AI技術發展掀起基礎硬件淘汰浪潮

在1980年代的處理器上執行目前最先進的算法，與在目前最先進的處理器上執行1980年代之算法，哪一種可以算得更快?

答案令人驚訝，通常是在舊處理器上執行新算法能算得更快。雖然摩爾定律(Moore’s Law)因為是電子產業快速發展的驅動力而備受關注，但它只是驅動力的其中之一，我們經常忘記算法的進展速度其實在很多情況下都勝過摩爾定律。

根據德國柏林工業大學教授、知名數學家Martin Gr?tschel的觀察，在1988年需要花費82年才能算出解答的一個線性程序設計問題，在2003年只需要1分鐘就能解決;

在這段時間，硬件的速度快了1,000倍，算法的進步則達到4萬3,000倍。

美國麻省理工學院(MIT)教授Dimitris Bertsimas的類似研究結果顯示，在1991年至2013年間，混合整數求解器(mixed integer solvers)算法速度快了58萬倍，同時間頂尖超級計算機的硬件速度只有進步32萬倍。

據說類似的結果也發生在其他類型的約束優化(constrained optimization)問題和質因子分解(prime number factorization)問題中。

這對人工智能(AI)意味著什么？

過去五年來，AI無論在學界、業界或是新創領域都呈現爆炸性發展，最大的轉折點可能是發生在2012年，當時一個來自加拿大多倫多大學(University of Toronto)的團隊AlexNet，利用深度學習方法一舉贏得了年度計算機視覺影像辨識大賽ImageNet Large Scale Visual Recognition Challenge (ILSVRC)冠軍，自此深度學習就成為實現AI的關鍵方程式。

計算機視覺的演進已蔓延至自然語言處理和其他AI領域。智能喇叭、實時計算機翻譯、機器人對沖基金(robotic hedge funds)，以及web參考引擎(web reference engines)…等等新產物，已經不會再讓我們感到驚訝。

AI也成為了交通運輸產業的驅動力(這也是Autotech Ventures的投資目標之一);我們已經觀察到，先進駕駛輔助系統(ADAS)、自動駕駛、車隊檢測(fleet inspection)、制造質量控制，以及車載人機接口等等應用領域具備龐大的發展潛力。

現在幾乎所有的軟件、硬件、互聯網廠商都在炒AI，AI技術應用也逐步成為企業個人應用的主流。但是卻很少有人注意到當下的硬件基礎設施并不能滿足AI技術的應用需求，由此一場AI掀起基礎硬件淘汰潮必將到來。

無適合硬件支持AI

如今AI早已不是科幻小說里的情節，你只需要看看無人駕駛汽車技術的快速發展，就不難看到AI技術對于人們生活的影響。不過，在企業層面上，為什么沒有更多企業在其生產系統中使用AI呢?很大的問題是來自于企業現有的基礎設施并不支持AI特性。

當Interop的報告向IT決策者詢問AI推廣障礙時，37%的參與者提到的最大問題就是AI基礎設施的缺乏。而調研公司Constellation Research在2018年的AI研究中也指出，在接受調查的IT部門中，有32%的企業表示拒絕采用AI，其主要原因還是現有的IT基礎設施硬件并不適合部署相關的AI技術。

此種現狀則讓企業IT專業人員陷入了困境。一方面他們需要支持并引入AI技術，另一方面他們并沒有合適的硬件來支持AI。不過好消息是，在所有這些調查后還發現，越來越多的企業開始增加AI層面的預算，試圖來扭轉上述的尷尬局面。

AI芯片成熱點

鑒于AI系統需要大量的計算力，為了支持這些系統有效運行，企業顯然需要通過新一代的多核處理器或GPU服務器，甚至云計算來提供算力服務。此外，為了培訓他們的機器學習系統，企業也需要大量的數據，這就意味著要擴充更多的存儲容量。

當然，企業還要大量的網絡資源來支持這些計算和存儲系統。而上述種種無疑會推動企業內部IT基礎設施走向新一輪的更新換代。據IDC預測，全球在認知系統和AI方面的支出將從2016年的80億美元攀升至2020年的470多億美元。而實際上未來由硬件淘汰產生的潛在支出規模將更加巨大。

目前針對企業IT管理的AI技術也不斷演進，不難設想未來AI不僅可以對IT網絡進行管理，提供保護，還可以積極維護網絡系統。而這樣的自動化水平被稱為“AI定義的基礎設施”。 像Kubernetes這樣的容器技術結合AI技術，則讓軟件定義數據中心和編排智能化工具成為可能。