有三种技术,可以带来更快、更简单、更廉价、更聪明的人工智能。今天,高性能计算,以及后来出现的量子计算机和神经形态计算已触手可及;并且,后两者正变革着人工智能和方兴未艾的深度学习。
人工智能与深度学习的三个问题
时间:训练一个CNN或RNN通常需要数周的时间。这还不算上为了达到所需的性能表现,花在定义问题以及编程深度网络时迭代成败上的数周甚至数月的时间。
成本:数百块GPU连续数周的计算成本高昂。从亚马逊云计算服务中租用800块GPU一周的时间花费在120,000美元。这还没开始算上人力成本。完成一个AI项目往往需要要占用最优秀人才数月、一年甚或更多的时间。
数据:由于缺乏足够数量的标注数据而使项目无法展开的情况比比皆是。由于无法以合理的价格获取训练数据,很多好创意被迫放弃。
因此,取得较好商业表现的多是图像处理、文本和语音识别,并且那些借力谷歌、IBM、微软和其他巨头的初创企业成果更多。
通向未来人工智能的三条赛道
如果你关注这一领域就会发现,我们已经使用CNN和RNN做了一些应用,但是超越这些应用的进展才刚开始。下一波的进展来自生成对抗网络和强化学习,并获得了问答机器(比如沃森)的一些帮助。我们最近的一篇文章对此作了很好的总结(详见:人工智能的三个阶段:我们正从统计学习走向语境顺应)。
这是一个有关如何推动人工智能发展的最常见版本。这是日益复杂的深度神经网络,它与现在的CNN和RNN有着不同的架构。仅仅是让它们运行更快。
实际上未来可能相当不同。现在展现在我们面前的是基于完全不同技术的通向未来人工智能的三条赛道。它们是:
1.高性能计算(HPC)
2.神经形态计算(NC)
3.量子计算(