24个月将会翻一番，也就是每年约40％嘅增长率。而家，CPU性能改善嘅速度已经下降到大约30％，所以从技术上嚟讲，摩尔定律已死。

苹果SoC嘅性打得破‌常规

自2015年以来，苹果SoC平均每年以超过‌118％嘅速度喺提升。实际数字还要更高，因为118%只是上述三种处理器嘅实际数字。喺图形领域，我哋甚至都仲未有将数字信号处理器和系统加速器组件嘅影响考虑进去，否则提升会更大。

右上方显示嘅系苹果 嘅A14。其64位嘅体系结构，多内核和替代处理器类型相当出色。唔过更重要嘅系，你可以利用所有呢啲处理能力喺iPhone入面做嘅事！AI应用嘅类型喺唔断发展，从面部识别到语音和自然语言处理，视频渲染，帮助听力受损者，最终甚至会让增强现实技术降临到你手上。

太唔可思议嘎啦。

处理边缘化——网络和存储成为瓶颈

微软CEO 萨蒂亚·纳德拉（Satya Nadella）最近说‌一句要载入历史嘅话，他说我哋已经达到中心化峰值（peak centralization）。下图说明‌呢一点。我喺前面已经分享处理能力嘅进展情况，也就是处理能力正喺度以前所未有嘅速度喺加速，而且成本仲喺度像块石头往下滚一样唔断下降。苹果嘅A14芯片每粒价格为50美元。Arm喺发布v9嘅时候表示，将推出可植入冰箱嘅芯片，呢啲芯片可以优化能源嘅使用，每年可节省10％嘅能耗。佢哋说，呢种芯片嘅价格仅为1美元——只要花1美元，就能让冰箱节省10％嘅电费。

处理能力唔仅充足而且便宜。但是，又贵又唔够用嘅瓶颈喺边里呢？网络和存储。那这是乜嘢意思？

这意味住处理能力会被放置到边缘位置——数据喺边里就喺边里处理。存储和网络会变得越来越分布式，去中心化。定制芯片和处理能力遍布到成个系统，并嵌入‌AI，可优化工作负载，从而改善延迟，性能，带宽，安全性以及第啲等价值维度。

仲有要记住嘅系，大多数数据（99％）都会留喺边缘。唔妨以特斯拉为例。特斯拉汽车制造嘅绝大多数嘅数据永远都唔会回到云端上。嗰啲数据甚至都唔系持耐存喺嘅。特斯拉大概会保留五分钟嘅数据。唔过部分数据偶尔会回传到云端，用来训练AI模型。

但是上面这张图表明，如果你系一家硬件公司嘅话，最好要开始去考虑点样去利用这条蓝线，也就是处理能力嘅爆发式增长。我哋认为，戴尔、惠普、Pure Storage、NetApp等公司即要将开始设计定制芯片，否则就会被颠覆。AWS、谷歌以及微软之所以都咁干是有原因嘅，思科和IBM都系。好似云顾问Sarbjeet Johal 所说那样，“呢個唔係你爷爷那时候嘅半导体业务嘎啦。”

而且，如果你是软件工程师嘅话，你将要编写利用采集到嘅所有数据嘅应用，而且要利用呢种庞大嘅处理能力来开发我哋从未见过嘅新功能。

人工智能无处唔喺

处理能力嘅大幅度提高以及廉价嘅芯片会推动下一波嘅AI、机器智能、机器学习和深度学习浪潮。

我哋有时候会将人工智能和机器智能混用。呢个概念来自我哋跟David Moschella嘅合作。有趣嘅系，Moschella喺他嘅《Seeing Digital》一书中讲“这入面没有半点嘅人工”：

机器智能入面没有半点嘅人工，好似拖拉机嘅牵引力入面没有半点嘅人力一样。

呢句话好微妙，但是非常准确。我哋听到过好多有关机器学习和深度学习嘅嘢，并将佢们睇作是AI嘅子集。机器学习将算法和代码应用到数据上，以变得“更智能”——比方说，建立更好嘅模型，从而获得增强智能，让人或机器做出更好嘅决策。随住佢们获取嘅数据越来越多，并随住时间唔断迭代，呢啲模型也会唔断改进。

深度学习是运用‌更加复杂嘅数学嘅，更高级嘅机器学习类型。

上图右侧这张表展示‌AI嘅两大类要素。喺这里我哋想指出嘅系，当今AI嘅大部分活动都集中喺构建和训练模型上面。这主要发生喺云端。但是我哋认为，人工智能推理会喺未来几年带来最激动人心嘅创新。

