AI技术发展掀起基础硬件淘汰浪潮

在1980年代的处理器上执行目前最先进的算法，与在目前最先进的处理器上执行1980年代之算法，哪一种可以算得更快？

答案令人惊讶，通常是在旧处理器上执行新算法能算得更快。虽然摩尔定律(Moore’s Law)因为是电子产业快速发展的驱动力而备受关注，但它只是驱动力的其中之一，我们经常忘记算法的进展速度其实在很多情况下都胜过摩尔定律。

根据德国柏林工业大学教授、知名数学家Martin Gr?tschel的观察，在1988年需要花费82年才能算出解答的一个线性程序设计问题，在2003年只需要1分钟就能解决；

在这段时间，硬件的速度快了1,000倍，算法的进步则达到4万3,000倍。

美国麻省理工学院(MIT)教授Dimitris Bertsimas的类似研究结果显示，在1991年至2013年间，混合整数求解器(mixed integer solvers)算法速度快了58万倍，同时间顶尖超级计算机的硬件速度只有进步32万倍。

据说类似的结果也发生在其他类型的约束优化(constrained optimization)问题和质因子分解(prime number factorization)问题中。

这对人工智能(AI)意味着什么？

过去五年来，AI无论在学界、业界或是新创领域都呈现爆炸性发展，最大的转折点可能是发生在2012年，当时一个来自加拿大多伦多大学(University of Toronto)的团队AlexNet，利用深度学习方法一举赢得了年度计算机视觉影像辨识大赛ImageNet Large Scale Visual Recognition Challenge (ILSVRC)冠军，自此深度学习就成为实现AI的关键方程式。

计算机视觉的演进已蔓延至自然语言处理和其他AI领域。智能喇叭、实时计算机翻译、机器人对冲基金(robotic hedge funds)，以及web参考引擎(web reference engines)…等等新产物，已经不会再让我们感到惊讶。

AI也成为了交通运输产业的驱动力(这也是Autotech Ventures的投资目标之一)；我们已经观察到，先进驾驶辅助系统(ADAS)、自动驾驶、车队检测(fleet inspection)、制造质量控制，以及车载人机接口等等应用领域具备庞大的发展潜力。

现在几乎所有的软件、硬件、互联网厂商都在炒AI，AI技术应用也逐步成为企业个人应用的主流。但是却很少有人注意到当下的硬件基础设施并不能满足AI技术的应用需求，由此一场AI掀起基础硬件淘汰潮必将到来。

无适合硬件支持AI

如今AI早已不是科幻小说里的情节，你只需要看看无人驾驶汽车技术的快速发展，就不难看到AI技术对于人们生活的影响。不过，在企业层面上，为什么没有更多企业在其生产系统中使用AI呢?很大的问题是来自于企业现有的基础设施并不支持AI特性。

当Interop的报告向IT决策者询问AI推广障碍时，37%的参与者提到的最大问题就是AI基础设施的缺乏。而调研公司Constellation Research在2018年的AI研究中也指出，在接受调查的IT部门中，有32%的企业表示拒绝采用AI，其主要原因还是现有的IT基础设施硬件并不适合部署相关的AI技术。

此种现状则让企业IT专业人员陷入了困境。一方面他们需要支持并引入AI技术，另一方面他们并没有合适的硬件来支持AI。不过好消息是，在所有这些调查后还发现，越来越多的企业开始增加AI层面的预算，试图来扭转上述的尴尬局面。

AI芯片成热点

鉴于AI系统需要大量的计算力，为了支持这些系统有效运行，企业显然需要通过新一代的多核处理器或GPU服务器，甚至云计算来提供算力服务。此外，为了培训他们的机器学习系统，企业也需要大量的数据，这就意味着要扩充更多的存储容量。

当然，企业还要大量的网络资源来支持这些计算和存储系统。而上述种种无疑会推动企业内部IT基础设施走向新一轮的更新换代。据IDC预测，全球在认知系统和AI方面的支出将从2016年的80亿美元攀升至2020年的470多亿美元。而实际上未来由硬件淘汰产生的潜在支出规模将更加巨大。

目前针对企业IT管理的AI技术也不断演进，不难设想未来AI不仅可以对IT网络进行管理，提供保护，还可以积极维护网络系统。而这样的自动化水平被称为“AI定义的基础设施”。 像Kubernetes这样的容器技术结合AI技术，则让软件定义数据中心和编排智能化工具成为可能。