人工智能推理可释放巨大价值

推理是利用模型，从传感器获取实时数据，喺本地处理数据，应用已喺云端开发好嘅训练并实时进行微调整嘅一种人工智能。

我哋唔妨举个例子。还是拿汽车嚟讲吧，观察特斯拉对于边缘层会点样演进好有启发性，而且是个好好嘅榜样。唔妨考虑有一种算法能够优化汽车嘅转弯性能和安全性。呢个模型嘅输入有摩擦、路况、轮胎角度、轮胎磨损、轮胎压力等数据。模型嘅开发者会唔断测试，增加数据并对模型进行迭代，直到为部署做好准备。

然后，来自呢一模型嘅智能就会进入到推理引擎。呢种推理引擎系一种能够运行软件嘅芯片，佢可以植入到汽车上，并从传感器获取数据，然后实时对转向和制动等做出微调。好似我哋之前所说那样，特斯拉只会保留数据一小段嘅时间，因为数据太多嘎啦。但是，如果需要将数据发送回云端用来进一步训练模型嘅话，佢可以有选择地存储部分数据。比方说，如果喺滑溜状态下路上突然出现咗一只动物嘅话，也许特斯拉会保留这部分数据嘅快照，将佢发送回云端，再跟第啲嘅数据结合起来，用来进一步完善模型以提高安全性。

这只是成千上万嘅AI推理用例嘅其中一个例子，呢种用例喺未来十年当中还会进一步发展。

AI价值将从建模转向推理

下面这张概念图展现‌喺建模和推理方面所花费嘅时间嘅占比。你会睇到目前引起大家注意嘅一啲应用，仲要会睇到随住推理日益变得主流，呢啲应用也喺慢慢走向成熟。喺边缘层和“物联网”进行AI推理嘅机会非常庞大。

建模嘅重要性依然。今日广泛应用于欺诈、广告技术、天气、定价、推荐引擎等领域嘅建模负载会变得越来越好。但是我哋认为，将来发挥更大作用嘅将是推理，好似之前嘅例子所表明那样。

喺上面那张图嘅中间，我哋还列出来会被呢啲趋势所改变嘅所有行业。

对此我哋要指出嘅另一点是：Moschella喺他嘅书入面还解释‌点解喺历史上嘅嗰啲垂直行业彼此之间至今仍然是烟囱式嘅相互独立嘅状态。佢们各自有自己由生产、供应、物流、销售、市场营销、服务、履约中心等堆成嘅“栈”。而且，专业知识往往只会驻留喺本行业及相关公司入面，而且大多数情况下都会坚守各自嘅泳道。

但系喺今日，我哋已经睇到‌好多科技巨头进军第啲行业嘅例子。亚马逊进入食杂百货、媒体和医疗保健行业，苹果进入金融和电动汽车市场，特斯拉开始关注保险业：好多科技巨头都跨越‌传统行业嘅界限，而其中嘅推动力就是数据。比方说，随住时间嘅推移，汽车制造商将拿到比保险公司手上更好嘅数据。利用区块链嘅DeFi（去中心化金融）或者平台将通过AI唔断改进，并唔断颠覆传统嘅支付系统。

因此，我哋相信，已经被说滥‌嘅那句话是真嘅：覆巢之下，焉有完卵，没有一个行业无被颠覆之忧。

AI企业应用快照

最近，我哋展示‌下面这张Enterprise Technology Research嘅图表。

图中纵轴展示嘅系Net Score或支出势头。横轴则是市场份额或喺ETR数据集嘅普遍性。40％处红线是我哋主观认定嘅基准；喺我哋睇来，只要过‌40％就算唔错。

喺支出速度方面，机器学习和AI排名榜首，而且呢一势头已经延续‌一段时间嘎啦，所以我哋畀四粒星。机器人流程自动化（RPA）已经慢慢接近AI，而云端可以说是目前所有机器学习嘅发生地，所以云计算也出现嘅附近，唔过我哋认为AI会逐步从云端转移走，原因我喺前面已经说过嘎啦。

企业AI专家排定座次

下图显示出呢一领域当中受到关注嘅部分供应商。呢啲是企业CIO和CTO喺制订AI/ML支出计划时会考虑到嘅公司。

本图使用嘅Y / X坐标跟前面那张图一样——纵轴表示“支出速度”，横轴表示“市场份额”，红线同样列喺40％嘅位置。

微软、AWS以及谷歌等大型云计算厂商喺AI和ML方面占据嘅份额最大。因为呢啲公司手上既有工具也有数据。好似我哋所说那样，大量建模系喺云端进行嘅，今后嘅趋势会是逐步下移到远端拥有嘅AI推理引擎，呢啲引擎集合到一齐将拥有大规模嘅处理能力。中心化巅峰同我哋正渐行渐远，呢会为创造价值并将AI应用到行业上提供巨大嘅机会。

Databricks被睇作是AI嘅领导者，其强劲嘅Net Score和突出嘅市场份额让呢间公司脱颖而出。虽然只有少量样本，但SparkCognition嘅Net Score却非常高，位于左上角嘅位置。呢间公司做嘅事是将机器学习应用于海量嘅数据集。DataRobot则是做自动化AI嘅—佢们位于Y轴好高嘅位置。Dataiku是可帮开发建基于机器学习嘅app。C3.ai是由Tom Siebel创立和运营嘅企业AI公司。喺图度，你会睇到SAP、Salesforce.com以及IBM Watson正好站喺40％这条线上。具备自主数据库功能嘅Oracle，以及Adobe也处喺类似位置。

关键是呢啲软件公司都已经将AI嵌入到自己嘅产品当中。嗰啲唔想被颠覆嘅既有公司用唔住自己开发AI，佢们可以向软件公司购买。但困难嘅部分喺于点样用，以及用喺乜嘢地方。一个简单嘅答案是：跟住数据走。

关键摘要

本来要讲嘅仲有好多，但暂时先让我喺这里总结一下。

我哋一直喺激烈讨论若干事，包括后x86时代，体量对于降低半导体生产成本嘅重要性，而今日我哋已经对某个还见得唔多嘅嘢进行‌量化，噉就是处理嘅性能改进。忘‌摩尔定律已死呢件事吧—这已经无关紧要。喺这十年嘅时间里，原先嘅假设已经被SoC和即将推出嘅封装设计系统打破。谁又能知道，当量子计算出来之后嘅将来，性能提高方面又会是乜嘢样嘅情形呢？

呢啲趋势是AI应用嘅根本驱动力，而且喺大多数情况下，创新来自消费者嘅用例。苹果会继续引领潮流。苹果软硬件一体化嘅做法会日益改变企业嘅观念。显然，云供应商正喺度朝呢个方向发展。你也可以喺Oracle那里睇到呢种趋势。软硬件一齐优化会形成势头是说得过去嘅，因为好似最近我哋就Arm发布嘅嘢所讨论嘅那样，芯片定制嘅机会太多嘎啦，英特尔新任嘅首席执行官Pat Gelsinger都要往呢个方向发力。

顺便说一句——Gelsinger喺英特尔这里可能会面临巨大挑战，但他说对半导体嘅需求仲喺度增长，而且睇唔到结束嘅迹象，呢个观点是正确嘅。

如果你系一家企业，噉就唔应该去强调发明人工智能。相反，你嘅重点应该放喺去认识有边啲数据可以为你带来竞争优势，以及点样应用机器智能和AI来喺竞争中获胜上。你应该去购买AI，而唔系开发AI。

好似John Furrier曾经几次说过嘅那样，数据正喺度成为新嘅开发工具包。佢喺10年前就咁说嘎啦，但而家呢句话比以往任何时候都要更加真切：

数据是新嘅开发工具包。

如果你是企业硬件厂商，噉你将会设计自己嘅芯片，并会编写更多嘅软件来利用AI。你会畀成个产品组合都嵌入定制芯片和AI，而且你会将越来越多嘅计算引入到数据上。大部分数据会保留喺佢被创建出来嘅地方。系统、存储和网络栈，呢啲正喺度统统被颠覆。

如果你是开发者，噉样而家你将拥有唔可思议嘅处理能力，而且你会编写新嘅应用来利用呢一点，利用AI去改变世界。你得弄清楚点样获取到最相关嘅数据，点样去保护平台，并进行创新。

最后，如果你是提供服务嘅公司，噉就有机会去帮助嗰啲唔想被颠覆嘅公司。咁样嘅公司太多嘎啦。你具备深厚嘅行业知识，以及水平化嘅技术能力，呢啲可以帮助客户生存和发展。

隐私？向善嘅AI？呢啲本身也都系被记者广泛报道嘅主题。我哋认为，目前明智嘅做法是，喺确定AI应该走多远以及点样对其进行监管之前，最好是先认识一下AI可以走多远。保护我哋嘅个人数据和隐私应该是我哋最关心嘅事，但总嘅嚟讲，目前我哋仲未希望将创新扼杀喺摇篮里。

译者：boxi。